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”综述框架三横传统分析方法深度学习方法少样本学习方法三纵数据维度方法维度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CNNTransformer、LSTMAttention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、RP2.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。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。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。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。