首先简单描述一下Apriori算法：Apriori算法分为频繁项集的产生和规则的产生。
Apriori算法频繁项集的产生：
令ck为候选k-项集的集合，而Fk为频繁k-项集的集合.
1.首先通过单遍扫描数据集，确定每个项的支持度。一旦完成这一步，就可以得到所有频繁1-项集的集合F1
2.接下来，该算法将使用上一次迭代的发现的频繁（k-1）-项集，产生新的候选k-项集。候选的产生使用apriori-gen函数实现。
3.为了对候选项的支持度的计算，需要再扫描一遍数据集。使用子集函数确定包含在每一个事务t中的ck中的所有候选k-项集。
4.候选项的支持度计数后，算法将删除支持度计数小于minsup的所有候选项集
5.在没有新的频繁项集产生的时候，即Fk为空时，算法结束。
目前，针对行程时间最短的动态路径导航算法已是很多，可以把他们大致分为三类。
第一类是根据路段的不同时间段，提出基于分时段的路径导航算法。该类算法在路网更新后，以车辆当前所在的路段的下游结点为起点，重新进行规划。但其所分时段由于跨越时间太长，当发生交通事故、交通阻塞是不能及时在导航算法中的到体现，从而使得到的导航路径缺乏实时性。
第二类是实时路径导航，就是将实时的交通数据反馈回来然后进行路径的选择。这类导航算法由于具有随意性，所有很难选择整体的最优路径，相反，还可能花费更长的时间。
第三类将路网看成时间的依赖网络，利用SPTDN算法采用多步预测数据进行路径导航。但是，目前多步预测导航由于步数有限，且预测的步数越多，精度越低。
在这里，基于hadoop中MapReduce的Apriori算法的改进
Mapreduce技术结合HDFS的存储情况，在Map阶段将实验交通数据样本划分成n个数据模块分布在hadoop节点上，每个节点扫描各自节点上的数据块，产生自己的频繁项集。在Reduce阶段将所有的局部频繁项集合起来，产生全局候选频繁k-项集。将每个候选频繁项集的置信度、支持度与定义的两项进行对比，筛选出有效的候选频繁项集，并排序输出，产生关联规则。
在交通车流量分析中，与之相关联的数据为点位编号、经过时间、行驶方向；在车辆超速分析中，与之相关的数据信息为点位编号、行驶方向、车辆速度。通过多车流量分析，来分析某个车道的拥挤情况；对超速数据分析，确定某车道车辆超速情况。
