移动对象位置预测已经成为移动对象位置管理中极其重要的研究课题。针对预测的许多方法被不断的提出并改进。近几年,基于频繁轨迹的预测方法开始发展起来,这种方法通过挖掘移动对象历史运动轨迹中的规律,并匹配当前运动趋势,来达到预测的目的。基于频繁轨迹的预测方法是由数据挖掘中关联规则的挖掘技术演变拓展而来,由于该预测方法提出较新,所以尚存在很多不足。论文主要工作如下:(1)针对现有基于频繁轨迹预测方法对数据库扫描次数过多的缺点,提出了一种基于轨迹标识列表的频繁轨迹挖掘算法TidTraj,对移动对象数据库仅进行一次扫描便可挖掘出频繁轨迹集合,并在此基础上出给出相应的预测方法,从而在时间上提高了预测效率。在交通轨迹数据集上实验验证了算法的高效性。(2)针对基于AprioriTraj的预测方法没有针对数据库增量更新后预测的相应策略,本文提出一种基于数据库增量更新的频繁轨迹挖掘算法TidTrajUP,用于预测过程。TidTrajUP算法只对部分频繁轨迹进行挖掘,充分利用了原有的频繁轨迹集,避免了冗余操作,提高了挖掘效率,最后通过对比实验验证算法的有效性。(3)为了提高预测结果的精确度,本文引入了时效因子的概念,考虑了时间推移对运动规则的影响。时效因子作为描述时间对运动规则效用的影响被加入到频繁轨迹支持度的计算中,通过加入该参数,支持度度量就能充分反映时效性对预测精度的影响。本文基于时效因子和轨迹标识列表,提出了基于时效的频繁轨迹挖掘算法AgTraj,以此作为预测第一阶段的核心算法,并在此基础上给出基于运动规则时效性的完整预测过程。从而使得预测结果精确度较传统方法有一定的提高,最后通过对比试验对算法进行验证。