El enfoque del presente documento se centra en el agrupamiento, es decir, en el problema de encontrar grupos distintos en un conjunto de datos para que cada grupo esté formado por observaciones similares. Consideramos las mezclas finitas de modelos de regresión, dada su flexibilidad en la modelización de series temporales heterogéneas. Nuestro estudio tiene como objetivo implementar un enfoque novedoso, que ajusta modelos de mezcla basados en la regresión spline y polinómica en el caso de datos autocorrelacionados, para agrupar series temporales en un marco de aprendizaje automático no supervisado. Dado el supuesto de datos autocorrelacionados y el uso de variables exógenas en el modelo de mezcla, el enfoque habitual de estimar los parámetros de máxima verosimilitud utilizando el algoritmo de Expectation-Maximization (EM) es computacionalmente prohibitivo. Por lo tanto, proporcionamos un algoritmo novedoso para ajustar el modelo combinando observaciones autocorrelacionadas con regresión spline y polinómica. El estudio de caso de este documento consiste en la tarea de agrupar las series temporales de datos de ventas influenciadas por campañas promocionales. Demostramos la efectividad de nuestro método en un estudio de caso de 131 series de ventas de una empresa del mundo real. Los resultados numéricos demuestran la eficacia del método propuesto para agrupar series temporales autocorrelacionadas. A pesar del estudio de caso específico de este documento, el método propuesto puede ser utilizado en varios campos de aplicación del mundo real.