La predicción de ubicación ha atraído mucha atención debido a su papel importante en muchos servicios basados en la ubicación, como la entrega de alimentos, el servicio de taxis, el sistema de autobuses en tiempo real y la publicación de anuncios. Los métodos de predicción tradicionales a menudo agrupan puntos de seguimiento en regiones y minan patrones de movimiento dentro de las regiones. Tales métodos pierden información de puntos a lo largo de la carretera y no pueden satisfacer la demanda de servicios específicos. Además, los métodos tradicionales que utilizan modelos clásicos pueden no funcionar bien con secuencias de ubicación largas. En este documento, se ha propuesto un algoritmo de red neuronal espacial-temporal-semántico (STS-LSTM), que incluye dos pasos. Primero, se utiliza el algoritmo de extracción de características espaciales-temporales-semánticas (STS) para convertir la trayectoria en secuencias de ubicación con puntos fijos y discretos en las redes de carreteras. El método puede aprovechar los puntos a lo largo de la carretera y puede transformar la trayectoria en secuencias amigables para el modelo. Luego, se construye un modelo basado en memoria a corto y largo plazo (LSTM) para realizar predicciones adicionales, lo que puede manejar mejor secuencias de ubicación largas. Los resultados experimentales en dos conjuntos de datos del mundo real muestran que STS-LSTM tiene una precisión de predicción estable y más alta en comparación con los métodos tradicionales de extracción de características y construcción de modelos, y se ilustran los escenarios de aplicación del algoritmo.