随着传感器技术和定位技术的发展,位置服务在人们的生活中占据着越来越重要的地位。室内商场、机场、车站等长时间聚集着大量人群,这使得室内位置数据具有较大的规模和可挖掘性。在室内区域,行人路径的预先规划和相应信息的提前推送具有较大实用价值。现有的室内导航和疏散预警仅仅依靠实时的定位数据,从而只能在时间或者距离上达到最优,而无法提前进行更好的规划。本文结合室内定位、数据挖掘和处理技术,对室内的位置数据进行建模研究,提出了用于个体位置预测的算法模型,并进一步分析了区域群体的特征,提出了群体流动预测的相关算法。本文研究的数据模型和预测分析为室内导航路径优化提供了新的参考价值,为人流疏散预警提供了先知依据,具有重要的现实意义。本论文完成了以下几方面的工作:1.位置数据相关技术的原理研究。首先介绍了位置数据的来源要求,包括数据精度、集合类型和大小等,然后分析位置数据处理方法,包括位置数据预处理和管理方法,最后介绍了室内位置预测和流动预测模型。2.基于时空特征关联的个体位置预测算法。传统的位置预测方法一般用于室外位置预测,缺乏对室内个体连续运动的状态分析,而马尔可夫等模型,则缺乏关联个体位置数据的分析。本文提出了一种基于时空特征关联的个体位置预测算法,通过以用户为中心的圆域模型将用户的实时运动特征和关联用户特征融合作用于目标用户的位置预测。实验表明,该算法的预测准确率相比关联算法和转移算法提高了 15.8%和 65.2%。3.基于室内区域特征的群体位置预测算法。传统室内区域群体流动和分布一般统计人群数量和密度,而本文提出了区域特征模型,通过神经网络训练,提前预测未来时刻的人群分布。根据实验分析,本文提取的区域特征具有较好的代表和适用性,预测误差比一般特征小50%以上。4.在室内定位数据接入平台的基础上,设计了位置数据平台,包括数据处理、数据存储和预测分析等模块。同时设计了非关系型数据库作为模块之间的高性能缓存,分析了位置数据在该平台各模块之间的处理逻辑和接入方式,为位置数据模型的研究提供了功能和性能保障。通过论文的数据处理和预测算法研究,在位置数据平台上实现了室内区域60s内的行人移动位置预测,以及10分钟内的区域群体分布预测,预测准确性优于其他相关算法,具有重要的理论和实践价值。