随着经济发展,人民生活水平不断提高,智慧城市建设在各地逐渐加大建设力度,是新基建建设的重点内容之一。其中,对车辆的管控是智慧城市建设的首要内容。一方面需要对城市车辆目标进行全面检测和识别,另一方面也要对特定车辆的轨迹进行分析刻画,以便能够掌握重要车辆的相关信息,例如查找伴随车辆,分析车辆落脚点,进行车辆轨迹预测等。这些信息将会给交通管理等相关部门提供巨大的辅助作用,对智慧城市的建设提供强大的数据支撑。但是随着城市车辆的大量增加,对车辆信息进行分析,管理,挖掘的难度也越来越大。为了更好的服务社会,相关部门迫切需要新的方式方法来高效的分析和利用这些数据。因此,通过关联规则算法完成对车辆轨迹的分析有着重要的应用意义。本文首先介绍了智慧城市的基本发展情况,车辆轨迹的种类,以及关联规则的产生和发展。重点分析了关联规则中的Apriori算法,并对其和其改进算法的优缺点做出总结。针对车辆轨迹分析方面的不足之处,做出了如下改进:1.针对经典Apriori算法的性能瓶颈问题,提出优化的T-Apriori算法,使其能够适合进行车辆轨迹分析。该算法采用布尔值矩阵的形式对数据进行关联,仅仅需要对数据库进行一次扫描,就可以得到频繁项集,极大的降低I/O资源浪费。并且在运算过程中,充分利用关联规则的性质进行剪枝,从而数据了压缩,提高了运算效率。2.运用T-Apriori算法对车辆进行关联分析,通过设定阂值,寻找满足阈值的频繁项集组来判定伴随车辆。该方法可以在大规模数据集中挖掘出伴随车辆组,解决了传统方法在伴随车辆挖掘过程中性能不足的缺陷。不仅充分利用了资源,而且获得更加丰富的信息,极大提高了效率。3.按照车辆在某一区域内出现频率的高低,将车辆落脚点预测分成高频车辆和低频车辆两个部分。利用T-Apriori关联规则的方法,将车牌号码和对应的历史落脚点进行关联,分析预测车辆可能的落脚点。并且在此基础上,结合路网实际情况,完成车辆的轨迹预测。实验结果证明,该方法可以较准确的完成车辆实时落脚点预测,并且相对精确的预测车辆的轨迹,具有一定的实用性。