سری زمانی مجموعه ای از مشاهدات داده است که با تکرار اندازه گیری ها در زمان به دست می آید. خوشه بندی سری زمانی عمل سازماندهی نقاط زمانی به خوشه ها بر اساس معیارهای شباهت و عدم شباهت است. خوشه بندی یک روش یادگیری بدون نظارت است که به منظور حداکثر رساندن شباهت داده ها در یک خوشه و به حداقل رساندن شباهت داده ها بین خوشه های مختلف اعمال می شود. در یادگیری ماشین، یک گروه، یک سیستم یادگیری متشکل از مجموعه ای از مدل های مجزا است. خروجی این مدل ها با بهره گیری از یک استراتژی تصمیم گیری ترکیب می شود تا راه حلی بهینه برای مساله تولید کند. یک گروه خوشه بندی با هدف ترکیب مدل های خوشه بندی به یک مدل واحد برای دستیابی به کارایی بالاتر تشکیل می شود. در این تحقیق، چارچوب هایی به منظور خوشه بندی گروهی مبتنی بر مرکز و خوشه بندی گروهی مبتنی بر یادگیری عمیق طراحی می شوند. آنها از روش ها و الگوریتم های خاصی برای تحلیل ویژگی ها در داده سری زمانی سالانه استفاده می کنند. این چارچوب ها با هدف خوشه بندی نقاط داده از سال های مختلف به صورت یکپارچه طراحی شده اند. ابتدا داده سری زمانی اصلی به ویژگی ها تبدیل می شوند و سپس فضای ویژگی جدید برای کاهش بار محاسباتی و تسهیل پردازش تقسیم بندی می شود. چارچوب های خوشه بندی مبتنی بر مرکز از الگوریتم های وزن دهی ویژگی برای افزایش تأثیر ویژگی های مهم در خوشه بندی استفاده می کنند. چارچوب خوشه بندی مبتنی بر یادگیری عمیق برای انجام خوشه بندی بر اساس شبکه عصبی نگاشت خود سازمان ده پیشنهاد شده است. این چارچوب روش های خوشه بندی مبتنی بر شکل و مبتنی بر ویژگی را به نماهای مختلف از داده سری زمانی اعمال می کند. در روش خوشه بندی مبتنی بر شکل، معیار تشابه پیچش زمان پویا با شبکه نگاشت خود سازمان ده ترکیب می شود تا فرآیند همگرایی بخش ها را تسریع کند و در روش خوشه بندی مبتنی بر ویژگی، از تکنیک های استخراج ویژگی برای رسیدگی به همبستگی میان ویژگی ها استفاده می شود. همچنین مدل های پیش بینی سازگار با چارچوب های پیشنهادی ارائه شده اند. آنها از نتایج خوشه بندی به دست آمده به منظور پیش بینی برچسب کلاس مشاهدات جدید استفاده کنند. ارزیابی ها با استفاده از مجموعه داده های تاریخی آب و هوا از سکوهای Open ML و Kaggle انجام شده اند. داده دما و رطوبت بخش بندی و فضای ویژگی تولید شده بررسی شده اند. معیار های Homogeneity، Completeness و V-Measure به منظور محاسبه دقت خوشه بندی چارچوب ها استفاده شده است. به منظور اندازه گیری کارایی مدل های پیشنهاد شده از نظر دقت دسته بندی فضای ویژگی بخش بندی شده به مجموعه های آموزش و آزمایش تقسیم بندی شده است. نتایج قابلیت چارچوب های پیشنهادی در تولید خوشه های پایدار و با کیفیت را نشان می دهند.