基于位置的服务(Location Based Service, LBS)是移动互联网服务中很重要的一部分,有着巨大的市场规模和良好的利益前景,同时也存在很大的提升空间。手机服务提供商和手机设备生产商都在致力于利用设备的地理位置信息为用户提供更好的个性化体验。在这样的服务中,如果手机设备能预测一个手机用户在当前位置停留的时间长度,那么他的用户体验将会得到显著的提高。本文基于上述背景,尝试建立手机上下文信息和手机用户停留时间的关系模型,并对手机用户的停留时间进行预测。具体地,本文通过以下四个步骤进行研究。第一步,在手机设备上部署手机信息收集软件,对用户的手机上下文数据进行收集。本文的实验中收集了20个手机用户的上下文数据,包括时间信息、地点信息、手机状态信息和用户的行为信息等。第二步,对收集的手机上下文数据进行训练。本文研究了两个策略来建立上下文信息和手机用户停留时间的关系模型,即停留状态预测策略(Stay Status Prediction,SSP)和停留时间预测策略(Stay Time Prediction, STP)。针对SSP策略,使用了决策树和支持向量机两种机器学习方法；针对STP策略,使用了多元线性回归和主成分回归两种方法。第三步,将上述两个策略训练生成的模型部署到手机上,进行为期一个星期的预测,并从三个方面对实验结果进行了详细的比较分析。在停留状态预测中,引入了两个基础方法作为对比,并将STP策略的预测结果转化为SSP的形式,加上SSP的两个方法共六个方法进行比较分析；在停留时间预测中,主要是对多元线性回归方法和一个简单统计方法进行了对比分析；最后对四种方法的能源和内存消耗进行了对比分析。第四步,针对冷启动问题提出了两个初步解决方案。方案一为建立用户、地点与停留时间的二维映射表,方案二为对所有的用户进行聚类分析。本文对停留时间预测的研究是对地理位置预测研究的补充延伸,同时对基于本地的服务也有着广泛重要的意义,能使相关的服务更加的精确、优秀。