让我从一个重要的观点开始；除了分类成功之外，还有什么其他标准可以用来确定我的集群分离性能？：

1. 分类作为聚类性能的指标有一个内部悖论。如果您有分类，则聚类问题不再适用。这两个概念来自两种完全不同的哲学，所以如果你已经理解了这些概念，我会说要小心（你所说的可能在半监督学习中有意义，而这不在你的标签中，所以我认为存在误解）。
2. 聚类没有性能评估！这是我看到大多数数据科学家都在努力解决的问题。在实践中，您可以定义一个好的标准（但老实说，什么是好的？！！）并提供您的解决方案，但在研究模式中没有对聚类的评估，因为问题本身没有明确定义，即您永远没有标签确定谁是谁，因此您需要定义问题开始点的接近程度；多近才叫亲近？！！
3. 在使用 k-means 进行时间序列聚类时要小心维度诅咒（我不确定你是如何做到的）。

在这些点之后，让我们看看你的问题。

什么是时间序列？如果时间序列非常不稳定，或者简单地说变化背后的动态足够复杂，那么时间序列特征和时间点就没有一对一的映射（想象一个简单的心电图信号。这很简单但是，如果您探索研究社区，您会发现在 ECG 上提取特征的超级复杂方法。我非常有信心找到 ECG 不同的时间点几乎是不可能的。）。您可以从时间序列中提取特征或将其嵌入到一些 n 维流形中并查看它。在最好的情况下，您可能会发现一些描述您的时间序列的与时间相关的特征，并且您可能会发现一些时间序列不同的时间相关标准（但我会说它不太可能找到它们）。

假设时间序列表现得非常好（！！）具有简单的动态（应该非常简单）。那么一个解决方案可能是定义一个时间序列的距离函数，它将所有时间序列的成对距离输出为单个分数。然后这个函数的最大值返回这些时间序列非常可区分的时间点。

如果您提供有关数据的更多信息，我可能会给出更详细的准确答案。

祝你好运！