http://www.cnblogs.com/LBSer/p/4417127.html
一、為什么需要點聚合
在地圖上查詢結果通常以標記點的形式展現，但是如果標記點較多，不僅會大大增加客戶端的渲染時間，讓客戶端變得很卡，而且會讓人產生密集恐懼症（圖1）。為了解決這一問題，我們需要一種手段能在用戶有限的可視區域范圍內，利用最小的區域展示出最全面的信息，而又不產生重疊覆蓋。
圖1
二、已嘗試的方案---kmeans
直覺上用聚類算法能較好達成我們目標，因此采用簡單的kmeans聚類。根據客戶端的請求，我們知道了客戶端顯示的范圍，並到索引引擎里取出在此范圍內的數據，並對這些數據進行kmeans聚類，最后將結果返回給客戶端。
但是上線之后發現kmeans效果並不如意，主要有以下兩個缺點。
a）性能問題
kmeans是計算密集型算法，需要迭代多次才能完成，而且每次迭代過程中都涉及到復雜的距離計算，比較消耗cpu。
我們在上線后遇到load較高的問題。
b）效果問題
kmeans未能徹底解決重疊覆蓋問題！可以看到有些聚合后的圖標會疊合在一起。
三、優化方案
再次回顧我們的目的：我們需要一種手段能在用戶有限的可視區域范圍內，利用最小的區域展示出最全面的信息，而又不產生重疊覆蓋。
3.1. 直接網格法
解決地理空間相關問題時，對空間划分網格這種方法往往屢試不爽。
原理：將地圖范圍划分成指定尺寸的正方形（每個縮放級別不同尺寸），然后將落在對應格子中的點聚合到該正方形中（正方形的中心），最終一個正方形內只顯示一個中心點，並且點上顯示該聚合點所包含的原始點的數量。
如何將點落到正方形內呢？我們將空間人為指定100*100大小，通過這個公式進行映射。
優點：運算速度較快，每個原始點只需計算一次，沒有復雜的距離計算。
缺點：有時明明很相近的點，卻僅僅因為網絡的分界線而被逼分開在不同的聚合點中，此外，聚合點的位置采用的是該網格的中心，而非該網格的質心，這樣聚合出來的點可能不能較精確反映原始點的信息。
3.2. 網格距離法
原理：沿用方案一思想，1）將各個點落到相應正方形內；2）求解各個網格的質心；3）合並質心：判斷各個質心是否在某一范圍內，如果在某一范圍內則進行合並。
如何判斷各個質心點是否需要合並呢？以A點為例，畫一個矩形或者圓范圍，落在此范圍內的合並，B、C均落在范圍內，因此A、B、C三點合並。
優點：運算速度同樣較快，相對於方案一，多了求解質心以及質心合並兩個步驟，但這兩個步驟都較為簡單，能很快完成。
3.3. 直接距離法
原理：初始時沒有任何已知聚合點，然后對每個點進行迭代，計算一個點的外包正方形，若此點的外包正方形與現有的聚合點的外包正方形不相交，則新建聚合點（這里不是計算點與點間的距離，而是計算一個點的外包正方形，正方形的變長由用戶指定或程序設置一個默認值），若相交，則把該點聚合到該聚合點中，若點與多個已知的聚合點的外包正方形相交，則計算該點到到聚合點的距離，聚合到距離最近的聚合點中，如此循環，直到所有點都遍歷完畢。每個縮放級別都重新遍歷所有原始點要素。
優點：運算速度相對較快，每個原始點只需計算一次，可能會有點與點距離計算，聚合點較精確的反映了所包含的原始點要素的位置信息。
缺點：速度不如完全基於網格的速度快等，此法還有個缺點，就是各個點迭代順序不同導致最終結果不同。因此涉及到制定迭代順序的問題。
3.4. K-D樹方法
這種方法需要結合PCA（主成分分析）和K-D樹，在效果上比較好，但是性能較差，實現也較為復雜。
（http://applidium.com/en/news/too_many_pins_on_your_map/）