随着移动技术的进步和遥感定位设备的普及,基于位置的服务正变得越来越流行。大量的基于位置的应用应运而生,产生了大量的GPS数据及位置签到数据。越来越多的数据可以采用轨迹的形式记录下移动物体的路线。这些轨迹数据对于基于位置服务的各种应有具有重大的研究价值。轨迹恢复是保证轨迹质量的重要手段。现存的研究都是基于历史车辆轨迹数据进行算法训练,得到一条后验概率最大的路径作为输出。本文提出了一种基于编码器和解码器实现的短路径轨迹恢复算法模型(Short trajectory-recovery system以下简称SRS),是一种端到端的轨迹恢复方法。模型单元采用长短期记忆网络(LSTM)。编码器对输入轨迹点进行编码以获得具有时空依赖关系的编码向量。解码器对编码向量进行解码以得到完整车辆行驶路径。本文针对真实的车辆轨迹数据集进行仿真实验,将SRS与最短路径算法(SDD),最短通行时间算法(FP),最受欢迎路径算法(MPR)进行了比较,SRS具有最高的准确率,具有更少的运行时间,效率更高。由于短路径轨迹恢复问题针对的是只包含起点和终点的轨迹序列恢复问题,然而还存在多轨迹点的长路径轨迹恢复问题。我们不能用简单的短路径轨迹恢复算法模型进行组合,因为这样忽略了全局的时空约束。于是本文针对长路径轨迹恢复问题,提出基于注意力机制的长路径轨迹恢复算法模型(Long trajectory-recovery system以下简称LRS)。编码器解码器模型结合注意力机制很好的解决了随着轨迹输入长度的增加导致自身信息丢失的现象。在本文真实哈尔滨出租车轨迹数据集上进行对比实验,实验结果表明,LRS对于长路径轨迹恢复问题,随着轨迹输入长度的增加,准确率明显高于SRS。最后设计实现了一个基于MTV框架的系统。具体流程是用户提交待恢复轨迹序列,系统进行模型加载,恢复完整路径,调用百度地图API,在地图上绘制车辆的行驶路径,显示给用户。