我们提出了一组两种新的时间序列聚类方法，用于捕获时间信息（趋势、季节性和自相关）和领域相关的横截面属性。 这些方法基于基于模型的分区 (MOB) 树，可用作对大量时间序列进行聚类的自动化但透明的工具。 单步法使用单一线性回归模型使用趋势、季节性、时间序列滞后和域相关横截面属性对序列进行聚类。 两步法首先按趋势、季节性和领域相关的横截面属性聚类，然后通过自相关和领域相关的横截面属性进一步聚类残差序列。 这两种方法都会产生可由领域专家解释的集群。 我们通过考虑一步超前预测来说明所提出的聚类方法的有用性。 我们展示了使用应用于大量维基百科文章浏览量时间序列的自回归综合移动平均 (ARIMA) 模型来比较我们预测每个系列的方法的实证结果。 我们的结果表明，基于树的方法产生的预测实际上与 ARIMA 模型相当，但速度更快、效率更高，因此适用于扩展到大型时间序列集合。 此外，我们的方法为可解释的时间序列集群生成简单的参数预测模型，而 ARIMA 无法提供这种可解释性。
