近年来,对轨迹数据的挖掘和知识发现已逐渐成为研究和关注的热点问题,并广泛应用于智能交通、个性化推荐服务等领域中。越来越多的研究者认识到,研究车辆运动规律具有重要意义,通过挖掘车辆的历史轨迹模式,可分析过去时间段内车辆的运动规律和行为模式,也可依此预测车辆未来的行驶轨迹,从而为驾驶者推荐和提供更有价值和更准确的个性化服务。因此,挖掘车辆的轨迹模式具有非常实际的价值和应用意义。频繁模式挖掘是数据挖掘领域的重要算法。频繁模式挖掘在事务数据库、时间序列数据库和其他类型数据库的挖掘研究中都得到了广泛的应用。然而,传统的Frequent-pattern Growth算法(简称FP-Growth算法)在处理大规模数据时,无论是存储上还是计算上都会遇到瓶颈,针对FP-Growth算法在处理大规模数据方面的不足,利用Hadoop在并行计算中工作调度、分布式存储、容错处理机制及高扩展性等优点,本文对FP-Growth算法进行了并行化改进,使用Hadoop分布式平台来实现并行化的FP-Growth 算法。本文主要完成了以下三个工作,首先,针对经典FP-Growth算法重复扫描数据库和生成大量的条件模式基及条件模式树,提出了支持度计数表和剪枝策略,改善经典算法重复读取数据库的时间消耗,减少对大量非频繁项的遍历,从而提高串行算法效率;其次,针对FP-Growth算法在处理大规模数据方面的局限性进行了并行化改进,利用Map-Reduce编程模型扩展了算法计算能力,解决了算法占用内存高的瓶颈问题;最后,将并行MR-FPG算法应用于挖掘海量轨迹中蕴含的频繁模式。实验结果证明,改进后的并行算法效率优于经典算法。