随着移动互联网的兴起,用户的位置信息在各种移动服务中扮演着越来越重要的角色。除了基于用户当前的位置提供服务以外,预测用户将要到达的下一个位置也能够有助于开发出很多新颖的服务或应用,比如针对性的广告推荐、基于位置的社交网络以及智能导航等。虽然目前已有大量的关于位置预测方面的研究,但是传统的位置预测模型主要是通过挖掘用户在已访问位置间的转移规律来进行的,从而导致模型在用户历史轨迹比较稀疏时会遭遇“冷启动”问题,表现出于较低的预测性能,并且在用户变更活动区域时也会表现出预测性能的不稳定性。因此,为了加强位置预测性能的健壮性,对传统的位置预测模型进行改进是非常必要的。与传统的位置预测模型相比,可以通过挖掘用户活动转移规律的方法来间接地实现位置预测。首先,从用户当前的上下文环境中挖掘出活动相关的时空特征,进而应用分类模型来识别出用户当前所从事的活动类型。然后,分别对大众活动转移规律以及用户个人活动转移规律进行建模,并将其联合起来对用户将要从事的下一个活动进行预测。最后,在预测的下一个活动的基础上,应用贝叶斯推断模型来预测用户将要到达的下一个位置。在微软亚洲研究院公开的轨迹数据集上,将改进的模型与传统的基于马尔可夫的位置预测模型进行对比。实验结果显示改进的位置预测模型在用户轨迹比较稀疏时仍然可以保持良好的预测性能,并且可以实现从用户轨迹稀疏到稠密阶段预测性能的平滑过渡。进一步地,通过分别分析大众的活动转移规律和用户个人的活动转移规律对模型预测性能的影响,发现大众的活动转移规律可以使得模型有效地避免“冷启动”问题,而用户个人的活动转移规律能够确保模型在用户轨迹比较稠密时达到很高的预测精度。