顶刊综述 | 时间序列分类方法综述：以“三横三纵”创新框架，打通时间序列分类研究全路径

📚论文题目： A Comprehensive Review of Time Series Classification: Traditional, Deep Learning, and Few-Shot Learning Methods

🔗论文链接：https://authors.elsevier.com/a/1mlkg5buwX0eNc

🔍论文发表： Computer Science Review 2026

🔥关键词：时间序列分类，深度学习，少样本学习，数据增强，应用

🚩TL; DR： 空军工程大学团队在Computer Science Review发表时序分类综述。其核心突破在于提出“三横三纵”多维框架，实现了从传统到前沿的全链路梳理，解决了以往研究缺乏体系整合的问题。

🖊作者：王鹏、吴暄、宋亚飞、田德阳、王晓丹

🏫机构：空军工程大学

时序人：顶刊综述｜时间序列分类重磅研究！以“三横三纵”框架解读TSC的过去、现在与未来

引言：一套框架，看懂TSC的完整图景

本文介绍了一篇2026年发布在Computer Science Review期刊（SCI JCR1区，中科院一区Top，实时影响因子16.2）上的—时间序列分类（Time Series Classification, TSC）领域综述。该工作由空军工程大学研究团队撰写，核心突破在于开创性提出了“三横三纵”多维研究框架，打破了以往综述的局限，实现了 TSC 领域从理论到应用、从传统到前沿的全链路梳理，弥补了以往研究中缺乏体系整合和场景适配分析的不足。

与以往单一维度的综述不同，该研究以“三横”（技术演进）+“三纵”（落地链路）为核心，横向覆盖传统分析方法、深度学习方法、小样本学习方法三大体系，清晰呈现从“人工特征工程”到“数据驱动”再到“数据高效学习”的范式演进；纵向贯穿数据、方法、应用三大维度，解决了“重模型、轻场景”的研究痛点。

更重要的是，研究不仅系统梳理了各类方法的原理、优势与局限，还深入拆解医疗信号分类、雷达目标识别、工业故障诊断及网络流量检测四大典型应用场景的落地难题与解决方案，同时明确了未来的研究挑战与发展方向，为时间序列分类领域后续研究提供了结构化知识框架，有望推动该领域从学术理论探索走向工业实践应用。

不同TSC综述的对比

不同TSC综述的对比

研究背景：TSC领域繁荣背后的结构性困境

时间序列数据是描述动态系统演化的核心载体，无论是工业生产线的故障预警、医院的心电信号解读，还是雷达目标识别、网络流量安防，背后都藏着一个核心技术——时间序列分类（Time Series Classification, TSC）。作为时序数据分析的“核心引擎”，TSC早已从实验室的算法研究，深入渗透至智慧医疗、工业4.0、国防军工等关键领域。

随着物联网技术的普及，多维度、高频次的时间序列数据正经历爆炸式增长。如何从海量时序数据中提取有效信息，已成为当前交叉学科研究的核心挑战。

时间序列分类（TSC）作为时序数据分析的关键任务，旨在将具有相似模式的序列划分至预定义类别，为动态系统的自动决策提供支撑。近年来，时间序列分类研究呈现出前所未有的繁荣景象。在深度学习技术的驱动下，从卷积神经网络、循环神经网络到Transformer、Mamba、KAN，新模型层出不穷；从监督学习到自监督学习、元学习，新范式不断涌现。TSC方法在UCR/UEA等公开基准上的性能纪录被不断刷新，在医疗、工业、网络安全等领域的应用也不断拓展。然而，在这片繁荣背后，学界却面临着一个尴尬的现实：知识体系的高度碎片化。

具体来看，当前领域存在三大痛点：一是多数综述仅罗列算法，未构建统一的技术体系，导致研究者难以把握领域演进脉络；二是前沿模型迭代迅速，现有综述对Transformer、Mamba、KAN等新型模型覆盖不足，对小样本学习等热点方向的梳理也较为匮乏；三是“重模型、轻场景”，多数综述忽视工程落地细节，未能衔接学术研究与工业应用，导致很多优秀算法难以落地。

在此背景下，这篇综述就显得尤为关键。它不仅填补了领域内系统化综述的空白，更构建了一套兼顾理论深度与实践价值的研究框架，为研究者提供了清晰的知识图谱，为工业界提供了可落地的技术指引，其核心贡献在于“打通理论与应用的壁垒，实现技术体系的系统化整合”。

主要研究内容：从框架到落地，全方位解析TSC技术体系

研究团队围绕“三横三纵”框架，对时间序列分类方法进行了全方位梳理。

在横向维度，研究将现有方法划分为三大体系：

1.传统分析方法-手工特征时代的奠基与局限

在深度学习普及之前，传统TSC方法完全依赖领域知识和人工特征设计，主要包括四类：基于统计建模的方法、基于相似性的方法、基于特征工程的方法和基于集成学习的方法。这些方法至今在小样本、短序列场景中仍有不可替代的价值。但面对如今IoT时代爆发的高维、长序列、非平稳时序数据，人工特征已经很难覆盖所有有效模式，深度学习的登场成为必然。

2.深度学习方法-端到端学习的爆发式革新

深度学习克服了传统方法中依赖人工特征的核心瓶颈，也是这篇综述的核心重点。研究团队将深度学习方法进一步细分为四类——基于局部模式挖掘、基于时序依赖建模、基于混合架构以及基于时空融合建模的方法并讨论了它们的优点和局限。同时，首次将Mamba与KAN等新兴模型纳入时间序列分类方法的研究范畴：Mamba凭借线性时间复杂度的状态空间设计，在不依赖注意力机制的情况下高效处理长序列；KAN则以其强大的函数拟合能力与可解释性，在复杂时间序列分类任务中展现出独特优势。

3.小样本学习方法-破解标注稀缺的行业痛点

真实工业场景中，90%以上的TSC任务都面临标注数据稀缺的问题，针对实际应用中标注样本稀缺的痛点问题，研究团队梳理了基于迁移学习、度量学习及元学习的小样本分类策略，为低资源条件下的时间序列分类任务提供了参考。

在纵向维度，研究贯穿数据、方法与应用三个层次：

• 数据层面：系统总结了时序数据的主流增强方法、公开基准数据集和标准化评价指标体系，为模型训练与性能验证提供了完整的参考框架。
• 方法层面：在已有分类体系基础上，进一步归纳了模型架构优化技术与迁移学习策略。
• 应用层面：聚焦医疗信号分类（心电图、脑电图分析）、雷达高分辨率距离像（HRRP）目标识别、工业故障诊断及网络流量检测四大典型场景，结合任务特点分析了各场景下的实施挑战与解决方案，展现了时间序列分类技术的实际应用价值。

技术突破与创新：三大核心突破，破解领域痛点

1. 首创“三横三纵”多维综述框架：

该研究的核心方法论贡献在于构建了“三横三纵”多维综述框架。框架横向贯通传统、深度学习与小样本学习三大方法体系，纵向整合数据、方法与应用三个研究层次，构建了一个从数据特征到建模方法再到应用场景的闭环知识系统。这一框架不仅揭示了单一维度综述常被忽视的结构性研究空白，更为研究者提供了兼具整合性与延展性的分析视角。

2.全面覆盖并深度解析新兴技术：

针对现有综述更新滞后的痛点，首次系统性的引入了Transformer、Mamba、KAN等前沿模型，深入分析其在时间序列分类中的技术原理与适用场景。特别地，对Mamba的线性复杂度全局建模能力、KAN的函数拟合与可解释性优势进行了系统梳理，填补了领域空白。

3.建立方法-场景适配分析范式：

不同于单纯的方法罗列，研究紧密结合医疗、雷达、工业、网络四大典型应用场景，分析各类方法的适用性与实施难点，结合医疗信号分类，雷达高分辨率距离像目标识别、工业故障诊断、网络流量检测四大典型场景的任务特性，深入分析了各场景下的技术落地挑战与适配方案，有效弥合了学术研究与工程实践之间的鸿沟。

结论与展望

研究提出的“三横三纵”多维框架，为深度学习驱动的时序列分类研究提供了系统性的知识整合与发展趋势分析。横向维度贯通传统分析、深度学习与小样本学习三大方法体系，纵向维度整合数据特性、建模方法与实际应用，系统性回应现有研究成果在体系整合与场景适配方面的双重局限。这一研究成果为学界提供一个结构化的知识框架，助力时间序列分类技术从学术探索走向工业应用，为智慧医疗、工业4.0等领域的技术创新提供核心支撑。

当前，时间序列分类领域正处在从方法驱动走向任务驱动、从单一模态走向多源融合的关键转型期。面对数据复杂性持续攀升、计算效率与标注成本形成制约、模型泛化能力受限、以及可解释性需求的日益凸显等诸多挑战，研究明确了四大未来研究突破方向：

一是生成式增强与域自适应：结合物理先验知识，生成符合真实物理规律的合成样本，实现模型在不同工况、不同场景间的鲁棒迁移。

二是物理信息融合与因果可解释性：从纯数据驱动走向物理信息融合的神经网络，把行业的物理机理嵌入模型结构，让决策过程可追溯、可解释，满足医疗、国防等安全关键场景的需求。

三是轻量化架构与隐私计算：深度可分离卷积、线性注意力、Mamba等高效架构，结合剪枝、量化、知识蒸馏，实现精度和效率的平衡；通过联邦学习打破数据孤岛，兼顾数据隐私与联合建模需求。

四是时序基础模型：在海量多域时序数据上进行自监督预训练，让模型学习通用的时序动态规律，再通过轻量化适配方式快速迁移到下游任务，解决小样本、冷启动的行业痛点。

未来，随着这些方向的不断突破，不仅能推动TSC领域从方法体系走向任务驱动的智能化重构，也为实现从学术探索向工业应用的有效转化奠定技术基础。