随着社交网络的发展,人们越来越乐于发布和分享日常生活中的各种信息,位置信息的数据量更是呈指数级增长。挖掘位置信息和揭示人类移动模式是许多下游应用的重要任务,例如兴趣点(Point of Interest,POI)推荐和交通拥塞预测等都是非常热门且被广泛研究的领域,根据挖掘用户的移动模式而进行个性化行程推荐更是一个重要且亟需解决的难题。移动互联网不仅为用户提供了前所未有的便利,更为个性化行程规划的研究提供了极为丰富的情境信息。近年来,各种基于顺序建模和表示技术的方法层出不穷,例如基于排名的矩阵分解模型,基于随机游走的轨迹预测模型等等,但都未曾着眼于轨迹语义的挖掘。然而,发现与移动相关的抽象主题和利用轨迹的上下文语义可以对用户的移动模式提供更加全面的理解。另外,轨迹重建和轨迹预测是个性化行程规划的两个子任务,对此二者进行深入的研究能够更好地掌握用户的行程偏好,从而为用户规划行程。本文的主要内容和创新性如下:1、本文提出了基于变分轨迹上下文感知的行程推荐模型,主要包括四个学习用户轨迹表示的框架:(1)循环编码器,(2)变分编码器,(3)变分注意层,(4)两个解码器。该方法是一种基于学习轨迹上下文的移动模式挖掘的新范例,从用户轨迹信息入手,采用编码-解码结构,在轨迹级别上解决了轨迹上下文学习的问题,从而进行个性化行程规划。2、本文提出了基于层次化轨迹表示的行程规划模型。该模型使用基于策略网络的增强学习,对每一条轨迹进行了合理的划分以得到轨迹的层次化表示。轨迹分段对于移动轨迹挖掘有着重要的作用,因此层次化的轨迹表示能够挖掘更深层次的、更全面的轨迹语义,获得更为丰富的移动情境信息,进而提高个性化行程推荐的性能。3、本文为了验证上述两种方法在轨迹重建(T1)和轨迹预测(T2)两个子任务中的准确性和有效性,我们在几个公开的数据集上对所提出的方法进行评估,并与现有的其他方法进行对比,表明对上下文轨迹向量进行编码能够有效地表征分层移动性语义,同时从中解码轨迹的隐含意义。实验证明了所提出的两种模型可以有效地提高个性化行程规划的性能。