随着定位技术的飞速发展,移动终端能够越来越便利地收集用户位置信息,逐渐积累了海量的时空轨迹数据。利用轨迹数据挖掘用户的运动规律和趋势,成为当前时空轨迹数据研究的热点,广泛应用于用户位置预测、路况预测、异常事件检测等方面。目前,个体语义行为模式预测和群体运动模式挖掘是时空轨迹挖掘领域的两大研究热点,但是前者多采用过度稀疏的签到数据集,而后者多为集中式处理,不适用于实时流环境,因此提出了基于个体语义行为预测的位置推荐方法和分布式环境下聚集运动模式挖掘方法,具体工作包括:首先,针对个体用户语义行为模式预测和位置推荐,提出一个新的基于语义行为预测的位置推荐方法。首先将原始GPS轨迹转化为语义轨迹,进行用户聚类,然后分别为每个用户类簇构建双向长短时记忆网络模型（Bidirectional Long-Short Term Memory,Bi LSTM）进行用户语义行为预测,再构建基于相似度的马尔科夫模型获得候选推荐位置集合,最后执行查询操作找出同时满足预测语义行为和空间距离限制的推荐位置集合。此方法不仅克服了单独依靠过度稀疏的签到数据的不足,且充分利用了轨迹数据的时空和语义信息。其次,针对群体运动模式挖掘和演化分析,提出在分布式环境下挖掘聚集运动模式以及预测演化趋势方法:首先,各分布式节点构建双层分布式空间索引来优化实时聚类过程,将每个时间片的移动快照转化为快照簇;再基于实时快照簇,通过簇相似性连接增量挖掘局部聚集运动模式;协调者节点获取分布式节点发来的局部聚集运动模式,合并为全局聚集运动模式,并结合用户的下一预测位置来预测聚集运动模式的演化趋势。主要贡献在于:一方面,针对个体用户语义行为模式预测和位置推荐,挖掘GPS轨迹潜在的语义信息,提出基于相似度的马尔科夫模型,并结合预测的语义行为来进行位置推荐。另一方面,针对聚集运动模式挖掘和演化分析,提出双层分布式空间索引来加速聚类过程,并采用分布式节点和协调者节点协作挖掘聚集运动模式和预测演化趋势。理论分析和实验结果证明提出的挖掘和预测方法具有良好的性能。