本发明公开了一种基于时序数据LSTM特征的K‑Shape聚类方法，属于数据挖掘技术领域，包括以下步骤：S1：收集时间序列数据样本并预处理；S2：建立并训练长短期记忆模型，输出时序动态特征数据；S3：利用手肘法和轮廓法计算出聚类的最佳聚类K值；S4：建立K‑Shape聚类模型并输出结果。本发明使用LSTM模型获取时序数据的动态特征并进行K‑Shape聚类能更好的解决如K‑均值聚类等一般聚类在对复杂时序数据的聚类结果不明确的问题，并且得出时序数据的变化趋势聚类结果；同时利用LSTM在K‑Shape聚类之前提取数据的时序特征额外地增加了聚类结果的准确性，鲁棒性和泛用能力。