1.一种低消耗的Apriori方法，用于对智能移动终端的移动轨迹的关联移动规则进行挖掘，其特征在于：包括如下步骤：步骤一、使用迭代方法挖掘智能移动终端的移动轨迹数据集中所有频繁项集，并记录每个频繁项集的日期，计算每个频繁项集的支持度；

步骤二、利用步骤一得出的频繁项集，生成移动节点所有可能的关联移动规则，并计算每条移动规则的置信度，记录移动节点每条关联移动规则的日期以及计算每条关联移动规则日期的远近变动因子；同时，根据记录的日期和计算的日期远近变动因子，计算每条关联移动规则的日期加权值TWeight(R)，从而得到强关联性移动规则；其中，每条关联移动规则日期对应的远变动因子m和近变动因子n计算公式如下：每条关联移动规则的日期加权值TWeight(R)计算公式如下：

其中，RuleDate、MaxDate以及MinData分别表示移动规则的日期、移动轨迹数据集中最近的记录日期与最远的记录日期；m为移动轨迹数据集中的最近记录日期MaxDate的变动因子，即近变动因子；n为移动轨迹数据集中的最远记录日期MinData的变动因子，即远变动因子；K为该移动规则日期RuleDate所在月的总天数，RuleDatek表示该月中第k天的日期值；

步骤三、根据移动节点当前轨迹及步骤二生成的关联移动规则，预测移动节点下一个移动轨迹：

假定当前移动节点的移动轨迹为T：(cn，tn)→(cm，tm)，遍历所有关联移动规则，如果关联移动规则R包含移动轨迹T则说明关联移动规则R是匹配的移动规则，然后根据下式计算关联移动规则R的匹配度，匹配度越高则越有可能是移动节点下一个移动轨迹：Score(R)＝Confidence(R)+TWeight(R)

其中，Score(R)为关联移动规则R的匹配度，Confidence(R)为关联移动规则R的置信度，TWeight(R)为关联移动规则R的日期加权值；

在步骤一中，将智能移动终端的移动轨迹的时间属性与空间属性一同作为挖掘对象数据，用事务数据库D表示智能移动终端的移动轨迹数据集，每条事务条目用移动轨迹记录表示，每条移动轨迹记录则用多个轨迹数据组成，轨迹数据用p1，p2，…pn-2，pn-1，pn表示，其中pn＝{(cn，tn)|cn∈C，tn∈T}，代表移动节点在时间点tn接入了路由器cn，集合C代表移动节点日常经过的所有接入路由器，T代表每天划分的X个时间段集合，X＝12或24或

48或72；并引入记录ID号来标识每一条智能移动终端的移动轨迹；所述步骤一具体由如下方式实现：(1)、首先遍历整个事务数据库D获得1-候选项集C1，然后计算1-候选项集C1中每个候选项的支持度，同时标识出包含该候选项的所有记录ID号，最后删除1-候选项集C1中支持度小于最小支持度阈值的候选项，就得到了1-频繁项集L1；

(2)、利用1-频繁项集L1进行内连接运算计算出2-候选项集C2，计算2-候选项集C2中每个候选项的支持度是通过将2-候选项集C2中每个2-候选项拆分成若干个单独的1-频繁项；

(3)、找出所有(2)拆分出的1-频繁项中支持度最小的1-频繁项，同时找出所有包含该1-频繁项的记录ID号；

(4)、遍历(3)中得到的记录ID号的移动轨迹记录来计算每条候选频繁项的支持度，最后删除2-候选项集C2中支持度小于最小支持度阈值的候选项就得到了2-频繁项集L2；

(5)、3-频繁项集L3的获取同样是需要将3-频繁项拆分成若干个单独的1-频繁项，其余计算过程和2-频繁项集L2相同，依次类推，算出k-频繁项集Lk，直到无法再生成频繁项为止。