综述：时间序列分类的全面综述：传统方法、深度学习方法与小样本学习方法

《Computer Science Review》：A comprehensive review of time series classification: Traditional, deep learning, and few-shot learning Methods

　　彭旺|宣武|宋亚飞|田德阳|王晓丹
中国西安710051，空军工程大学防空导弹学院

摘要
作为时间序列数据分析的核心任务，时间序列分类在医疗、工业和军事领域具有广泛的应用价值。近年来，基于深度学习的时间序列分类方法发展迅速，在特征表示和模式识别能力方面显著超越了传统方法。然而，当前该领域仍缺乏针对实际应用场景的系统性、结构化综述。为此，我们对时间序列分类领域的最新进展进行了系统性综述。我们提出了一种多层级综述框架，包含三个横向维度与三个纵向维度：三个横向维度涵盖传统分析方法、基于深度学习的方法以及基于小样本学习的方法；三个纵向维度则涉及数据、方法与应用层面。我们将深度学习方法分为基于局部模式挖掘、基于时间依赖建模、基于混合模型架构以及基于时空融合建模的四类，从而凸显这些方法在深度学习模型结构与特征提取方面的特点，并分析了各自的优缺点。此外，我们还介绍了时间序列分类中常用的公共数据集与评估指标。为推动这些方法的应用，我们概述了四个典型的应用领域以及深度学习分类方法的发展趋势。最后，我们探讨了未来研究方向，以应对生成式增强、多模态融合、小样本学习以及可解释人工智能等实际应用中的挑战。现有文献要么过度强调模型而忽视应用场景，要么过度侧重方法而忽略整合性。本综述旨在为研究人员提供一个结构化的知识框架，以指导时间序列分类及其应用的相关研究。

引言
时间序列数据是描述动态系统演化过程的主要形式，在金融、医疗、工业、交通和军事等领域有着广泛的应用[[1], [2], [3]]。时间序列数据所具有的时间依赖性、多尺度动态模式以及跨维度相关性，有助于提取系统中的长期趋势、季节性波动及突发异常，为理解其时间行为提供重要依据。揭示时间序列中的时间模式为建模复杂系统提供了量化基础，例如监测和分析长期生命体征的周期性变化及其与临床疾病之间的关联。另一方面，通过识别历史数据中的模式，可以实现对未来状态的预测与预警，为工业预测性维护和疾病早期筛查等关键应用提供支持[[4], [5], [6]]。随着物联网技术的普及，多维度、高频率的时间序列数据呈爆炸式增长。从海量时间序列数据中提取有价值的洞察已成为当前跨学科时间序列研究的核心挑战。

时间序列分类在时间序列数据分析中起着至关重要的作用。它的目标是将具有相似模式的序列归类到预定义的类别中，为动态系统中的自动决策提供重要支持。通过捕捉时间序列中的局部特征（如波形拐点）和全局结构（如周期性模式），可以实现模式识别。时间序列分类的应用范围极为广泛，包括医学信号分类、雷达目标识别、工业故障诊断以及网络流量检测[2,7]。由于时间数据的迅猛增长以及特征模式的日益复杂，该领域已从传统的基于距离和统计的方法，发展为基于深度学习的端到端建模方式。最近，时间序列分类还引入了多模态学习与元学习等新范式，以克服样本标注不足和跨领域泛化等难题。时间序列分类研究提升了大量真实世界时间序列数据的分析效率，极大地提高了决策的准确性与及时性。在大数据与边缘计算同步发展的背景下，时间序列分类正朝着轻量化与跨模态方向发展。这一进步推动了物联网、智能医疗以及工业4.0等领域的技术突破，成为连接时间序列数据与实际应用的重要桥梁。

深度学习在计算机视觉[8]和自然语言处理[[9], [10], [11]]领域取得了显著进展，逐渐成为推动时间序列分类发展的核心力量。从技术发展角度来看，深度学习在时间序列分类中的应用呈现爆发式增长。最初，卷积神经网络[CNNs][12,13]和循环神经网络[RNNs][14,15]被应用于这一领域。CNNs能够有效提取时间序列中的局部特征，而RNNs则可捕捉序列中的时间依赖关系。然而，鉴于时间序列数据的独特特性，研究人员发现来自计算机视觉等领域的深度学习模型并不直接适用于时间序列分类。简单的CNNs和RNNs逐渐暴露出其局限性：CNNs难以有效处理长距离依赖关系，而RNNs在训练过程中容易出现梯度消失或爆炸问题。为解决这些缺陷，研究人员开发了专为时间序列分类设计的改进模型。例如，全卷积网络[FCNs][16,17]通过用卷积层替代传统CNN中的全连接层，实现了时间序列数据的端到端学习，这种方式避免了复杂的特征工程，显著提升了分类性能。值得注意的是，InceptionTime[18]通过构建集成多个具有不同架构的Inception模块的模型，在UCR基准测试中取得了优异性能，展现了结构创新在时间序列分类中的巨大潜力。与此同时，基于注意力机制的模型，如Transformer及其变体[19,20]，也展现出良好的应用前景。这类模型能够自适应地聚焦时间序列中的关键信息，有效应对长距离依赖相关的挑战。Mamba[21]作为一种状态空间模型，在时间序列处理方面具有独特优势。凭借其线性时间复杂度，Mamba无需依赖注意力机制即可高效处理长序列，降低了计算成本和内存需求。Kolmogorov-Arnold网络[KAN][22]具备强大的函数拟合能力和可解释性，有助于更好地处理时间序列分类中的复杂关系与非线性模式，在复杂时间序列分类等挑战性任务中表现出色[23]。此外，多模态学习、自监督学习以及元学习等框架也已成为数据有限的时间序列分类研究的新热点[3]。

目前，基于深度学习的时间序列分类方法发展迅速，但现有的时间序列综述仍存在诸多局限：（1）大多数综述仅列出并介绍各种方法，未能进行系统、结构化的整合与分析，导致这些方法的发展脉络与分类框架尚不清晰。（2）现有综述未能及时更新和完善，对新兴技术的覆盖不足，缺乏对Transformer、Mamba和KAN等新型时间序列模型的介绍，也尚未出现关于小样本时间序列分类特点与技术的全面综述。（3）现有综述多侧重于模型本身，而忽视了对典型时间序列应用场景的分析，缺乏来自工程实践和实际应用的总结与见解。面对日益丰富且快速发展的时间序列分类研究，研究人员迫切需要一份全面的综述，以梳理最新的技术知识与研究方向，从而快速把握该领域的研究热点、未来发展态势及应用前景。因此，我们提出了如图1所示的创新性三横三纵框架，用于对时间序列分类进行综述。三个横向维度涵盖传统方法、深度学习方法以及小样本学习方法，三个纵向维度则涉及数据、方法与应用层面。横向维度反映了建模方法从以特征工程为主向以数据驱动和数据高效学习为主的演变过程，而纵向维度则关注不同的研究层次，这些层次在不同方法论范式中具有共性。该框架弥补了现有综述往往侧重方法而非整合、侧重模型而非场景的不足。我们全面探讨了时间序列分类方法，重点分析了基于深度学习的方法的发展情况。同时，我们对时间序列分类的数据集与评估框架进行了系统综述，还整理分析了四种典型的时间序列分类应用场景，并指出了其未来的发展方向。最后，基于当前的研究现状，我们分析了基于深度学习的时间序列分类方法所面临的挑战，并提出了未来的研究方向。

我们的目标是为研究人员提供一种新颖且系统的时间序列分类综述方法。本综述将分析基于深度学习的检测方法所面临的挑战，并提出潜在的未来研究方向，进一步推动时间序列分类方法在下游应用领域的创新发展。本文的贡献如下：（1）我们提出了开创性的三横三纵多维度研究框架。横向上，它涵盖了三种方法论体系：传统方法、深度学习方法以及小样本学习方法；纵向上，它整合了数据维度、方法论维度与应用场景三个研究轴。该框架作为一种启发式工具，能够系统地揭示单维度综述往往忽视的结构性研究缺口，从而引导人们探索新的研究范式。（2）在方法论层面，我们全面总结了基于传统分析方法、深度学习以及小样本学习的时间序列分类方法的现状，系统分析了各类方法之间的关系、优势与局限性，同时探讨了时间序列分类领域的新兴前沿研究方向，填补了现有综述在新型研究领域方面的空白。（3）在应用层面，我们系统整理了医学信号分类、雷达自动目标识别、工业故障诊断以及网络流量检测这四种典型的应用场景，通过整合各任务的特性，提出了应用时间序列分类技术的新范式，并为推动时间序列分类从学术研究走向关键领域应用提供了思路。（4）最后，我们分析了时间序列分类领域的详细研究挑战与未来方向，提供了一份兼具理论价值与实践意义的学术指南与研究路线图。

本文的其余结构如下：第2节定义时间序列，阐述时间数据的特征、数据增强方法以及时间序列分类所面临的挑战，同时对时间序列分类领域的现有框架与开创性研究进行了全面综述。第3节详细介绍了文献检索策略与综述方法。第4节对传统分析方法、深度学习方法以及小样本学习方法在时间序列分类中的应用现状进行了全面总结，明确了各类方法之间的关系、优势与局限性。第5节分析了时间序列数据增强技术及模型架构优化方法的当前应用状况。第6节介绍了时间序列分类中常用的数据集与评估指标。第7节概述了四种典型时间序列分类应用场景的当前研究现状及领域特定挑战。第8节总结了时间序列分类的研究挑战与未来方向，为研究人员提供参考与启示。第9节对全文内容进行总结。

片段摘录
**时间序列的定义**
时间序列数据是指在固定时间间隔内依次采集的观测值所构成的有序序列。时间序列数据的核心特征在于数据点之间的时间依赖性，即当前观测值取决于历史状态，也可能预示未来的发展趋势。根据变量维度的不同，时间序列可分为单变量时间序列（UTS）和多变量时间序列（MTS）。图2展示了时间序列的示意图。图2(a)说明了……

**综述策略**
本综述以基于深度学习的时间序列分类为核心研究主题，旨在系统整合传统方法与深度学习技术的发展成果，构建一个涵盖数据特征、研究方法及应用场景的多维度知识框架。为确保综述的科学性与时效性，我们制定了严谨的检索策略，明确了在四个方面的检索范围……

**时间序列分类方法**
随着时间序列数据日益复杂以及深度学习技术的快速发展，时间序列分类方法也在迅速演进。为便于清晰了解其发展脉络，人们提出了多层级综述框架，该框架由三个横向维度与三个纵向维度构成。首先，我们根据研究主题的时间发展顺序对时间序列分类方法进行分类，包括基于传统分析的方法、基于深度学习的方法、数据增强以及模型架构优化技术。基于深度学习的时间序列分类方法在现实应用中面临诸多挑战，主要体现在数据层面和模型设计层面。数据增强与模型架构优化是实现时间序列分类模型实际应用的关键。研究表明，数据增强能够扩大训练数据的分布范围，提升模型对数据变化的适应能力，这些变化包括噪声、数据漂移以及样本稀疏等问题。

数据集
公共数据集对于时间序列分类研究而言至关重要。这些数据集的多样性和标准化程度直接影响模型性能的可重复性以及不同方法之间的公平性。根据数据维度、领域特征和任务类型，主流数据集可分为三类：单变量数据集、多变量数据集和领域特定数据集。这类数据集涵盖了医疗、工业和军事等领域的典型应用场景。

典型应用场景
时间序列分类的价值最终体现在其对现实问题的应用上。本节重点探讨四种应用场景：医学信号分类、雷达高分辨率距离剖面识别、工业故障诊断以及网络流量检测。针对每个领域，本文深入分析了时间数据的特点、核心分类任务、主流方法以及领域特有的挑战，从而为时间序列分类在不同领域的应用搭建了桥梁。

关于总体挑战与未来工作的讨论
时间序列分类在医疗、国防、工业制造以及网络安全等关键领域展现出巨大的变革潜力。然而，学术层面的基准测试与实际应用之间仍存在巨大差距，这一差距既源于特定场景下的瓶颈问题，也源于跨领域的系统性难题。在第七节对领域特定问题进行分析的基础上，本节总结了那些超越各个具体应用领域的共性核心挑战。

结论
本文提出了一种多维度的评估框架，该框架包含三个横向维度与三个纵向维度，用于评估基于深度学习的时间序列分类技术。通过这一框架，我们可以系统地梳理该领域的研究成果与发展趋势。三个横向维度分别对应传统分析方法、基于深度学习的方法以及基于少样本学习的方法，清晰地展现了从手动特征工程到数据驱动建模的发展路径。三个纵向维度则……