壹種是通過時間序列進行壓縮降維，轉換成靜態數據，如通過特征提取、模型參數等方式，再使用靜態數據方法進行聚類；另壹種是通過改進傳統的面向靜態數據的點聚類方法，使之適用於序列數據類型。
（1）基於初始數據的聚類
壹般指不對初始數據進行壓縮，直接進行聚類。可以有效捕捉時間序列的細節，不丟失局部特征，但是數據量大的情況下計算效率降低。
（2）基於特征數據的聚類
通過時域分析、頻域分析等方法，提取時間序列的多尺度特征，從而把高維的原始數據序列轉換到用特征向量表示的低維特征空間。
（3）基於模型的聚類
基本思路是在基於壹定的假設條件，用模型擬合原始序列，再用模型是否能生成另外壹個序列作為兩個時間序列是否屬於同壹類的評價指標，或者用模型的參數作為該序列的特征再進行聚類。特點是聚類結果不穩定，對模型依賴性很強，難以可視化。