Con la creciente popularidad de los servicios de Internet de vehículos con conciencia de la ubicación, la recomendación del siguiente Punto de Interés (POI) ha ganado un interés significativo en la investigación, prediciendo a dónde irán los conductores a continuación a partir de sus movimientos secuenciales. Muchos investigadores se han centrado en este problema y han propuesto soluciones. Los métodos basados en aprendizaje automático (factorización de matrices, cadena de Markov y factorización de cadena de Markov personalizada) se centran en una transición secuencial de POI. Sin embargo, no recomiendan la posición del usuario para las próximas horas. Los métodos basados en redes neuronales pueden modelar el comportamiento de movilidad del usuario aprendiendo las representaciones de los datos de secuencia en el espacio de alta dimensión. Sin embargo, solo consideran la influencia de la dimensión espacio-temporal y ignoran muchas influencias importantes, como el tiempo de duración en un POI (Punto de Interés) y las etiquetas semánticas de los POIs. En este documento, proponemos un método novedoso llamado redes neuronales recurrentes espaciales-temporales multidimensionales (MST-RNN), que extiende el ST-RNN y explota la dimensión de tiempo de duración y la dimensión de etiqueta semántica de los POIs en cada capa de redes neuronales. Los experimentos con datos reales de movimiento de vehículos muestran que el MST-RNN propuesto es efectivo y claramente supera a los métodos de vanguardia.