El aprendizaje federado es una solución potencial para entrenar modelos de aprendizaje automático seguros en una red descentralizada de clientes, con énfasis en la privacidad. Sin embargo, la gestión de la heterogeneidad del sistema/datos y el manejo de los intereses cambiantes en el tiempo de los clientes siguen planteando desafíos a los enfoques tradicionales de aprendizaje federado (FL). Por lo tanto, proponemos el concepto de aprendizaje federado agrupado adaptativo temporal dinámico (dy-TACFL) para abordar el problema de la heterogeneidad de clientes en entornos cambiantes en el tiempo. Al analizar continuamente y asignar clústeres apropiados a los clientes con comportamientos similares, el enfoque de agrupamiento federado propuesto aumenta tanto la precisión de predicción como la eficiencia de agrupamiento. Primero, se utiliza un umbral basado en el coeficiente de silueta en el algoritmo de agrupamiento adaptativo temporal de aprendizaje federado (TACFL) para evaluar la estabilidad del clúster en cada ronda de entrenamiento federado. Luego, se propone un algoritmo de agrupamiento dinámico basado en la propagación de afinidad (APD-CFL) para organizar de forma adaptativa a los clientes en un número apropiado de clústeres, teniendo en cuenta el patrón subyacente complejo. Los hallazgos experimentales indican que los algoritmos propuestos de aprendizaje federado agrupado adaptativo basado en el tiempo pueden mejorar significativamente la precisión de predicción en comparación con los algoritmos existentes de aprendizaje federado agrupado.