摘要

时间序列分类算法长期以来主要由非深度学习模型主导。近年来，深度学习在多变量时间序列分类（Multivariate Time Series Classification, MTSC）领域受到了广泛关注。目前主流的先进深度学习方法多基于卷积神经网络，采用一维（1D）卷积从二维时间序列中提取特征。本研究发现，将一维卷积核分解为互不重叠的时间维度与空间维度组件，能够在几乎不增加计算成本的前提下显著提升分类精度。基于对分离式时空卷积核的深入研究，我们提出了一种新型卷积核模块——“1+1D”模块，该模块强调时间与空间维度之间的交互作用，从而有效提升基于卷积的深度学习MTSC模型的性能。在此基础上，我们进一步提出了一种新颖且高效的MTSC方法——Disjoint-CNN，其核心为所设计的1+1D卷积块。通过在UEA多变量时间序列数据集档案库中的26个数据集上进行广泛实验，我们验证了所提模型（Disjoint-CNN）在9种主流MTSC基准模型中取得了最优的平均排名，显著超越现有最先进方法。