在这项工作中，我们提出了一种基于模型的时间序列聚类方法。该模型在诱导序列聚类之前使用了几乎可以确定的离散贝叶斯非参数。特别地，我们提出了一个通用的Poisson-Dirichlet过程混合模型，其中包括作为特例的Dirichlet过程混合物模型。该模型考虑了时间序列中的典型特征，如趋势、季节和时间成分。根据用户的不同，这些功能的全部或部分可以用于集群。后验推理是通过一种易于实现的马尔可夫链蒙特卡罗（MCMC）方法获得的。根据异质性度量以及模型选择标准LPML（伪边际似然的对数）来选择最佳聚类。我们用墨西哥证券交易所股价时间序列数据集来说明我们的方法。