تنشأ السلاسل الزمنية المتعددة المتغيرات (MTS) عندما تسجل أجهزة الاستشعار المتصلة بعدة طرق البيانات على مر الزمن. التعامل مع هذه البيانات ذات الأبعاد العالية يمثل تحديًا لكل تصنيف، وذلك لجوانب عديدة على الأقل: أولاً، يتميز السلاسل الزمنية المتعددة المتغيرات ليس فقط بقيم الخصائص الفردية، بل أيضًا بالتفاعل بين الخصائص في الأبعاد المختلفة. ثانيًا، هذا غالبًا ما يضيف كميات كبيرة من البيانات غير ذات الصلة والضوضاء. نقدم هنا تصنيفنا الجديد للسلاسل الزمنية المتعددة المتغيرات WEASEL+MUSE الذي يواجه هذين التحديين. يستخدم WEASEL+MUSE متجه خصائص متعدد الأبعاد، حيث يتم تطبيق نهج النافذة المنزلقة على كل بُعد من أبعاد السلاسل الزمنية المتعددة المتغيرات، ثم استخراج الخصائص المنفصلة لكل نافذة وبُعد. يتم تغذية متجه الخصائص بعد ذلك عبر عملية اختيار الخصائص لإزالة الخصائص غير المميزة، ويتم تحليله بواسطة تصنيف آلة التعلم. تكمن جدة WEASEL+MUSE في طريقة استخراجه وفلترته الخاصة للخصائص متعددة الأبعاد من السلاسل الزمنية المتعددة المتغيرات عن طريق ترميز المعلومات السياقية في كل خاصية. ومع ذلك، فإن مجموعة الخصائص الناتجة صغيرة ولكنها مميزة للغاية ومفيدة للتعرف على السلاسل الزمنية المتعددة المتغيرات. بناءً على مقاييس شعبية لمجموعة من 20 مجموعة بيانات للسلاسل الزمنية متعددة الأبعاد، وجدنا أن WEASEL+MUSE يعد أحد أكثر التصنيفات دقة عند مقارنته بأحدث التقنيات. يتم تأكيد الصلابة المتميزة لـ WEASEL+MUSE بشكل أكبر بناءً على بيانات التعرف على حركات الإيماء، حيث حقق دقة مشابهة لتلك التي حققتها الأساليب الخاصة بالمجال دون الحاجة إلى تعديل أو ضبط إضافي.