2026时序分类综述A Comprehensive Review of Time Series Classification

论文链接：A comprehensive review of time series classification: Traditional, deep learning, and few-shot learning Methods - ScienceDirect

如果你做过工业故障诊断、医疗信号分析、网络流量检测，甚至雷达目标识别，一定绕不开一个核心任务 ------时间序列分类（Time Series Classification, TSC）。作为时序数据分析的核心任务，TSC 早已从实验室的算法研究，渗透到智慧医疗、工业 4.0、国防军工、网络安全等关键领域。但面对爆炸式增长的技术方案，很多从业者和研究者都会陷入困惑：

• 传统方法和深度学习方法到底该怎么选？
• 面对标注数据稀缺的工业场景，小样本 TSC 有哪些成熟的落地方案？
• Transformer、Mamba、KAN 这些新兴模型，在 TSC 领域到底表现如何？
• 从算法到落地，还要跨过哪些核心门槛？

2026 年刚刚发表在顶刊《Computer Science Review》上的《A comprehensive review of time series classification: Traditional, deep learning, and few-shot learning Methods》一文，给了我们一套完整、系统的答案。这篇综述开创性地提出了 **「三横三纵」多维研究框架 **，完整梳理了 TSC 领域从理论到应用的全链路发展。今天这篇博客，就带大家吃透这篇重磅综述，看懂 TSC 的过去、现在与未来。

一、核心框架：三横三纵，打通 TSC 的任督二脉

这篇综述最核心的价值，就是打破了以往综述「只罗列算法、不构建体系」的局限，提出了一套 **「三横三纵」的多维研究框架 **，把零散的 TSC 技术点，整合成了一个完整的知识体系。

「三横」：技术演进的三大阶段

横向维度，按照 TSC 技术的发展脉络，划分了三大方法论体系，清晰展现了从「人工特征工程」到「数据驱动」再到「数据高效学习」的范式演进：

1. 传统分析类方法：以人工设计特征为核心，是 TSC 领域的奠基性方案；
2. 深度学习类方法：端到端自动特征提取，是当前 TSC 的主流技术底座；
3. 小样本学习类方法：针对标注数据稀缺的真实场景，是当前 TSC 的研究热点。

「三纵」：研究落地的三大维度

纵向维度，覆盖了 TSC 从数据到落地的全流程，解决了以往综述「重模型、轻场景」的问题：

1. 数据维度：涵盖时序数据特性、数据增强、公开数据集等基础内容；
2. 方法维度：对应横向的三大方法论，拆解每类方法的核心原理、优势与局限；
3. 应用维度：聚焦医疗、雷达、工业、网络安全四大典型场景，分析技术落地的痛点与方案。

这套框架就像一张 TSC 领域的「全景地图」，不管你是刚入门的新手，还是深耕多年的研究者，都能快速找到自己的位置，看清领域的研究空白与发展方向。

二、方法论全景：从传统到前沿，TSC 的技术演进之路

基于「三横」的框架，我们来完整梳理 TSC 技术的演进历程，搞懂每类方法的核心逻辑、适用场景与天花板。

2.1 传统方法：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，核心可以分为四大类，至今在小样本、短序列场景中仍有不可替代的价值：

| 方法类别 | 核心思想 | 典型代表 | 核心优势 | 核心局限 |
| 统计建模类 | 基于统计理论捕捉时序的分布、周期、趋势特征 | ARIMA 模型、高斯过程、小波相干分析 | 理论严谨、可解释性强、小样本下表现稳定 | 对数据分布有严格假设、难以建模非线性长依赖、高维数据适配性差 |
| 相似度匹配类 | 以序列间的形态相似度为分类核心，结合距离度量与近邻规则 | DTW 动态时间规整、Shapelets 子序列、KNN 分类器 | 无需复杂特征工程、对非线性非平稳序列适配性好、原理直观易落地 | 长序列下计算复杂度高、对噪声敏感、高维多变量场景性能骤降 |
| 特征工程类 | 人工提取时域、频域、时频域特征，结合传统机器学习分类器 | TSFresh 特征库、SVM、随机森林 | 特征物理意义明确、中小数据集训练效率高、可解释性强 | 极度依赖领域专家经验、难以自动捕捉复杂非线性模式、对未知模式漂移适配性差 |

集成学习类	构建多个基分类器，通过投票 / 加权融合提升泛化能力	TS-CHIEF、HIVE-COTE v2	抗过拟合能力强、对噪声和模式多样性适配性好、多分类场景鲁棒性高	模型结构复杂、训练推理成本高、集成结果可解释性差

传统方法的核心痛点，在于「人工特征设计的天花板」。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的有效模式，深度学习的登场也就成了必然。

2.2 深度学习：端到端学习的爆发式革新

深度学习彻底解决了传统方法「人工特征工程」的瓶颈，通过端到端的学习，自动从原始时序数据中提取判别性特征，也是这篇综述的核心重点。论文将深度学习 TSC 方法，按照特征提取的目标，分为了四大类，完整覆盖了当前主流的技术方案：

（1）局部模式挖掘类：抓细节，找局部判别性特征

这类方法把时序数据当作「静态对象」，通过卷积、小波变换等方式，提取时序中局部连续的形态特征（比如峰值、突变、局部趋势），是工业界最常用的 TSC 方案。

• 核心代表：1D-CNN、FCN 全卷积网络、InceptionTime、Rocket/MiniRocket/MultiRocket 系列、TCN 时序卷积网络；

• 核心优势：对局部细微模式敏感、计算效率高、易并行化、有一定的噪声抑制能力，非常适合故障诊断、ECG 信号分类等依赖局部波形特征的场景；

• 核心局限：难以建模长距离时序依赖，对依赖长期趋势的分类任务表现不佳。

（2）时序依赖建模类：看全局，捕捉长程演化规律

这类方法把时序数据当作「动态序列流」，通过循环结构或注意力机制，捕捉序列的全局演化动态和长程依赖，解决了 CNN 类方法的长序列短板。

• 核心代表：LSTM/GRU 及其变体、Transformer/TST、Hformer 等 Transformer 变体；

• 核心优势：能有效捕捉长程时序依赖，擅长识别序列的整体趋势和周期规律，在多变量长序列场景中优势显著；

• 核心局限：RNN 类模型存在梯度消失 / 爆炸问题、训练无法并行；原生 Transformer 自注意力的二次复杂度，在超长序列下会出现内存和计算瓶颈。

（3）混合模型架构类：强强联合，多尺度特征融合

这类方法融合了「局部卷积」和「全局注意力 / 循环」模块，同时捕捉多尺度的时序表征，克服了单一范式模型的短板，也是当前 SOTA 方案的主流设计思路。

• 核心代表：CNN-Transformer 混合模型、CNN-LSTM 级联架构、TSCMamba（Mamba + 多视图学习）、SCNet（频谱卷积 + 多尺度模块）；
• 核心优势：同时兼顾局部细节和全局依赖，分类精度普遍优于单一模型，对复杂时序数据的适配性更强；
• 核心局限：模型结构更复杂、超参数调参难度大、特征融合策略不当会导致信息冗余或关键特征稀释。

这里特别提一下论文里重点关注的新兴模型：

• Mamba：通过选择性状态空间模型，实现了线性时间复杂度的全局上下文建模，完美结合了 Transformer 的全局感受野和 RNN 的线性复杂度，是超长时序分类的最优解之一；
• KAN：用边的可学习激活函数替代了 MLP 节点的固定激活函数，函数拟合能力和可解释性更强，在复杂非线性时序分类中表现突出，但目前硬件优化还不够成熟。

（4）时空融合建模类：解耦关联，适配多变量时序

这类方法专门针对多变量时序数据，在建模时序动态的同时，显式建模变量间的空间关联，解决了多变量时序中「通道间耦合」的问题。

• 核心代表：GCN/GNN 图神经网络、ConvTran、TodyNet 动态图网络、SAGoG 相似性感知图网络；
• 核心优势：能同时捕捉时序动态和变量间的空间关联，完美适配多传感器、多通道的工业 / 医疗时序数据；
• 核心局限：重度依赖空间结构先验知识、纯时序数据场景会引入冗余计算、小数据集下易过拟合。

2.3 小样本学习：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：故障样本难获取、医疗数据标注成本极高、雷达目标数据采集受限...... 小样本学习，就是为了解决这个核心痛点而生的。论文将小样本 TSC 方法分为四大类，完整覆盖了当前的主流技术路线：

1. 迁移学习类：核心是「知识复用」，把大规模源域数据上预训练的时序特征提取能力，迁移到小样本目标域，典型方案包括预训练模型微调、域对抗训练。优势是实现简单、落地性强，缺点是源域和目标域差异过大时会出现「负迁移」。
2. 自监督学习类：核心是「无监督预训练」，通过设计掩码重构、时序对比学习等前置任务，从海量无标注时序数据中学习通用特征表示，再用少量标注数据微调分类器。典型方案包括 TS-TCC、CA-TCC，是当前工业界最有潜力的落地方向。
3. 元学习类：核心是「学会学习」，通过跨任务的元训练，让模型获得「快速适配新任务」的能力，在新的小样本分类任务中，仅需少量样本就能快速收敛。典型方案包括 MAML、时序原型网络，优势是新类别适配速度快，缺点是元训练需要大量异构任务，计算成本高。
4. 多模态学习类：核心是「互补信息增强」，把时序数据和文本、图像等其他模态数据融合，通过跨模态的知识补充，提升小样本下的特征判别性。典型方案包括时序 - 语言大模型融合、时序成像 + 预训练 CV 模型，适合有辅助模态信息的场景。

三、落地指南：从实验室到工业界，TSC 的四大核心场景

这篇综述最难得的一点，就是没有停留在算法层面，而是深入拆解了 TSC 在四大高价值行业的落地现状、核心挑战与技术选型，这对从业者来说是最有价值的部分。

3.1 医疗信号分类：生命信号的精准解读

核心场景 ：ECG 心电信号分类、EEG 脑电信号分类、EMG 肌电信号分类、呼吸信号分析；核心挑战 ：个体间差异大、标注需要专业医师成本极高、信号信噪比低、跨设备数据分布偏移、隐私合规要求严格；主流技术方案：轻量级 CNN+LSTM 混合模型、小样本迁移学习、联邦学习解决数据孤岛问题、可解释 AI 满足临床信任要求。

3.2 雷达 HRRP 目标识别：国防场景的核心感知

核心场景 ：雷达高分辨距离像（HRRP）的目标分类、非合作目标识别、隐身目标检测；核心挑战 ：目标姿态敏感性强、信噪比波动大、仿真数据与实测数据存在域差、非合作目标标注样本稀缺、开放集识别要求高；主流技术方案：CNN-Transformer 混合架构、小样本元学习、对比学习解决仿真 - 实测域适配、动态图网络建模散射点关联。

3.3 工业故障诊断：智能制造的安全底座

核心场景 ：轴承 / 齿轮箱故障诊断、航空发动机状态监测、风电设备故障预警、工业传感器异常检测；核心挑战 ：健康数据与故障数据极端不平衡、工况多变导致分布漂移、复合故障耦合难分离、早期故障特征微弱、边缘设备部署的轻量化要求；主流技术方案：Rocket 系列轻量级模型、Mamba 超长序列建模、数字孪生 + 生成式数据增强解决样本稀缺、迁移学习解决多工况适配问题。

3.4 网络流量检测：网络安全的第一道防线

核心场景 ：IoT 入侵检测、加密流量分类、网络攻击识别、异常流量检测；核心挑战 ：攻击模式快速迭代导致概念漂移、加密流量 payload 不可见、零日攻击样本稀缺、高吞吐场景下的实时性要求、对抗性规避攻击；主流技术方案：时序成像 + Transformer 模型、自监督学习检测零日攻击、轻量化模型适配边缘网关、对抗训练提升模型鲁棒性。

四、行业痛点与未来：TSC 的下一个十年在哪里？

论文的最后，系统总结了当前 TSC 领域面临的三大通用核心挑战，并提出了四大未来研究方向，给所有研究者和从业者指明了赛道。

4.1 当前 TSC 领域的三大核心挑战

1. 数据层面：高质量标注样本稀缺、真实数据非独立同分布、跨源数据异构性强、信噪比低；
2. 模型层面：跨域泛化能力不足、概念漂移下性能快速衰减、黑箱模型可解释性差，难以满足安全关键场景的要求；
3. 部署层面：SOTA 模型的计算复杂度与边缘设备的实时性、功耗约束存在矛盾、数据隐私合规要求高、对抗环境下的鲁棒性不足。

4.2 未来四大核心研究方向

（1）生成式增强与域自适应

针对样本稀缺和跨域漂移问题，未来的核心是物理引导的生成式建模：结合数字孪生、物理先验知识，生成符合真实物理规律的合成样本，而非纯数据驱动的生成；同时通过元学习、子域自适应技术，实现模型在不同设备、不同工况、不同个体间的鲁棒迁移。

（2）物理信息融合与因果可解释性

安全关键场景中，「高精度」远不如「可解释、可信任」重要。未来的 TSC 模型，将从纯数据驱动，走向物理信息融合的神经网络（PINNs）：把行业的物理机理、先验知识嵌入到模型的损失函数和结构中，让模型学习到的特征具备明确的物理语义；同时通过因果推理，替代传统的关联建模，让模型的决策过程可追溯、可解释。

（3）轻量化架构与隐私计算

针对边缘部署的需求，未来的 TSC 模型将朝着硬件感知的轻量化设计发展：深度可分离卷积、线性注意力、Mamba 等高效架构，结合剪枝、量化、知识蒸馏的压缩流水线，实现精度和效率的平衡；同时通过联邦学习、差分隐私技术，打破医疗、工业等领域的数据孤岛，在不泄露原始数据的前提下，实现多源数据的联合建模。

（4）时间序列基础模型

大语言模型在 NLP/CV 领域的成功，也给 TSC 领域指明了方向。未来的核心突破点，是构建通用的时序基础模型：通过在海量多域时序数据上进行自监督预训练，让模型学习到通用的时序动态规律，再通过 Prompt Tuning、LoRA 等轻量化适配方式，快速迁移到不同的下游 TSC 任务中，解决小样本、冷启动的行业痛点。同时结合思维链（CoT）推理，缓解大模型的「幻觉」问题，提升复杂诊断任务的可靠性。