تم استخدام الشبكات العصبية التلافيفية العميقة (CNNs) بنجاح في تطبيقات مختلفة، بما في ذلك التعرف على الصور. تتميز بيانات السلاسل الزمنية، التي تُنتج في العديد من التطبيقات مثل المهام التي تعتمد على بيانات المستشعرات، بخصائص مختلفة عن بيانات الصور، مما يستدعي الحاجة إلى هياكل CNN محددة لمعالجة هذه البيانات. يقترح هذا البحث شبكة عصبية تلافيفية جديدة لتصنيف بيانات السلاسل الزمنية. وتم اقتراح استخراج مخرجات وسيطة من طبقات مخفية مختلفة بدلاً من الاعتماد على مخرج واحد للتحكم في تعديل الأوزان داخل الطبقات المخفية أثناء التدريب. وتُستخدم أهداف وسطية كوسائط تسمية للمخرجات الوسطية بهدف تحسين أداء الطريقة. وتختلف هذه الأهداف الوسطية عن الهدف الرئيسي. علاوةً على ذلك، يُعزز الاقتراح عدد أمثلة التدريب بشكل اصطناعي باستخدام أمثلة التدريب الأصلية والأهداف الوسطية. ويحول النهج المقترح مهمة التصنيف ذات الأمثلة الأصلية إلى مهمة تصنيف جديدة (لكنها مكافئة) تتضمن فئتين مع عدد كبير من أمثلة التدريب. وتم تسمية الشبكة العصبية التلافيفية المقترحة لتصنيف السلاسل الزمنية بـ CNN-TS، والتي تستخرج الميزات بناءً على المسافة بين سلسلتين زمنيتين. وقد تم تقييم CNN-TS على مجموعة متنوعة من مجموعات البيانات القياسية للسلاسل الزمنية. وقد حققت CNN-TS دقة إجمالية أعلى بنسبة 5.1% مقارنة بالطريقة الأساسية لـ CNN (دون طبقة وسطية). كما حققت CNN-TS دقة متوسطة أعلى بنسبة 21.1% مقارنة بالطرق التقليدية في التعلم الآلي، مثل SVM الخطي، وSVM مع دالة التكافؤ التربيعية (RBF)، وRF. بالإضافة إلى ذلك، كانت CNN-TS أسرع في وقت التدريب بمتوسط 8.43 مرة مقارنةً بخوارزمية ResNet.