針對Markov模型在位置預測中存在預測精度不高及匹配稀疏等問題，提出了一種基于Adaboost-Markov模型的移動用戶位置預測方法。首先，通過基于轉角偏移度與距離偏移量的軌跡劃分方法對原始軌跡數據進行預處理，提取出特征點，并采用密度聚類算法將特征點聚類為用戶的各個興趣區城，把原始軌跡數據離散化為由興趣區域組成的軌跡序列;然后，根據前綴軌跡序列與歷史軌跡序列模式樹的匹配程度來自適應地確定模型階數k;最后，采用Adaboost算法根據1 ~k階Markov模型的重要程度為其賦予相應的權重系數，組成多階融合Markov模型，從而實現對移動用戶未來興趣區域的預測。在大規模真實用戶軌跡數據集上的實驗結果表明，與1階Markov模型、2階Markov模型、權重系數平均的多階融合Markov模型相比，Adaboost-Markov模型的平均預測準確率分別提高了20.83%、11.3%以及5. 38% ，且具有良好的普適性與多步預測性能。

　　隨著智能移動終端普及率的提高以及移動空間定位技術的迅猛發展，基于位置的服務（ Location Based Service， LBS ）得到了廣泛應用”。目前基于位置的服務主要包含定位查詢路徑規劃和位置共享等功能，這些功能多集中于為用戶提供當前位置的相關服務。為了使服務更具前瞻性，近年來大量國內外學者把目光投向了移動用戶的位置預測上。移動用戶位置預測具有很高的研究價值與廣闊的應用前景，其中最直觀的應用包括個性化推薦與提醒。根據預測出的用戶下一步地點，可以針對用戶進行個性化的推薦與提醒，例如系統預測出某個用戶的下一步地點為某個酒吧，可以向這位用戶推薦這個酒吧的促銷活動，以及推薦常去此酒吧的新朋友?？梢赡繕俗粉?。移動用戶位置預測可用于對可疑用戶進行追蹤定位，例如在網上發表極端言論的用戶，通過預測目標用戶的未來目的地，可以有效防范危害公共安全的惡性事件發生 。智能化交通。通過車載GPS （ ClobalPositioning System）設備采集的大量軌跡數據可用于預測交通擁堵情況，從而便于司機規劃行駛路線以及提高出租車的調度效率。