在大数据时代,广泛应用于各个领域的数据挖掘技术不断更迭,越来越多的企业致力于细分用户、深挖需求,力求最大化数据的商业价值。从过去几年的造车浪潮中不难看出,头部的造车新势力普遍采用了打造爆款、抢占市场的战略,对传统车企的营销环境产生了强力的冲击。新兴车企的发展势头强劲,究其原因,固然是借助了国家推行汽车智能网联化、汽车能源清洁化的时代东风;但更为重要的是,造车新势力对于现有及潜在用户数据的有效运用也是其出奇制胜的关键所在。针对不同出行需求,充分满足目标受众,这样精心打造而成的爆款产品可谓锋芒毕露,精准吸引了数量可观的用户群体。由此可见,对目标用户群体的驾驶习惯进行有效而准确地区分,从而挖掘出汽车用户的潜在需求,进而从合适的角度出发,为他们提供恰当的服务,这些深度关联用户体验的问题环环相扣,让汽车用户的驾驶习惯成为了业内重点研究的课题,对于汽车用户信息的挖掘和分析也就显得尤为重要。然而,汽车用户的信息安全意识和汽车的私人空间属性,使得样本特征的选取和采集存在一定的难度。因此,根据汽车用户群体的特点,设计出能够反映汽车用户驾驶姿态的样本数据及其采集方法;选择合适的优化思路,改进得到适合进行汽车用户样本聚类研究的算法,从而得出可靠的汽车用户驾驶姿态画像及相关结论,这些是研究过程中需要面对的核心问题。为了解决上述问题,本研究提出了以下方法:（1）使用改进权值调整算法的P2SOM神经网络。在充分探究SOM（自组织特征映射,英文全称为Self-Organizing Feature Map）神经网络的基本原理、网络结构及竞争层神经元节点的权值调整规则后,针对汽车用户数据样本间差距相对较小,容易引发钟摆效应的问题,提出了遗忘第二名的权值调整原则,进行了创新性的算法设计,用于选取K-均值聚类算法中所需的K值和初始聚类中心。（2）贯彻最大距离原则进行聚类中心选取。考虑到汽车用户调整座位及方向盘时可能存在某种极值偏好,这会导致离群样本点的产生。因此本文在仔细研究小中取大距离算法后,借鉴其尽可能拉开聚类中心之间距离的思想,从首个聚类中心的选取到算法结束,始终使用最大距离原则作为聚类中心的选取策略,尽可能规避了K-均值聚类算法因离群点陷入局部最优解的情况。随后,本文利用公开数据集进行上述两种算法的对比实验,在分析实验结果后,决定使用两种方法中聚类效果更佳的前者,对汽车用户驾驶习惯进行研究。于是本文以收集到的汽车用户数据为样本,利用改进的P2SOM-K-均值算法进行聚类实验,并将所得结果在SPSS软件中进行分析验证,结果显示划分出的每类数据聚类效果显著,数据集中的样本被均匀地划分进5个簇中。由此得出结论,P2SOM-K-均值算法能够胜任汽车用户驾驶习惯的聚类研究工作。按所得聚类结果将汽车用户根据驾驶习惯划分为五类,进而对汽车用户进行聚类评析,并针对不同类型驾驶习惯的汽车用户群体,提供相应的驾驶姿态调整建议以及安全方面的注意事项。