La predicción de la trayectoria de un usuario es un problema clave en la predicción de movilidad, que se ha aplicado a una variedad de campos como recomendaciones de servicios basados en la ubicación y planificación de tráfico. El impacto de los contactos sociales de los usuarios en la movilidad no se considera adecuadamente en la investigación actual de predicción de trayectorias. Además, la dependencia espacial-temporal de trayectorias largas es difícil de caracterizar mediante modelos convencionales de redes neuronales recurrentes. Se propone en esta investigación un modelo de predicción de trayectorias consciente del contexto y con múltiples niveles de atención (MACTP) para usuarios sociales móviles para abordar los problemas mencionados anteriormente. Específicamente, las preferencias sociales de los usuarios son capturadas por atención a nivel de amigos, y se asignan pesos variables a diferentes amigos. El impacto de otros puntos de check-in en la trayectoria en el punto de check-in actual se considera a través de la atención a nivel de check-in. La atención a nivel de trayectoria se utiliza para obtener la representación de trayectorias históricas influenciadas por trayectorias actuales, así como las dependencias espaciales-temporales de trayectorias más largas. Los resultados experimentales en dos conjuntos de datos del mundo real demuestran que el modelo propuesto mejora significativamente el rendimiento de la predicción de trayectorias.