随着经济的发展,城市道路建设也日渐完善。然而城市化进程的飞快加速,使得道路建设的速度仍赶不上人民对交通的需求的增长速度,而道路交通作为国民经济的基础设施,对国家的经济发展起着重要作用,因此,城市道路交通的协调与优化变得十分重要。优化出行路线是缓解交通压力的有效手段,也是当前世界各国的研究热点。传统的路径推荐方法通常从路径距离或行程耗时等方面考虑,将路网转化为图,根据深度优先搜索或广度优先搜索对路径进行穷举,计算得出符合要求的最优路径。然而由于它需要对路径进行穷举,因此在路网庞大的情况下往往成为困难问题,无法满足计算效率上的需求。并且,在有海量GPS历史数据做为支撑的情况下,可以结合数据挖掘对路径进行推荐。因此,本文结合海量GPS历史轨迹数据,从路径使用频率的角度出发,引入频繁模式挖掘,对两点间的路径进行推荐。在数据预处理阶段,本文首先针对所使用的开源GPS数据的特点,提出了有效的数据清洗方法,对缺陷数据、定位点信息遗漏以及采样稀疏的轨迹数据进行识别与过滤,同时对轨迹中的漂移数据进行了平滑处理,从而保证了轨迹数据信息的完整与丰富。其次,本文从轨迹形态出发,通过计算轨迹的方向角对路网路口进行识别与提取。在此过程中,对GPS轨迹数据进行停滞点处理,减少了信息冗余及算法迭代次数,同时,通过距离判断机制对拐点聚类进行了简化。经实验分析,该路口提取方法在海量数据下有较高的精确度与计算速率。在路径推荐阶段,本文引入PrefixSpan算法,并在此基础上改进为适应路径的频繁模式挖掘算法Path-PrefixSpan,从而构建出包含所有起点-终点的候选频繁路径集;并针对候选频繁路径集的特点提出了一种高效的索引结构,实现了任意起点-终点下候选频繁路径的快速查询;同时,提出了一种频繁度指标,根据此指标结合候选频繁路径集可对起点-终点之间的频繁路径进行推荐,解决了现有频繁路径推荐算法存在的推荐路径具有不频繁使用路段、路口转向率较低和路径完整使用率较低的问题。最后通过对算法进行仿真实现及对比分析,证明了本文提出的算法的可行性与高效性。