人类的移动行为如同分子运动，看似乱而无序，实则存在着潜在的模式。发现和揭示这种潜在的移动行为模式，需要海量的个体移动位置数据。近些年来，以移动电话为代表的移动便携设备发展迅速，结合无线传感器和移动定位技术，使得获取长时间序列?海量高精度的个体移动轨迹成为可能。这些技术发展带来的变革在为人类活动规律特征的研究提供了数据上的支撑的同时，也给当前的数据处理，模型建立和分析方法带来了一系列的挑战。
　　本研究基于同济大学校园WiFi(WirelessFidelity)登陆信息数据，以在校师生的活动特征为研究对象，分析在校师生的活动规律。通过对活动用户的时间分布进行快速傅里叶分析，发现用户存在明显的活动周期，其中最主要的活动周期为23.8h，接近于一日24h，次要活动周期为159h，接近于一周168h。研究分别采用基于AP点和基于AP点类型两种方法，利用T-pattern对时空序列标注进行合并，并根据T-pattern累计分布频率来确定模型所需要的最佳T-pattern个数，从而用于对活动模式进行提取。
　　研究使用随机熵，访问量相关熵，时序相关熵三种移动行为的熵模型来计算用户的信息熵，通过熵的大小来对活动用户的位置最大可预测程度进行估计和对活动用户进行群体分类。通过使用条件语境模型对移动行为进行位置预测，在比较了不同的模型输入信息的情况下，发现活动地点的选择与当前时刻的关系非常密切。
　　本文研究了基于WiFi的校园师生活动规律，并对个体活动模式的提取与分析的算法进行详细的讨论，同时本文重点比较不同模型输入信息对条件语境模型的预测精度的影响，对移动位置预测模型的应用具有一定的实践价值。