随着互联网基础设施的快速发展和定位技术的提高,移动轨迹数据的获取成为了现实,基于位置服务（Location Based Service,LBS）的应用也越来越受到人们的关注。在如今的大数据时代背景下,轨迹数据的内容复杂多样,对轨迹数据中的潜在规律分析,不仅可以得到移动目标的运动模式和规律,还可以挖掘出目标的行为特征和兴趣爱好。由于移动轨迹数据具有离散性且数据规模较大,难以直接进行预测建模,而轨迹预测中常用的Markov模型也因为对历史信息利用的不足导致了模型的预测精度过低。为此,本文重点研究了如何根据轨迹数据划分轨迹空间和建立轨迹终点预测模型,主要研究内容如下:首先,为了实现轨迹链序列化,本文提出了基于时空密度的动态网格划分的算法。该方法采用基于网格的聚类方式,对移动轨迹数据的样本空间进行划分,然后引入轨迹的时空特性对大于给定阈值的单元格进行层次划分,并在划分的网格上形成初始聚类,避免了轨迹数据的信息丢失问题,同时考虑了时空维度,更好的反应了移动目标的行为模式。通过数据分析和实验研究结果表明,该方法有效可行且耗费时间较低,保证了轨迹序列的有效性。其次,为了解决Markov模型在目标位置预测中存在轨迹信息利用不充分,而多阶模型存在数据稀疏和状态空间过于膨胀的问题,提出了一种基于位置相似性与Markov模型的移动目标预测方法。该方法是在传统的Markov预测模型的基础上引入位置相似性因素,把当前的轨迹序列与历史轨迹序列集合中位置相似的轨迹进行计算,找出符合相似度阈值的历史轨迹,并把符合条件的历史轨迹集合与Markov模型结合起来,通过概率矩阵预测移动目标的未来区域,充分考虑了历史轨迹信息。实验结果表明,提出的位置相似性Markov模型预测准确率可达70%,相比于Markov模型来说,准确率提高16.8%。