1.一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，其特征在于，包括以下步骤：

S1、获取用户的签到数据，包括用户在社交网站的发表内容、发表内容的时间以及发表内容时分享的位置信息；

S2、数据预处理：根据用户的平均签到数量和社交关系情况进行筛选，保留签到数量大于5的用户和朋友数量大于5的用户；选取每个用户访问频率最高的3个访问位置，使用3个位置的平均经纬度作为用户的地理坐标；划分位置域，并采用聚类方法将同一位置域的用户赋予相同的位置标签；

S3、将时空因素引入门控机制，采用长短时记忆神经网络LSTM和历史轨迹序列学习用户的移动习惯，建立个人移动轨迹模型；

S4、将时间序列输入个人移动轨迹模型中，得到用户未来某个时间段的出行轨迹预测结果；

S5、采用基于图神经网络的位置语义推断方法推断出行轨迹预测结果中的位置语义类别。

2.根据权利要求1所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，其特征在于，个人移动轨迹模型为结合时空因素的LSTM模型，包括分别加入时空因素的输入门、遗忘门、输出门以及一个决定当前时刻细胞状态的细胞，输入门、遗忘门和输出门控制着流经细胞的信息流，其中输入门i决定是否输入数据，遗忘门f决定是否遗忘历史，输出门o决定是否产生当前状态，各个部分的计算公式如下：ft＝σf(wxfxt+whfht‑1+wcf☉ct‑1+bf)it＝σi(wxiXt+whiht‑1+wci☉ct‑1+bi)ct＝ft☉ct‑1+it☉tanh(wxcXt+whcht‑1+bc)ot＝σo(wxoXt+whoht‑1+wco☉ct+bo)ht＝ot☉tanh(ct+b)

其中，it、ft、ot、ct、ht分别代表输入门、遗忘门、输出门、细胞状态和隐藏状态，每个控制门中都有一个激活函数σ，默认为sigmod函数，其中σf表示遗忘门的激活函数，σi表示输入门的激活函数，σo表示输出门的激活函数，it、ft、ot、ct这些向量的大小与隐藏状态ht相同，每个矩阵权重w的下标代表从一个状态到另一个状态，其中wxf表示从输入门到遗忘门的权重矩阵，wcf表示从细胞状态到遗忘门的权重矩阵，b为各个门的偏置，其中bi为输入门的偏置，bf为遗忘门的偏置，Xt表示t时刻的向量输入，t为时间参数。

3.根据权利要求1所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，其特征在于，个人移动轨迹模型在LSTM模型的基础上添加一个时空门，时空门用于存储时间间隔以及空间距离间隔到每个时刻的细胞状态，将时间和空间影响作为内隐信息来指导门机制的学习，进而学习行为之间的时空隐含关系。

4.根据权利要求3所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，其特征在于，时空门主要由三个部分组成，除了输入门xt，增加了时间间隔△tt和空间间隔△st这两个输入特征，并分别与时间差权重w△t(st)和距离差权重w△s(st)两个权重相乘，时空门的表达式包括：

stt＝σst(wx(st)+w△t(st)Δtt+w△s(st)Δst+b(st))其中，stt表示时空门，σst表示激活函数，wx(st)表示从输入门到时空门的权重矩阵，b(st)表示时空门的偏置。

5.根据权利要求1所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，其特征在于，步骤S5中，采用基于图神经网络的位置语义推断方法推断出行轨迹预测结果中的位置语义类别包括：

S51、构造地理空间网络NSP，从中提取用户的时空特征和位置的时空特征；

S52、根据用户的时空特征和位置的时空特征构建用户‑位置访问二部图Nc，再利用图卷积神经网络获取用户签到活动中的高阶信息，得到出行轨迹预测结果的语义类别。

6.根据权利要求5所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，其特征在于，步骤S51中，构造地理空间网络NSP包括：将用户、地理位置看做节点，通过计算节点间距离，若距离小于特定阈值δ时，两节点相连构成边，否则不构成边，最终形成地理空间网络NSP。

7.根据权利要求5所述的一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，其特征在于，所述图卷积神经网络选用两层图卷积神经网络层，一层图卷积神经网络层代表节点与一阶邻居节点的信息交互，二阶图卷积神经网络层代表节点与二阶邻居节点的信息交互，为了有效利用两层卷积神经网络的有效信息，将两层信息融合相加取平均，最终输出结果。