Con el desarrollo de las redes de transporte, se acumulan innumerables datos de trayectorias, y comprender la movilidad humana a partir de datos de tráfico podría ser útil para las ciudades inteligentes, la informática urbana y la planificación urbana. Extraer ideas valiosas de los datos de tráfico, como las trayectorias de taxis, puede mejorar significativamente la vida diaria de los residentes. Hay muchos estudios sobre la minería de datos espacio-temporales. Como sabemos, la predicción de llegadas o la detección de funciones regionales abarca tareas importantes para la gestión del tráfico y la planificación urbana. Sin embargo, los datos de trayectorias suelen estar mutilados debido a la privacidad personal y las limitaciones de hardware, es decir, generalmente solo podemos obtener información parcial de la trayectoria. En este artículo, desarrollamos un método de incrustación para predecir la próxima llegada utilizando la información de trayectoria de pares de origen-destino (O-D) y datos de puntos de interés (POI). Además, la información de incrustación contiene características latentes de la región; por lo tanto, también detectamos la función regional en este artículo. Finalmente, realizamos un estudio experimental exhaustivo en un conjunto de datos de trayectorias del mundo real. Los resultados experimentales demuestran el beneficio de predecir llegadas, y los vectores de incrustación pueden detectar la función regional en una ciudad.