随着WIFI定位技术的快速发展与普及,使得AP日志中记录了大量的位置、轨迹数据,这些轨迹信息背后隐藏着丰富的用户运动特点与规律。本文旨在找到有效的方法从海量的AP日志中挖掘出用户的移动轨迹模式,通过相应的算法分析用户轨迹模式的变化,并将其应用到用户位置预测当中。首先,本文对已有的基于自适应滑动时间窗与改进的PrefixSpan相结合的序列模式挖掘算法进行分析,针对其不足进行改进,设计了基于自适应滑动窗口的增量式序列模式挖掘算法对时间窗内的轨迹模式进行提取,即在增加新的序列模式或者对序列的支持度做调整时,只需动态的调整当前的序列模式。通过实验对比发现,该算法提高了序列模式挖掘的效率。其次,本文对轨迹模式变化分析算法进行了深入研究,该算法定义了一套可以精确量化轨迹模式变化的指标,并通过贝叶斯分析找到轨迹模式的变化时间点。用收集到的AP日志数据对该算法进行仿真分析,结果表明该算法的量化方法真实地反应了用户轨迹模式的变化,并且有效地检测出轨迹模式变化时间点。另外,本文还研究了外界事件对用户轨迹模式变化的影响,结果显示群体轨迹模式的变化与外界群体事件比如节假日等有着密切的联系。最后,本文将轨迹模式变化分析算法应用到用户位置预测中,设计了基于模式变化和相似模式的子轨迹综合位置预测算法。实验对比发现,基于模式变化的子轨迹综合位置预测能及时发现轨迹模式变化,并采用上一个模式变化点至今的历史轨迹作为训练数据集,提高了算法的效率与准确率;基于相似模式的子轨迹综合位置预测加入相似用户进行辅助预测,提高了算法的准确率。