近年,我国B2C电子商务行业发展迅速,越来越多的电商平台诞生,虽然活跃买家数也在逐年递增,但是对于商家来说压力亦是只增不减的。而在这个商家和消费者交易的过程中,产生的商品销售数据也是可以缓解商家压力的。通过对数据进行挖掘和分析,研究基于网络消费的各商品之间的内部结构既能反映消费者的消费倾向及其原因,也能指导商家做出对商品价格或品牌等的改进去迎合消费者需求。据此,本文以2019年10月24日-2020年12月31日的食品、衣着和大型家用电器三大类的京东商城线上商品时间序列数据为研究对象,以单价和消除基期的累计评价数为研究变量做时间序列聚类研究。其中采集商品共计207种,数据采集周期为三天,每个商品每次采集约1050条数据,每条数据的特征包括标题链接、店铺名称、商品标题、购买价格和累计评论数。首先从这207种商品中选择出具有代表性的八种商品,对这八种商品从时间维度和商品维度进行描述性统计分析,从时间维度发现各商品的单价和评价数既变化各异也有一定相似性,从商品维度发现了单价贵和受欢迎的商品的集中特性。然后,对这八种商品分别运用k-means聚类、基于特征的SOM神经网络聚类和基于AR模型的SOM神经网络聚类,由聚类结果的可解释性选择出相对最优算法k-means聚类算法。最后将k-means聚类算法运用于基于各商品聚类后的特征时间序列中。结果表明,所选择的k-means聚类算法不但能反映各簇中商品数据的变化,而且能通过各簇的单价和评价数的均值来进行进一步描述。通过对各簇的详细研究,得到优质簇反映的商品特性,不但能反映出京东用户的消费倾向,而且可以为商家在商品选择上提供有效指导和数据支撑,具有极其有利的参考意义。