本研究提出了一种新型的MTS分类器WEASEL + MUSE，通过在每个MTS的维度上使用滑动窗口方法提取离散特征，并基于特征选择构建一个小但具有区分性和MTS分类有用的特征集。实验表明，WEASEL + MUSE是一种准确率最高的MTS分类器之一，具有良好的鲁棒性。

Nov, 2017

通过系统比较卓越时间序列特征库中的时间序列的适当特征化表示形式，可以捕捉时间序列的动态特性，为时间序列应用程序提供高效的聚类和分类能力。我们通过减少时间序列特征的数量，从和特性库中的原始数量的 4791 种特征中提取出一个名为 catch22 的定义良好、准确有效并不冗余的时间序列特征集，这个集合只包含有 22 个时间序列特征。这种降维数据的方法可以在保持准确性的情况下大大减轻计算负担，并通过让科学、工业、金融和医学应用程序可以使用一种可解释性的时间序列特征语言，从而促进其应用。

Jan, 2019

TS-CHIEF是一种新的TSC算法，它构建了一个集成了最有效的时间序列嵌入式森林的集成分类器，通过使用树形分类器进行高效的分类。我们对加利福尼亚大学河滨（UCR）档案的85个数据集进行了评估，在可扩展性和效率方面实现了最新的准确性，能够在仅用比其它算法更短的时间内处理130k的时间序列。

Jun, 2019

提出了一种基于模块裁剪和 Pareto 分析的方法，旨在研究模型效率与准确性及其复杂性之间的关系，以设计一种有效的网络架构来减少计算成本，实验结果在基准 MTS 数据集上验证了该方法的有效性。

Mar, 2022

本研究介绍了TSFEDL库，该库编译了20种时序特征提取和预测的先进方法，利用卷积神经网络和循环神经网络用于数据挖掘任务，结果表明该Python库有很高的实用价值。

Jun, 2022

本文研究了时序分类器在检测低频智能电表数据中多种家电的存在和缺失方面的应用和比较，并提高了关于提高检测性能的建议。

May, 2023

时间序列分类（TSC）一直是数据科学和知识工程中的一项关键且具有挑战性的问题。在过去的二十年里，有关TSC的研究受到了广泛关注，并涌现出许多基于相似度度量、区间、形状、字典、深度学习方法或混合集成方法的最新方法。近年来，人们还设计了几种从时间序列中提取无监督信息摘要统计（即特征）的工具。本文通过对112个时间序列数据集上进行的超过10000次学习实验的结果分析表明，基于特征的方法的性能与当前先进的TSC算法一样准确，因此在TSC文献中应该得到更多的关注。

Aug, 2023

时间序列分类是时间序列挖掘中最重要的任务之一，本论文介绍了一种以效率为主要目标的新方法，通过简化时间序列的表示和考虑部分值的距离度量，实现对大型时间序列数据集的高效分类。实验结果表明，与其他高效方法相比，该方法不仅平均速度快4倍，而且在分类准确性上更为优越。

Dec, 2023

智能电表数据应用于家庭电器侦测，通过使用消费序列的子序列和基于Transformer的时间序列分类器，该方法提出了一种优于现有解决方案的侦测框架。

Dec, 2023

利用部分传感器窗口的早期退出分类器最大限度地减少能源消耗，同时保持准确性，从而在时间序列应用程序中实现了50-60%的平均能量节省，适用于能量有限的偏远地区。

Jul, 2024