近几年,随着高速公路行业政策的全面推进,ETC（Electronic Toll Collection）在有车一族中迅速得到普及。ETC不仅给车主带来了方便快捷的出行,同时也为银行带来了大量的客户资源,甚至成为银行潜在零售业务利润的营销点。为了使银行ETC业务能够在移动支付时代持久发展,使银行客户得到充分的挖掘,拓宽银行的营销渠道,ETC用户分类管理的研究探索之路势在必行。在研究数据的选取上,本文将邮储银行M支行的800名ETC客户消费数据作为研究对象,数据的时间为2019年。在分析方法上,本文利用了 Affinity Propagation（AP）聚类算法,即近邻传播算法对所研究数据的客户活跃度进行了具体分类,然后将聚类结果与其它聚类算法结果,如模糊C均值（FCM）、K均值聚类算法得到的结果进行对比和分析,验证了 AP算法的优越性和准确性。基于此建立有效的客户细分模型,从而使银行在对ETC客户的营销过程中更加的迅速和准确节省人力成本和时间成本,达到银行经营业绩大幅提升的效果。本文的研究目的在于:通过对客户的ETC消费数据进行聚类实验,分析聚类结果的有效性,以此根据得到的具体分类结果让银行的ETC营销管理人员能够更准确地识别出目标细分客户,根据不同的客户群体提供更为个性化的服务,从而从整体提升金融服务质量以及ETC客户群体对ETC产品的使用度和满意度,进而扩宽银行其它种类产品的销售渠道。其主要研究工作包括:1.在开展研究工作之前,首先要对M支行ETC客户的消费数据进行预处理。在计算AP聚类数目的问题上,本文参考了聚类有效性的评价标准来进行确定。接着,通过对遗传算法进行改进并对聚类中心进行优化,这在一定程度上保证了结果的准确性。2.通过AP聚类算法的相关实验对ETC车主进行客户细分,将客户分成八类。再通过FCM聚类算法实验和K均值聚类算法实验结果对比验证AP聚类算法最优。3.基于AP聚类算法得到的最优聚类结果,进行ETC客户活跃度细分的分析,实现对银行ETC客户的分类管理和银行管理者在管理上的决策,以及对ETC客户营销策略上的支持。