La publicación centralizada de grandes datos de ubicación puede proporcionar información precisa y oportuna para ayudar en la gestión del tráfico y facilitar a las personas la decisión del tiempo de viaje y la ruta, mitigar la congestión del tráfico y reducir el desperdicio innecesario. Sin embargo, la correlación espacio-temporal, la no linealidad, la aleatoriedad y la incertidumbre de los grandes datos de ubicación hacen imposible decidir una instancia óptima de publicación de datos a través de métodos tradicionales. Este artículo propone un método de predicción de intervalo de publicación para la publicación centralizada de grandes datos de ubicación basado en el prometedor paradigma del aprendizaje profundo. Primero, se diseña un método de muestreo ajustado adaptativo para abordar el desafío de encontrar un tiempo de liberación razonable a través de un mecanismo de predicción. Segundo, se introduce la Transformada Wavelet Discreta de Superposición Máxima (MODWT) para la descomposición de series temporales con el fin de separar diferentes características de los grandes datos de ubicación. Finalmente, se seleccionan diferentes modelos de aprendizaje profundo para construir el marco completo de acuerdo a diversas características de dominio temporal. El análisis experimental sugiere que el esquema de predicción propuesto no solo es factible, sino que también mejora la precisión de la predicción en contraste con los mecanismos tradicionales de aprendizaje profundo.