随着移动智能设备的普及以及互联网技术的突飞猛进,现代的生活方式也发生了极大的改变。如今,人们可以不受时间地点的限制使用移动设备接入互联网,享受科技进步为我们带来的巨大的物质和精神上的财富。位置服务(Loation Based Service,LBS)是作为时下智能移动终端都必备的基本功能,许多软件的功能实现都依赖于能够准确的定位到目标用户所处的具体位置为前提,比如天气预报、附近旅游景点推荐、汽车导航、美团外卖等软件。因此,如何精准的定位到待测目标的位置,具有极大的商业价值和市场前景。定位服务根据应用场景的不同主要分为室外定位和室内定位。在室外定位领域,因为受周边环境以及其他干扰因素的影响较小,传统的定位技术已经可以满足普通的定位需求。室内环境相对复杂,直接将室外定位相关技术移植到室内定位领域,无法获得令人满意的定位结果。而由于人们工作、娱乐、生活主要集中在室内环境,伴随着近年来Wi-Fi技术的蓬勃发展,围绕Wi-Fi信号进行室内定位也成为近年来许多专家学者研究的热点。目前,线下实体店消费市场受到互联网线上购物的巨大冲击,大型购物商场为了保持竞争力需要充分开发线下消费的独特优势,比如体验式购物,以及个性化定制消费等促销模式。在复杂的商场室内环境中,只有能够精准的获得顾客所在具体位置,后续的附加服务才能顺利进行。本文借助多个商场内一段时间的消费记录以及到店顾客在商场内进行活动的相关信息,针对目前无线室内定位技术的瓶颈,通过数据挖掘手段和机器学习算法,量化顾客在大型商场内所在的具体店铺与商场后台服务器所采集的实时信息的关系,设计了一套室内商铺定位方案,通过将室内商铺定位问题转化为分类问题,并在单个分类模型的基础上提出修正框架,从而提高了室内商铺定位的准确率。本文主要的工作包括:(1)分析传统室内定位所采用的技术,选取室内商铺定位的基准方案。(2)综合考量目前室内定位技术形式单一、只是简单的使用一种定位方法的,没有考虑各种方法的应用场景和互补性的现状,以及无法充分利用顾客和商铺在后台服务器所记录的信息这一情况,并重点针对此问题进行新的商铺定位方法的设计。(3)根据不同数据类型完成原始数据前期的数据清洗和特征构建工作。设计相关实验,采用单个机器学习算法解决室内商铺定位预测,并与传统的k-NN指纹定位方法作比较。(4)从算法层面上入手,在完成单个分类模型训练的基础上,提出针对多分类模型的k-NN修正框架和针对二分类模型的Stacking融合过程,进一步提升室内商铺定位的准确性。