Impulsado por una difusión a gran escala de redes de sensores y dispositivos de escaneo en las ciudades modernas, se recopilan enormes volúmenes de datos urbanos georreferenciados cada día. Tal cantidad de información se analiza para descubrir modelos basados en datos, que pueden ser explotados para abordar los principales problemas a los que se enfrentan las ciudades, incluida la contaminación del aire, la difusión de virus, la movilidad humana, la predicción del crimen, los flujos de tráfico, etc. En particular, la detección de puntos calientes de la ciudad es de facto una valiosa técnica de organización para enmarcar un conocimiento detallado de un área metropolitana, proporcionando resúmenes de alto nivel para conjuntos de datos espaciales, que son un apoyo valioso para planificadores, científicos y responsables políticos. Sin embargo, si bien los algoritmos clásicos de agrupamiento basados en densidad muestran ser adecuados para descubrir puntos calientes caracterizados por una densidad homogénea, su aplicación en datos de múltiples densidades puede producir resultados inexactos. De hecho, es muy difícil establecer un umbral adecuado cuando los conglomerados en diferentes regiones tienen densidades considerablemente diferentes, o cuando los conglomerados con diferentes niveles de densidad están anidados. Por esta razón, dado que las ciudades metropolitanas están fuertemente caracterizadas por densidades variables, el agrupamiento de múltiples densidades parece ser más apropiado para descubrir puntos calientes de la ciudad. De hecho, dichos algoritmos se basan en múltiples valores mínimos de umbral y son capaces de detectar múltiples distribuciones de patrones de diferentes densidades, con el objetivo de distinguir entre varias regiones de densidad, que pueden o no estar anidadas y que generalmente tienen una forma no convexa. Este documento discute los problemas e desafíos de investigación para analizar datos urbanos, con el objetivo de descubrir puntos calientes de múltiples densidades en áreas urbanas. En particular, el estudio compara los cuatro enfoques (DBSCAN, OPTICS-xi, HDBSCAN y CHD) propuestos en la literatura para el agrupamiento de datos urbanos y analiza su rendimiento tanto en conjuntos de datos de vanguardia como en conjuntos de datos del mundo real. Los resultados experimentales muestran que los algoritmos de agrupamiento de múltiples densidades generalmente logran mejores resultados en datos urbanos que los algoritmos clásicos basados en densidad.