随着时代的不断发展,私家车逐渐成为社会交通的重要组成部分,截止2018年底,私家车在民用汽车中占比达88.3%。私家车的快速发展无疑是一把双刃剑,一方面,会带来城市交通堵塞、环境污染等问题,另一方面,随着移动互联网与定位技术的发展,基于位置服务（Location Based Service,LBS）得到快速发展,私家车作为个人出行工具,背后隐藏着大量的个人出行以及兴趣爱好信息,为LBS提供定制化的精准服务提供了海量数据。目的地预测作为LBS中的重要环节,通过研究私家车出行规律预测行程目的地位置,LBS能够提前提供如广告推送、商场推荐等服务。因此,准确的私家车目的地预测算法对于LBS而言具有重要意义,本文基于私家车时空轨迹进行目的地预测研究,主要工作如下:通过对私家车时空轨迹数据的分析,发现轨迹数据存在冗余无效以及异常值数据,同时原始的轨迹数据由GPS采样点组成,不适合目的地预测研究,因此本文对私家车原始轨迹数据进行预处理。首先,为了减小空间以及时间复杂度,本文对无效冗余数据进行过滤。接下来,为了避免异常值对模型的干扰,本文提出异常值过滤算法对异常值进行过滤。最后,直接通过经纬度进行目的地预测性能不佳,因此对原始轨迹进行网格化处理。针对私家车时空轨迹的特点,本文提出了一种基于ATT-GRU的目的地预测算法,算法以神经网络为核心,并引入注意力机制。为了更好的捕获私家车移动规律,我们首先设计了多因素嵌入模块对位置、时间、用户信息等特征进行嵌入操作。然后通过以门控神经单元（Gated Recurrent Unit,GRU）为基本循环单元的神经网络捕获轨迹序列中的移动规律以及长期依赖关系。最后通过注意力机制（Attention Mechanism）来避免神经网络处理长序列中存在的信息丢失问题,通过模型学习与目的地强相关的特征并赋予其较高的权重,因此提高了预测精度。本文基于真实的私家车时空轨迹数据对提出的目的地预测算法进行实验,实验结果证明ATT-GRU算法具有较优的预测性能。研发私家车目的地预测系统,将ATT-GRU算法应用到目的地预测系统中。根据系统需求分析,系统分为三大模块,分别为数据处理模块、目的地预测模块、历史行程分析模块。数据处理模块以提出的异常值过滤算法为核心,主要进行轨迹数据过滤以及轨迹网格化处理。目的地预测模块以文件输入的方式获取轨迹数据集,基于ATT-GRU算法实现目的地预测功能。历史行程分析模块通过可视化的方式对历史数据进行展示。本文基于真实的私家车时空轨迹数据对目的地预测系统进行系统测试,实验结果证明系统功能完善,性能优异。