تعلم تمثيلات جيدة من بيانات السلاسل الزمنية غير المصنفة التي تحتوي على ديناميات زمنية هو مهمة صعبة للغاية. في هذا البحث، نقترح إطارًا لتعلم تمثيلات السلاسل الزمنية بدون إشراف عبر التباين الزمني والسياقي (TS-TCC) لاستخراج التمثيلات الزمنية من البيانات غير المصنفة. أولاً، يتم تحويل البيانات الأولية للسلاسل الزمنية إلى وجهتين مختلفتين ولكن مرتبطتين باستخدام تحسينات ضعيفة وقوية. ثانياً، نقترح وحدة تباين زمني جديدة لتعلم تمثيلات زمنية قوية من خلال تصميم مهمة تنبؤ صعبة بين الوجهات المختلفة. أخيراً، لتعلم تمثيلات أكثر تمييزًا، نقترح وحدة تباين سياقية تعتمد على السياقات المستخرجة من الوحدة الزمنية للتباين. تهدف هذه الوحدة إلى زيادة التشابه بين سياقات العينة نفسها بينما تعمل على تقليل التشابه بين سياقات عينات مختلفة. تم إجراء التجارب على ثلاثة مجموعات بيانات حقيقية للسلاسل الزمنية. أظهرت النتائج أن تدريب تصنيف خطي باستخدام الخصائص المستخرجة بواسطة الإطار المقترح TS-TCC يؤدي إلى أداء يضاهي التدريب بالإشراف. بالإضافة إلى ذلك، أثبت الإطار المقترح TS-TCC كفاءته العالية في سيناريوهات البيانات القليلة المصنفة والتعلم النقل. الرمز البرمجي متاح بشكل عام على الرابط https://github.com/emadeldeen24/TS-TCC.