随着定位技术的快速发展以及智能手机的普及,基于位置的社交网络(Location Based Social Networks,LBSN)逐渐兴起,用户可以通过网络平台分享自己所处位置的信息以及生活经历。并且随着用户的增加,各种平台所产生的数据大量累积,人们通过研究这些数据能够获得许多有用信息,位置预测也随之兴起。提前预测用户可能访问的地点,不仅可以为用户生活带来便利,同时也能为商家带来经济效益。本文通过分析用户在基于位置的社交网络所产生的数据信息,对社交网络中用户的位置预测进行研究,主要研究内容如下:1.基于用户在新地点的签到位置预测,本文分析了用户签到的空间、时间、以及天气信息的分布情况,发现位于新位置的用户与常规用户具有相似的移动规律,提出融合多种因素的签到预测模型。首先,鉴于空间因素对用户签到行为的影响,基于用户的个性化行为差异以及朋友的整体签到行为建立层次核密度估计(Kernel Density Estimation,KDE)模型;接着,利用马尔可夫模型针对签到时间分布的不一致性进行建模;然后,考虑天气因素对用户移动行为的约束,提取“天气偏好”特征来预测;最后,将多个结果线性加权得到最终的预测结果。在真实数据集上的实验证明了本文所提的位置预测要优于其他的基准算法。2.本文同时考虑了影响用户签到的内因与外因,通过研究用户的移动模式来进行位置预测。首先,采用Apriori算法挖掘用户个体的移动模式,找出影响用户签到的内因;然后,利用动态时间规整算法(Dynamic Time Warping,DTW)计算移动模式之间的相似性,并通过聚类获得每组的整体移动模式,即找到影响签到的外因;接着,基于移动模式训练马尔可夫链模型,预测用户的下一个位置;最后,考虑外在天气的影响,通过创建天气总特征,利用高斯核函数计算当前地点的天气与其他地点天气的相似性,对预测的结果进行修正。在LBSN数据集中两个城市中的实验证明了模型的有效性。