近年来,智能设备的发展迅猛。在现有条件下,令智能设备获取用户到准确的房间定位,成为一个研究热门。本文针对室内在多WIFI信号覆盖下,伴随着WIFI设备的位置移动、信号衰减等不稳定因素的现实环境,对手机用户进行准确的室内房间定位。本文选取研究场合为商场,利用手机移动支付的大数据,将用户定位至准确的商店。随着智能手机移动设备的普及,O2O(Online to Offline)消费模式得到了快速的发展。线下商场中精准的广告投放是O2O的一种重要营销手段,但对于线下商店,随机投放会对商场中的多数用户造成无意义的干扰,同时也增加了商家的营销成本。因此,在线下商场里,利用手机用户的信息,实时预测手机用户所在的商店,在广告精准投放中显得尤为重要。由于移动支付普及,在线下商场里,用户利用阿里平台支付时产生的大量手机信息及位置标签,其数据易于采集且数据量大,位置信息准确且不需要人工进行标注,利用大数据及机器学习的方法对其进行挖掘,并对用户在商场里的所在商店进行预测,具备实时性预测条件以及推广条件。由于现实商场环境中,WIFI设备型号众多,信号发射强度与位置各异,手机经纬度信息不准确程度高,因此获取到的手机数据噪声高,在商场里,定位用户所在的商店具有较大困难。利用100多万条真实用户行为数据进行特征提取与分析,本文提出基于贝叶斯算法的XGBoost与随机森林的融合模型,通过对手机用户数据进行训练,预测手机用户在商场中的位置,并以此作为决策依据,以便未来为用户提供精准推荐服务。本文对手机用户信息进行深入挖掘,构建对用户地理信息具有表征作用的特征,提取用户手机所检测到的WIFI信号列表及对应的信号强度、用户发生消费地点、发生消费的时间点,以及商店的经营类别等相关特征。利用多种常用分类算法,如逻辑回归、SVM算法、XGBoost与随机森林算法,对提取出来的用户地理信息相关特征进行训练,并对比各个算法的分类定位预测准确性,其结果为XGBoost算法与随机森林算法利用手机数据对用户在商场中的商店预测准确性优于另外两种算法。为了兼顾XGBoost算法与随机森林算法的优点,本文利用贝叶斯算法对两个模型进行融合,得到预测用户所在商店的模型。最终利用手机信息及该模型,在线下商场里,对用户所在的商店进行预测,准确率达90%,且每次预测仅需时间为0.63ms,其结果达到推广的精度及实时性预测要求。