互联网时代的来临,使得网上购物方式流行开来,给室内购物中心、机场购物区、火车站购物区等线下实体经济产业带来了巨大的冲击,因此线下实体产业如何获得室内用户的行为习惯信息,提高自身的个性化服务,更好地完善室内位置服务,进而提高自身竞争力是亟待解决的问题。随着移动终端的不断发展和普及,以及室内空间定位技术的不断进步,室内移动用户的轨迹数据呈现爆发式的增长。室内移动用户的轨迹数据完整记录了用户在室内空间的移动过程,用户的行为方式和习惯也隐藏在轨迹数据中。关联规则对室内移动用户轨迹数据进行挖掘,探测其中隐藏的室内POI的关联模式,获取用户的行为习惯,服务于室内位置应用,帮助线下实体经济产业更好地发展。因此本文依托于科技部国家重点研发计划“室内混合智能定位与室内GIS技术”(项目编号:2016YFB0502104),以室内移动用户轨迹数据为支撑,研究室内POI关联规则挖掘方法,所做工作如下:第一,分析室内移动对象原始轨迹数据存在的问题,并对数据中存在的楼层、时间、空间等异常点进行清洗。第二,提出一种室内移动对象轨迹语义化方法。首先针对室内轨迹数据具有时间顺序和多楼层的时空特征提出了一种室内时空凝聚层次聚类算法Indoor-AGNES(Indoor AGglomerative NESting)以识别室内用户停留点,然后分析室内空间的特点将室内空间重新划分,以更好地标注停留点语义信息,将室内轨迹数据转化为用户语义轨迹。第三,在挖掘语义轨迹中室内POI关联规则的过程里,定义了一种反映室内环境下关联规则中的空间实体集合之间的关联强度的新指标—关联度,该指标计算过程中加入了网络嵌入算法node2vec,能够综合考虑室内空间实体之间的空间和语义等潜在的关联信息,更好地衡量POI之间的关联强度。在此基础之上,提出一种新的室内关联规则挖掘算法R-FP-growth(Relation Frequent Pattern Growth),使得挖掘结果的质量和在室内的应用价值得到了很大地提升。第四,本文采用某商场真实的Wi-Fi定位轨迹数据进行实验,从量化和非量化两个角度的指标对算法进行验证。基于量化指标实验结果表明,基于余弦相似性关联度计算效果最优,准确率达到87%,且较传统算法FP-Growth提高了 19%;基于非量化指标实验结果分析表明,关联规则挖掘结果比较符合实际情况。