近年来,城市化发展进一步加快,城市人口和车辆数量急剧上升,用户对于精准的基于位置的服务(Location Based Services,简称LBS)的需求也不断增加。为了给用户提供更加针对性的服务,挖掘并分析用户移动过程中的行为偏好,已成为近年来时空数据分析的研究热点。目前,大量的用户交通轨迹数据能够被企业采集并持久化存储。轨迹数据不但记录了用户的实时位置,而且蕴含着丰富的用户移动的潜在特征,这给用户移动轨迹的预测提供了前所未有的机遇。因此,本文基于大量的交通轨迹数据,深入研究更为精确的用户移动轨迹预测技术。预测用户的移动轨迹不仅需要考虑轨迹本身所存在的数据稀疏问题,更需要考虑轨迹在时间及空间上的演变模式。同时,交通轨迹数据通常带有上下文信息,用户行为容易受到外部环境,如天气、节假日等因素的影响。另外,有效的用户移动特征可能出现在不同的空间粒度中,传统的时序建模方法无法有效地融合这些特征。针对这些复杂的问题,本文基于深度学习的方法,构建了一种新的神经网络模型。该模型具有高度的泛化表征能力,同时考虑了轨迹位置点之间的时间和空间特征,并加入了多样性的轨迹环境的分析。此外,本文采用了适应性的注意力机制,以解决轨迹位置点之间可能存在的强相关性特征对于预测的影响,来提高预测的准确性。在此基础上,针对不同空间粒度下用户移动轨迹间潜在的关联,本文采用了多层次结构模型,来挖掘轨迹在不同空间粒度下的隐含特征,实现了对用户移动偏好的有效捕捉及融合,使得用户移动轨迹的预测精确度得到进一步提升。本文在两个真实数据集上对所提出的模型进行了充分的实验验证。实验结果表明了本文的方法对于用户移动轨迹预测问题具备良好的可行性和有效性。该研究成果对于各种基于位置的服务及应用具有一定的帮助,对相关工作的研究具有一定的参考价值。