随着城市的快速发展,商场、会展中心、机场等大型建筑不断涌现。人们的日常活动越来越多的在室内空间完成。而智能手机及室内WiFi的普及,也使用户室内位置信息的获取变得更为容易。本文围绕基于WiFi的室内定位系统为背景,系统的研究了室内时空客流获取与预测过程中的相关方法及技术,引入机器学习和深度学习方法构建模型,从而使室内时空客流的统计和预测更具实用性和准确性。首先,本文描述了通过WiFi基础设施获取室内时空客流的相关研究进展,总结实际应用过程中存在的某些问题:使用原始WiFi信号强度进行定位前时不能高效的识别室内和室外物体。针对这一情况,本文提出了一种基于机器学习的算法用于清洗室外数据噪声。在训练数据的构建上,我们采用众包的思想自动化采集数据。在搭建的实验平台上,我们的方法获得了 98%的准确率,相比传统的室内室外检测算法,我们的方法更简单,具有一定的研究意义。此外,传统的客流预测往往通过时间序列的相关方法预测室外环境的宏观客流。预测的出发点是未来的客流分布与历史的客流分布存在相当的关联。然而对于室内客流而言,这种关联不仅体现在相同区域的历史关联,也体现在不同区域的历史关联。基于此本文提出了一种基于卷积神经网络和长短时神经网络的预测模型,将多个区域的客流时空序列作为模型输入,预测室内未来客流的时空分布。基于此方法,我们在国内某大型机场候机楼的室内时空客流数据上进行了测试,结果显示我们短期预测的均方误差在5个单位左右,相对于传统时间序列的回归方法,我们的方法准确度更高,鲁棒性更好。