En este trabajo, consideramos el problema de agrupación de series temporales basado en la forma con la ampliamente utilizada distancia de Dynamic Time Warping (DTW). Presentamos un novedoso marco de dos etapas basado en Modelado Gaussiano Escaso. En la primera etapa, aplicamos Regresión de Proceso Gaussiano Escaso y obtenemos una representación escasa de cada serie temporal en el conjunto de datos con un número logarítmico (en la longitud original) de puntos de datos inductores. En la segunda etapa, aplicamos -means con Promediación Baricéntrica DTW (DBA) a los datos esparcidos utilizando una generalización de DTW, que tiene en cuenta el hecho de que cada punto inductor sirve como representante de muchos puntos de datos originales. El tiempo de ejecución asintótico de nuestro marco de agrupación de series temporales escaso es veces más rápido que el tiempo de ejecución de aplicar -means al conjunto de datos original porque la esparcificación reduce el tiempo de ejecución de DTW de a . Además, la esparcificación tiende a suavizar los valores atípicos y las partes particularmente ruidosas de la serie temporal original. Realizamos una extensa evaluación experimental utilizando conjuntos de datos del Archivo de Clasificación de Series Temporales de UCR, mostrando que la calidad de la agrupación calculada por nuestro marco de agrupación de series temporales escaso es comparable a la agrupación calculada por el algoritmo estándar -means.