随着互联网技术的快速发展,消费者需求的不断增加,各类信息化产品也应运而生。人们在享受这些产品带来生活便利的同时,也产生了大量的用户数据。其中,位置数据作为用户的基础信息之一,采集容易,并能反映出用户的生活习惯和日常作息。而位置预测技术作为对位置数据最直接的利用,为用户行为分析及产品的更新、迭代,提供了极大帮助。传统的位置预测模型大部分通过建立马尔科夫转移概率矩阵或者频繁模式挖掘进行预测,只能处理短时间序列的数据,如何处理长时间序列的数据是目前位置预测技术的一大难点。并且由于原始的位置经纬度数据粒度过细,无法直接被当作预测目标,如何使用合适的方法来确定位置预测的目标也是需要解决的问题之一。本文针对以上两个问题基于循环神经网络和卷积神经网络搭建了多层双向长短期记忆网络（Multilayer Bidirectional Long Short-Term Memory）和卷积神经网络（Convolutional Neural Networks）融合的位置预测模型（MBi-LSTM-CNN）,主要的工作如下:（1）提出一种新的位置预测模型MBi-LSTM-CNN。该模型在分析传统位置预测技术的基础上,通过多层双向LSTM结构挖掘时间序列的隐藏信息,以达到长时间序列的依赖传递;再通过CNN提取局部空间特征。（2）提出一种基于空间索引技术Geo Hash的经纬度位置数据向量编码方案,并基于该编码方案提出新的向量编辑距离。采用该方案能够简化位置预测的目标,将原来粒度过细的经纬度数据编码成可以直接进行预测的六位长度向量,并且该方法能够节省内存资源空间。（3）提出一种基于时间熵获取位置数据分段序列的构建方案。通过引入时间熵的计算公式,计算每个用户位置数据的时间间隔频率,划分不同的时间间隔,从而得到不同的分段位置序列。该方案能避免人为划分的主观性差异,确定客观的时间划分阈值。（4）考虑到不同LSTM结构以及模型参数对实验影响,搭建了七种不同LSTM结构进行实验,并且结合不同的优化器和学习速率的组合,对模型结构进行了调整。通过在Geo Life数据集上完成的实验验证,证明本文所提出的位置预测模型和传统的位置预测模型相比,在位置预测准确度上有所上升。