聚类是数据挖掘领域中重要的技术之一,用于发现数据对象中未知的分类。聚类算法不仅可以作为发现数据库中数据分布的深层次信息的工具,还可以将其作为数据挖掘中的一个预处理步骤。聚类分析是要达到这样一种目的,将数据对象划分成不同的簇,使得同一个簇中的数据对象具有较高的相似度,不同簇中的数据对象的相似度较低。行车热点是车辆行驶频繁的地带,它可以反映出用户的行车规律,本文主要利用了聚类分析技术来解决行车热点问题。本文首先对基于划分的K-Means聚类算法进行了分析研究,K-Means算法的优点是简单易行,时间复杂度为O(n),并且适用于处理大规模数据集。其次就是本文的重点工作,针对K-Means聚类算法的聚类个数k值的确定、初始聚类中心的选取及对孤立点敏感这三方面缺点进行了改进,提出了改进的算法KMSDR。算法的目标是在确保发现聚类中心的同时使同一类内的相似度大而不同类内的相似度小。算法采用改进的最大最小距离法选取新的聚类中心,并且根据距离阈值判断所选中心是否孤立；其次给出Dis(S,k)距离函数,并应用此聚类函数确定最佳聚类个数；用类中数据对象代替均值中心的方法降低孤立点对类中心点的影响。并且通过三组数据来对改进的算法进行仿真实验,证明KMSDR算法在聚类质量及时间效率方面得到了改进。最后将改进的KMSDR算法运用到行车数据分析系统的行车热点问题中,并针对得到的行车热点完成页面的展示,而且在行车热点基础上实现了周边检索及测距的功能。经过实验验证,改进算法能够较准确的找到行车热点,并且在时间性能上得到了提高,算法的稳定性也强。行车热点功能不仅可以反映出车辆的活动规律以便用户了解自己的驾驶习惯,也为用户的出行提供方便。