Muchos investigadores han propuesto algoritmos para mejorar el rendimiento de la red de vehículos ad hoc (VANET) técnicas de agrupamiento para diferentes aplicaciones. La efectividad del modelo de agrupamiento es el desafío más importante. El algoritmo de agrupamiento K-Means es un algoritmo efectivo para multi-agrupaciones que puede ser utilizado en VANETs. Los problemas con el algoritmo K-Means se refieren a la selección de un número adecuado de agrupaciones, la creación de un grupo altamente confiable y lograr una alta similitud dentro de un grupo. Para abordar estos problemas, se propuso en este documento un método novedoso que combina un conjunto rugoso de cobertura y un algoritmo de agrupamiento K-Means (RK-Means). En primer lugar, RK-Means crea multi-grupos de vehículos utilizando un conjunto rugoso de cobertura basado en parámetros efectivos. En segundo lugar, el algoritmo de cálculo del valor K calcula el número óptimo de agrupaciones. Finalmente, se aplica el algoritmo clásico K-Means para crear los grupos de vehículos para cada grupo de conjunto rugoso de cobertura. Los conjuntos de datos utilizados en este trabajo fueron importados de Simulation of Urban Mobility (SUMO), representando dos escenarios de autopistas, alta densidad y baja densidad. Cuatro índices de evaluación, a saber, error cuadrático medio (RMSE), coeficiente de silueta (SC), índice de Davies-Bouldin (DB) e índice de Dunn (DI), se utilizaron directamente para probar y evaluar los resultados del agrupamiento. El proceso de evaluación se implementó en los modelos RK-Means, K-Means++ y OK-Means. El resultado de la compresión mostró que RK-Means tenía alta similitud de agrupación, mayor confiabilidad y reducciones de error del 32.5% y 24.2% en comparación con OK-Means y K-Means++, respectivamente.