近年来,随着定位技术和支持GPS设备的不断小型化和应用广泛化,轨迹数据的获得也变得越来越便利,促进了基于历史移动轨迹的数据挖掘技术。现有的位置预测研究多是基于频繁模式挖掘或神经网络的方法,这些预测方法对数据的时空性及活动轨迹的时间规律性的考量有限,且相似性度量方法对轨迹数据的多维性考虑不充分,针对以上问题本文提出了一种基于移动对象行为相似的下一位置预测算法研究。首先,基于轨迹数据的多维特征提出了一种基于三维距离函数的相似度量算法。从水平,垂直和角度三个方面考虑,计算了轨迹在距离上的差距、长度间的差距及方向间的差距,相对于其他传统度量方法,该方法的聚类效果更加紧凑和合理。其次,针对每个采样位置提出了一种划分时间轴的时间格聚类方法。将一天的时间划分成大小相等的时间段,每段为一个时间格,然后根据轨迹的时间戳分配到对应的时间格中,把具有相似移动模式的时间格进行聚类。进一步地,利用三维距离函数相似度量公式计算时间格聚类结果中每一类轨迹间的相似度,得到具有相同角色、相同兴趣、相同规律的簇,从而利用相似移动对象群体的移动数据来提高位置预测的准确性。最后,结合移动对象的移动模式转移特性及轨迹特性,提出了一种基于移动对象行为相似的隐马尔科夫预测模型。先根据移动对象所在位置的时间戳确定其所属的时间格类别,再计算与其他移动对象之间的轨迹相似度确定其所属的轨迹类,为之训练HMM预测模型进行预测。实验数据来自微软研究的GeoLife数据集。实验验证了基于三维距离的层次聚类DB指标值最小、DVI指标值最大,能够取得更加紧凑与合理的聚类效果;基于移动对象行为相似的HMM预测模型覆盖率趋近于1,且实验精准度优于其他预测模型能够较好地预测下一位置。