Los sistemas de transporte inteligente (ITS) suelen requerir monitoreo de extensas redes viales y recopilación de datos de tráfico con alta resolución espacial y temporal. Esto conduce a la acumulación de volúmenes sustanciales de datos, lo que requiere el desarrollo de representaciones de datos más concisas. Enfoques como el análisis de componentes principales (PCA), que operan dentro de subespacios, pueden construir modelos precisos de baja dimensionalidad. Sin embargo, la interpretación de estos modelos puede ser desafiante, principalmente porque los componentes principales a menudo abarcan una multitud de enlaces dentro de la red de tráfico. Para superar este problema, este estudio presenta un enfoque novedoso para representar e indexar las condiciones de tráfico de red a través de la descomposición de matriz CUR ponderada integrada con análisis de agrupamiento. El enfoque propuesto selecciona un grupo de detectores de la red original para representar e indexar las condiciones de tráfico a través de un método de descomposición de matriz, lo que permite una gestión y análisis más eficientes. El método propuesto se evalúa utilizando datos de detectores de tráfico de la ciudad de Nashville, TN. Los resultados demuestran que el enfoque es efectivo para representar e indexar las condiciones de tráfico de red, con alta precisión y eficiencia. En general, este estudio contribuye al campo del monitoreo de tráfico en red al proponer un enfoque novedoso para representar extensas redes de tráfico y explorar los efectos de incorporar el agrupamiento en la descomposición CUR. El enfoque propuesto puede ayudar a analistas de tráfico y profesionales a gestionar y analizar de manera más eficiente las condiciones de tráfico, lo que finalmente lleva a sistemas de transporte más efectivos.