Con la prevalencia de los teléfonos inteligentes y la maduración de las técnicas de posicionamiento en interiores, predecir el movimiento de un gran número de clientes en entornos interiores se ha convertido en una línea de investigación prometedora y desafiante en los últimos años. Mientras que la mayoría de los enfoques de predicción actuales que aprovechan métodos matemáticos funcionan bien en entornos exteriores, muestran un rendimiento deficiente en entornos interiores. Para resolver este problema, en este estudio se propone un enfoque de predicción basado en similitud secuencial que combina los contextos espacial y semántico en un marco unificado. Primero presentamos un algoritmo revisado de la Longest Common Sub-Sequence (LCSS) para calcular la similitud espacial de las trayectorias interiores, y luego se propone un nuevo algoritmo que considera el R-tree semántico interior para calcular las similitudes semánticas; después de esto, se considera un algoritmo unificado para agrupar las trayectorias, y luego las trayectorias agrupadas se utilizan para entrenar los modelos de predicción. Se llevaron a cabo extensivas evaluaciones de rendimiento en un conjunto de datos del mundo real recopilado de un gran centro comercial para validar el rendimiento de nuestro método propuesto. Los resultados muestran que nuestro enfoque supera notablemente a los métodos de referencia y puede ser utilizado en escenarios del mundo real.