用户出行预测是基于位置的服务网络的一个重要应用。在目前的用户出行预测研究中,传统的基于模式的预测方法由于用户数据的多样性、复杂性等问题,已经难以应用于如今的大规模数据集。而现有的基于神经网络模型的方法存在着准确率不够高等问题。已有许多研究在理论层面证明了好友对用户出行的影响。通过将社交影响合理地引入神经网络模型,使模型利用用户与好友之间的出行规律相似性进行预测,对于提升出行预测准确性具有重要的意义。通过整合社交嵌入、出行规律提取和地点预测等功能,设计了融合社交影响的注意力循环网络模型（Social Attentional LSTM Model,SALM）。针对用户出行规律存在着复杂性的问题,使用循环神经网络捕捉用户复杂的时空转移规律,并结合注意力机制,突出相关性强的地点信息,充分学习用户潜在的转移规律。针对不同用户出行规律存在着差异性的问题,将签到中的用户信息嵌入为每个用户独有的用户向量,使模型可以针对不同用户的出行规律进行区分学习。针对用户签到数据存在稀疏性的问题,定义了社交亲密度,用于获取用户的广义社交好友,并在生成用户表示向量的过程中,融合社交影响,从而帮助模型捕捉用户与好友间的共性,提升预测准确率,缓解数据稀疏的影响。在多个具有代表性的真实数据集上进行了实验,结果表明SALM与现有的模型相比,拥有较高的预测准确性,且社交影响在SALM中发挥了正面的作用。