论文链接：A comprehensive review of time series classification: Traditional, deep learning, and few-shot learning Methods - ScienceDirect
时间序列分类的综合综述：传统、深度学习与少样本学习方法

[1] Wang P, Wu X, Song Yafei et 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.
 

这篇题为《A comprehensive review of time series classification: Traditional, deep learning, and few-shot learning methods》的文章是一篇发表于2026年的系统性综述，提出了一个“三横三纵”的多维综述框架，全面梳理了时间序列分类（TSC）领域的研究进展。以下是对该文的详细阅读笔记：

一、核心思想与贡献

1. “三横三纵”综述框架

• 三横：

  1. 传统分析方法

  2. 深度学习方法

  3. 少样本学习方法

• 三纵：

  1. 数据维度

  2. 方法维度

  3. 应用维度

该框架系统整合了方法演进与实际应用，填补了现有综述在系统性与场景适配性方面的空白。

2. 主要贡献

• 提出多维度的TSC研究框架，揭示研究空白。

• 全面梳理传统、深度学习和少样本学习方法，分析其优劣势。

• 聚焦四大典型应用场景：医疗信号、雷达目标识别、工业故障诊断、网络流量检测。

• 提出未来研究方向，如生成式增强、多模态融合、可解释AI、时序基础模型等。

二、方法论体系解读

1. 传统分析方法

• 统计建模（如ARIMA、小波分析）

• 相似性度量（如DTW、Shapelet）

• 特征工程（如统计特征、频域特征）

• 集成学习（如TS-CHIEF、HIVE-COTE）

优点：可解释性强，适合小样本；缺点：依赖人工特征设计，泛化能力差。

2. 深度学习方法

• 局部模式挖掘：CNN、TCN、Rocket等

• 时序依赖建模：LSTM、GRU、Transformer

• 混合架构：CNN+Transformer、LSTM+Attention等

• 时空融合建模：GCN、GNN+时序建模

优点：端到端学习，适应复杂数据；缺点：计算复杂度高，需大量标注数据。

3. 少样本学习方法

• 迁移学习：预训练+微调

• 自监督学习：对比学习、掩码重建

• 元学习：MAML、原型网络

• 多模态学习：文本+时序、图像+时序

优点：适应标注稀缺场景；缺点：对预训练任务设计敏感，跨域泛化仍有挑战。

三、数据增强与模型优化

1. 数据增强方法

• 时频域增强：裁剪、扭曲、噪声注入

• 分解增强：EMD、STL分解

• 生成模型增强：GAN、VAE、Diffusion Model

• 图像化增强：GAF、MTF、RP

2. 模型优化技术

• 神经架构搜索（NAS）

• 知识蒸馏（KD）

• 剪枝与量化

• 硬件感知优化（如MicroNAS）

四、应用场景与挑战

1. 医疗信号分类

• ECG、EEG、EMG、呼吸信号

• 挑战：个体差异大、标注成本高、隐私限制、信号噪声强

2. 雷达HRRP目标识别

• 高分辨距离像

• 挑战：姿态敏感、相位信息复杂、开放集识别、信噪比变化大

3. 工业故障诊断

• 振动信号分析

• 挑战：类别极度不平衡、运行工况变化、复合故障、强噪声背景

4. 网络流量检测

• 入侵检测、加密流量识别

• 挑战：概念漂移、加密流量、对抗攻击、误报率高

---

五、未来研究方向

1. 生成式增强与领域自适应：结合物理模型与生成模型，提升样本质量与跨域泛化能力。

2. 物理信息学习与因果可解释性：将物理机制嵌入模型，提升可解释性与泛化能力。

3. 轻量化架构与隐私保护计算：适用于边缘设备的模型压缩与联邦学习。

4. 时序基础模型：构建通用时序大模型，支持跨任务、跨模态迁移。

六、总结与思考

本文是一篇结构清晰、内容详实的综述，具有以下特点：

• 系统性：从传统方法到前沿的少样本学习，构建了完整的TSC知识体系。

• 实用性：不仅关注模型，还深入分析数据特性与应用场景，强调“从数据到部署”的全链路。

• 前瞻性：提出未来研究方向，如时序大模型、可解释AI等，具有指导意义。

思考：

• 当前TSC研究仍面临“模型复杂 vs 数据稀缺”、“通用性 vs 可解释性”的张力。

• 未来应更注重物理机制与数据驱动结合、多模态融合、边缘智能部署等方向。

• 对于工业界而言，模型的鲁棒性、可解释性、实时性比单纯追求精度更为关键。