在互联网、智能移动设备、基于位置的服务软件、GPS服务的高速发展的背景下以及人们对基于位置服务的需求,进而产生了大量的基于位置的行动数据。这些基于时空轨迹的数据也极大的推动了社交网络的发展。有效的利用和挖掘这些时空数据内蕴含的信息是现实生活中亟需解决的问题,这能在现实生活中给企业带来巨大的利润,而且也能给用户增加个性化的服务体验,增加用户使用软件的粘稠度。而且在对移动行为建模和行为预测问题等问题上,也产生了许多新的挑战和机遇。然而,在大规模的数据集上有效的对用户签到行为进行建模从而进行准确的推荐仍存在巨大的挑战。这些挑战包括数据的稀疏性问题,时空的异质性问题,序列长期和短期的依赖性以及用户关系的影响等。因此,对于用户的移动行为轨迹的预测和下一个兴趣点的推荐也成为最近的研究热点。针对以上的这些挑战,本文对下一个兴趣点推荐的相关内容开展研究工作,主要研究的成果如下:本文根据现有的轨迹分析的相关理论,提出了基于用户的长短期交互偏好的用户行为轨迹分析方法,通过对长期用户偏好及短期用户偏好的多角度综合分析,并加入时间因素和空间因素对用户行为轨迹的影响,通过向量嵌入的方式对用户的行为轨迹特征运用分层注意力机制进行分析,为兴趣点推荐做准备。进一步地,本文提出一种新的基于用户行为轨迹分析的方法用于下一个兴趣点推荐,该模型在LSTM模型的基础上,同时整合用户的序列信息、用户长短期交互偏好、活动轨迹和时空信息等用于兴趣点推荐。最后,本文在公开的真实的数据集上进行实验,实验结果表明本文提出的模型显著优于主流的兴趣点推荐模型和最新的序列推荐模型。