室内空间区域是人类活动最为集中和活跃的地方,也是绝大多数人生产、生活空间。室内空间的布局包含各个功能区的地理空间位置合理划分,从而使得其空间分布特征满足其功能性需求。因此随着社会科技的进步,室内定位技术在我们的日常生活中的应用面越来越广泛,现阶段在人们日常生活、商业服务和公共安全等方面都有着良好的应用前景。但是室内环境常常十分复杂,人们在构造室内空间时所使用的方法和材料都是不一样的,因此受到建筑材料和内部信号干扰装置的影响,我们所接收到的传感器信号无法始终保持一个稳定的状态。因此,如何在室内复杂变化的环境中实现精确的定位是室内定位技术研究领域中的一个重要方向,同样也是目前的热点研究方向。但是在获得较高质量的位置信息后,室内定位这一领域仍然有许多问题值得本文去研究分析。比如室内行人行为模式的分析,这是基于室内场所不断丰富而产生的实际应用需求。本文如何利用室内定位数据使我们获得更深层次、更多元化的信息,挖掘出位置信息背后的规律将具有十分重要的应用价值和理论意义。根据近年来室内定位技术的发展情况,现阶段需要深入研究的三个方向:(1)在实际环境中室内定位数据的精度问题;(2)室内场所中行人行为模式的研究与分析;(3)根据室内场所而满足不同需求的预测模型的应用计算。本文正是从这三个方向着手进行研究,并提出了针对每个问题中的重要部分的优化算法,并将其应用于行人模式的聚类以及行人行为模式的预测等问题中,大量的实验结果验证了本文提出的技术方法的有效性与适用性。本文主要研究内容如下:1)数据预处理和数据模型组织通过将室内定位数据和室内地图坐标转换为一致的坐标轴进行计算,并将原始数据集中不具备有效活动时长和地理位置偏差较大的无实际意义的定位数据进行剔除,在进行数据异常值检查,通过数据统计直方图、Voronoi制图以及半变异函数/协方差云等方法来探测原始数据中的异常值。通过一个有效的检索、管理时间和空间数据相结合的存储模型。针对室内定位数据的特点,分析其数据结构、数据坐标和数据内容,选取定位精度指标、属性完整性、一致性等作为室内定位数据的基本属性标准,并以行人状态特征应包含有特征属性FA(Feature Attribute)、特征关系FR(Feature Relationship)、特征行为FB(Feature Behavior)为室内定位数据建立数据模型。2)室内行人轨迹数据特征提取和误差分析根据获得室内定位数据中存在一种高发频率的定位数据坐标漂移现象,且常常发生在持续时间长且位置变化较小的定位数据集中,因此本文先需要对这类停留点做相关定义。确立停留点后再根据相关定义算法将所获得的距离阈值和时间阈值应用到可信度较高的停留轨迹识别中,漂移现象常发生在停留轨迹中,所以在提取漂移点的过程中存在一些障碍和困难,如定位数据的漂移是否是真实存在的行为,因此通过提取出含有漂移点的所有停留轨迹,将这些轨迹分为三种,将其中一种作为研究数据。并对其标准差和平均值分别进行统计,1)含有漂移点的停留轨迹,2)剔除漂移点的停留轨迹,3)漂移点的质心到剔除漂移点的停留轨迹的质心,再结合AP传感器的分布结构来验证实验结果,从漂移点的角度深入探讨误差造成的因素以及误差分布状态,基于实验结果可以对今后探讨改善误差的合理方案提供有力支持。3)基于室内定位数据的行人行为模式聚类分析根据行人以及室内店铺的各类属性来对行人个体的行为相似性提出一种新的算法,再结合行人与店铺之间的关系来建立权值矩阵,并基于SOM(Self-organizing Maps)算法针对行人轨迹的模式聚类分析,针对SOM算法对于相似性的度量非常敏感,通过改进的相似性算法来对SOM算法的输入数进行优化,从而将弥补本身的缺点,SOM算法的优点可以很好地应用于孤立点问题。通过聚类的结果可以将室内行人轨迹分为六大类,并对每一类的行人轨迹提出一种互动推荐算法,从而增强室内行人之间的互动性。4)基于时间序列轨迹数据的行人行为预测通过LSTM(Long Short-Term Memory)建立的预测模型不仅能够对时序数据进行非线性映射,同时能够在一段时间内所获得的输入信息进行预测,行人在室内的行为模式常常会受到多种外部因素的影响。例如,节假日作为外部影响因素来说对室内行人流量具有明显增幅作用,但是在对具体时间段上的影响程度表现差别很大,通过室内店铺历史人流量数据来预测未来室内流量,在今后的室内场所中根据获得的行人行为模式可以实行针对性应急预案。将室内行人行为轨迹数据运用到CPT(Compact Prediction Tree)算法中去预测行人行为模式,取得的预测结果正确率无法满足实际应用需求,因此通过压缩行人行为轨迹来对数据源进行优化,再通过对CPT模型算法的优化改进。将其预测树结构进行优化并引入停留时长属性作为轨迹预测的重要参考熟悉,进过优化改进的预测树算法在预测结果拥有比同类型的预测模型更精确的预测。为了更加深入研究行人在不同类别的店铺中进行活动后下一个行为目的地与之前浏览的店铺是否存在关系,以及存在强关系的店铺与存在弱关系的店铺之间的差异性。通过获得的预测结果,对行人轨迹序列中的店铺序列进行讨论分析。