针对现有的固定端传感器土壤墒情监测预测系统架设成本高、传感器易损坏、预测精度较低等问题，设计并实现了基于非固定无线传感器组网与改进灰狼算法优化神经网络的土壤墒情监测预测系统。系统使用非固定即插即用式传感器蓝牙组网收集墒情数据，使用高精度多源定位接入融合方法进行广域室外高精度定位。在算法方面，针对灰狼算法在迭代中后期易陷入局部最优等问题，提出一种基于末尾探索者策略的改进灰狼算法。首先，根据种群个体适应度值排名，在原有算法个体类型中增加探索者类型。然后，将种群搜索分为三个时期：活跃探索期、周期探索期和种群回归期。最后，在每个时期使用特有的位置更新策略进行探索者位置调整，使得算法在探索初期更具随机性，在探索中后期依然保持一定的解空间搜索能力，从而增强算法的局部最优回避能力。使用标准函数进行算法性能测试，并将该算法应用于优化土壤墒情神经网络预测模型问题，使用某市2号试验田的数据进行实验。实验结果表明，所提算法与直接神经网络预测模型相比，相对误差下降约4个百分点；与传统灰狼算法、粒子群优化（PSO）算法优化模型比较，相对误差下降约1至2个百分点。所提算法拥有更小的误差，更好的局部最优回避能力，能有效提高墒情的预测质量。

随着室内定位技术的发展,室内位置数据和用户消费行为数据的大量产生为室内位置大数据(LBD)研究和应用提供了可能。基于高精度室内位置感知,突破了室内定位位置数据不准确的瓶颈。通过对室内位置数据聚类、降维等预处理,建立挖掘模型分析并提取了室内商圈区域的聚散和流动等特性,进一步通过特征关联预测用户的消费等行为,提出了室内位置大数据协同挖掘的方法和架构。在某机场商圈、西单某商场亿级用户位置数据集上进行了有效性实验和应用,通过实测数据对比验证了基于此架构室内定位数据的精准性和挖掘方法的可行性。