室内移动对象的动线表示的是人在室内外移动的点连接起来所形成的流线,通常用一段时间范围内某移动对象的室内空间位置变化来表示。本世纪以来,随着航天技术、传感技术和信息网络技术的发展使得定位技术逐步成熟。目前,在室外空间形成了以卫星定位为主的导航技术,如:GPS、北斗导航等;在室内空间则主要依靠传感器和网络技术,如RFID、Wi-Fi和蓝牙技术等。近年,随着室内定位技术的发展,室内交通客流轨迹不再是黑箱研究,能够使人们从室内移动对象轨迹数据中分析和挖掘出满足各类商业活动组织者及管理者的需求信息,如移动对象轨迹预测、室内空间布局优化以及室内交通流拥堵缓解等。但目前交通研究领域的主要关注点仍以室外交通载具的轨迹研究为主,室内的移动对象轨迹分析还处于起步阶段,存在许多科学问题和技术瓶颈亟待解决。因此,本文以室内移动对象为主体,研究其运动轨迹数据,并进行分析建模研究。首先,本文在真实的室内商业环境部属了RFID传感定位设备,收集了大量且详细的移动对象在室内的移动轨迹数据。然后,将移动对象的轨迹信息与其实际商业活动信息相结合,提出带注意力机制的深度学习方法对实验对象进行建模,挖掘移动对象在室内活动的特征,并对结果进行可视化展示和分析。发现移动对象室内活动特征,辅助经济活动决策。本文的主要工作和贡献可总结为以下两点:（1）在一个真实的室内环境中部属了RFID定位设备,收集了详细的室内移动对象动线轨迹数据信息。首先,根据真实的室内环境和收集到的移动轨迹信息,将室内移动对象和其经过的位置进行关联,以时间为序进行连接获得移动对象的动线轨迹信息。其次,为了体现动线轨迹中不能体现的行为信息,将移动对象的轨迹信息和其在室内环境中的商业活动进行关联。如,某对象在某一区域折返多次并停留浏览了某类物品。最后,利用动线轨迹信息和与其关联的活动信息对移动对象进行多标签分类,以挖掘移动对象在动线轨迹活动的特征,并对其结果进行可视化和分析。（2）提出了一种基于序列到序列的多标签分类模型。首先,给出了轨迹数据预处理方法,设计移动对象动线轨迹的特征提取方案获取轨迹特征信息,并从轨迹数据中提取停留时间、往返次数等行为特征。根据某段时间内在室内空间的活动次数,依时间先后构造序列输入变量数据集,并通过序列模型进行多标签分类,该模型在编码和解码中使用了注意力机制来追踪时序输入信息进行全局信息交互,并利用IC-MLP模块传递局部细粒度信息。最后,实验结果与经典的多标签分类模型进行比较,验证了该方法的有效性。