La predicción de la ubicación ha atraído mucha atención debido a su importante papel en muchos servicios basados en la ubicación. Los métodos de predicción de ubicación existentes tienen una gran pérdida de información de trayectoria y baja precisión en la predicción. Por lo tanto, no son adecuados para la predicción de la ubicación de vehículos en el sistema de transporte inteligente, que necesita una pequeña pérdida de información de trayectoria y alta precisión en la predicción. Para resolver el problema, se propuso un algoritmo de predicción de ubicación de vehículos en este documento, que se basa en un método de transformación de características espaciotemporales y un modelo de red neuronal híbrido de memoria a corto y largo plazo (LSTM). En el algoritmo, se utiliza el método de transformación para convertir una trayectoria de vehículo en una entrada adecuada para el modelo de red neuronal, y luego se predice la ubicación del vehículo en el siguiente momento mediante el modelo de red neuronal. Los resultados experimentales muestran que la información de trayectoria de una trayectoria de taxi original se conserva básicamente mediante su trayectoria de taxi en sombra, y los puntos de trayectoria de la trayectoria de taxi predicha están cerca de los de la trayectoria de taxi en sombra. Esto demuestra que nuestro algoritmo propuesto reduce efectivamente la pérdida de información de la trayectoria del vehículo y mejora la precisión de la predicción de la ubicación del vehículo. Además, los resultados experimentales también muestran que el algoritmo tiene un mayor porcentaje de distancia y una distancia promedio más corta que los otros modelos de predicción. Por lo tanto, nuestro algoritmo propuesto es mejor que los otros modelos de predicción en la precisión de la predicción de la ubicación del vehículo.