随着现代信息技术的飞速发展,数据呈现出快速增长的趋势,数据分析方法面临着严峻的挑战,研究大数据分析方法将会给我们带来价值。在过去很长的一段时间里,人类的移动行为被认为是杂乱无章的、随机的、没有规律可寻的。然而随着智能移动终端的普及以及定位技术的发展,大量的反映人类移动行为的数据被积累起来,这些数据覆盖人群广,能从多个角度反映人类移动行为特征。移动位置预测是人类移动行为研究中的重要问题,对移动通信网络设计和移动性管理研究具有重要意义。论文总结了人类移动性和移动位置预测的基础理论和研究现状,分析了现有基于马尔可夫过程的移动位置预测算法存在的运行效率低、数据互干扰性等问题,提出了一种改进的基于马尔可夫过程的移动位置预测方法。在该方法中,首先设计实现一种网格密度聚类算法,通过引入网格限制访问位置范围,利用基于密度的聚类算法提高位置识别效率。进一步,设计实现一种用户移动行为相似性的度量算法,通过将相似用户的数据聚合在一起,生成针对该用户群的状态转移矩阵,既解决了使用单个用户轨迹数据建立状态转移矩阵时存在的数据稀疏性问题,又避免了使用全局用户轨迹数据建立状态转移矩阵时所产生的数据间互干扰问题。最后,通过测试该方法在不同规模的数据集上的运行时间,证明本文提出的马尔可夫移动位置预测算法的效率优于传统的马尔可夫移动位置预测算法。