随着现代化的快速发展,记录人类一次旅行中的全球导航卫星系统(Global Navigation Satellite System,GNSS)轨迹数据很容易采集。这类数据是在不同时间点上收集记录到的数据,反映了运动物体或某一现象随时间的变化而呈现出的状态。通过定位数据来发掘人类的生活移动规律和人类的活动模式。本文讨论了基于GNSS数据的身份识别、交通方式识别、行为模式识别和位置预测等问题,从以上四个方面做关于定位数据属性挖掘与位置预测技术的研究。首先对用户的身份进行识别,接着推断出用户的交通模式(例如步行,自行车,火车等),然后进一步识别交通方式的行为模式(例如左转,右转,直行等)。身份识别的数据源是用可以直接收集记录加速度和罗盘方向等数据的微信小程序采集的。其次由于交通方式和行为模式都受到地理环境的强烈影响,因此地理图层信息(例如建筑物,道路,水域等)会增强对交通方式和行为模式的识别。最后用户的位置与地理图层信息高度相关,因此,地理图层信息也可以辅助GNSS数据进行位置预测,地理图层属性信息可从免费开放地图(OpenStreetMap,OSM)下载,总计有六类图层信息。地理图层信息的加入是为了能够知道GNSS点周围的地理环境信息。实现过程如下,首先在一个特定的GNSS点上,将其周围区域均匀地切片为网格,然后根据这些网格中心是位于包含指示六类不同地理对象多边形的最小矩形的内部还是外部来计算属于六类不同地理图层的网格中心的概率,最后综合处理得到一个GNSS点的六维地理属性信息概率矩阵。通过卷积神经网络(Convolutional Neural Network,CNN)将六维概率矩阵作为地理信息向量进行处理和压缩。然后与运动学指标(例如来自GNSS数据的速度,加速度和运动方向)组合,并串行输入到长短期记忆(Long Short-Term Memory,LSTM)网络中,以预测交通方式和行为模式。实验结果验证了地理图层信息确实增强了两个识别任务的性能,CNN+LSTM框架保留了 CNN和LSTM的功能,并且优于传统的机器学习算法,CNN+LSTM模型的准确率比机器学习的几种算法都提高了 6%以上。位置预测部分使用三维卷积神经网络(Three-Dimensional Convolutional Neural Network,3D-CNN)和 LSTM 网络的混合网络。3D-CNN用来处理地理图层信息,然后将输出与从GNSS数据中提取的运动学信息作为LSTM的输入。可以通过3D-CNN和LSTM模型获得每个网格的概率值,然后使用该概率值更新粒子滤波的权重,最后获得用户的特定位置,均方根误差(Root Mean Square Error,RMSE)数值小于原始粒子滤波算法的数值的一半,实验结果表明,这优于传统的解决方案。