随着时代的进步,信息储存的规模与日俱增。这样,对积累的海量旅客旅行数据进行挖掘和分析,以期发现旅客旅行的某些行为习惯成为可能。而在数据挖掘领域,对旅行数据进行频繁模式挖掘,正好能发现隐藏在数据之下的旅客旅行行为规律。由于最大频繁项集具有的良好特性,本文着重在海量旅客旅行数据中进行最大频繁项集发现算法研究和实现。论文的主要工作如下：首先,本文对各种经典频繁模式发现算法诸如Apriori, FP-growth, FPmax*等进行了相关论述,举例说明了算法的实现过程,研究了算法的流程,并讨论了算法的优越性和局限性。然后,本文分析了海量客运数据集的一些特点,发现海量旅行数据具有高度稀疏,项的基数巨大,较短项集较短模式,需要挖掘支持度计数很低时的频繁模式等特点。针对其具有的特点,本文开展了一些创新性的工作如下：第一,提出了一种适合于对旅客旅行记录进行频繁项集挖掘的复合项集结构,复合结构中各成员具有各自不同的粒度,等级和逻辑概念,但物理实现上同构。还提出了一种便于在社区层次上发现旅客群频繁模式的频繁模式定义。第二,重点介绍了基于事务的数据划分策略TDP,提出和实现了基于事务数据划分的频繁模式发现算法TDPFP,从理论上证明了TDPFP算法具有的一些良好性质：即应用TDPFP进行数据划分,各子数据集的子结果集只需在直接合并后做少量的冗余检测,无需做大量的超集和子集检测比对工作。从对海量旅行数据进行的试验和分析可以看出,TDPFP具有比较好的时空特性。最后,对TDPFP算法进行了改进,提出和实现了基于TDPFP的频繁模式发现增量更新算法TDPIU,对增量海量旅行数据进行的试验和分析表明,TDPIU能够以较高的效率解决对数据集的增量挖掘问题。