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、TSCMambaMamba 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」。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。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。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 CNNLSTM 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。[1] Wang P, Wu X, Song Yafeiet al. A comprehensive review of time series classification: Traditional, deep learning, and few-shot learning methods[J]. Comput. Sci. Rev., 2026, 61: 100953. DOI: 10.1016/j.cosrev.2026.100953.