غالبًا ما تؤدي دراسة العمليات الحيوية أو الفيزيائية إلى تسلسلات طويلة من القيم المرتبة زمنيًا، المعروفة باسم السلاسل الزمنية (TS). تؤدي التغيرات في العمليات الملاحظة، مثل التغيرات الناتجة عن أحداث طبيعية أو تغيرات في الحالة الداخلية، إلى تغيرات في القيم المقاسة. تهدف عملية تقسيم السلاسل الزمنية (TSS) إلى اكتشاف هذه التغيرات في السلاسل الزمنية لاستخلاص معلومات حول التغيرات في العملية الأساسية. يُعالج TSS عادةً كمشكلة تعلم غير مراقب، تهدف إلى تحديد أجزاء قابلة للتمييز من حيث خاصية إحصائية معينة. نقدم في هذا العمل طريقة جديدة ودقيقة للغاية تُدعى ClaSP لحل مشكلة تقسيم السلاسل الزمنية. تعتمد ClaSP على تقسيم السلسلة الزمنية بشكل هرمي إلى جزأين، حيث يتم تحديد كل نقطة تقسيم من خلال تدريب تصنيفية ثنائية للسلاسل الزمنية لكل نقطة تقسيم محتملة، ثم اختيار النقطة ذات الدقة الأعلى، أي النقطة التي تكون الأفضل في التمييز بين التسلسلات الجزئية المنتمية إلى أحد الجزأين أو الآخر. في تقييمنا التجريبي باستخدام مجموعة معيارية مكونة من 98 مجموعة بيانات، نُظهر أن ClaSP تتفوق على أفضل الطرق الحالية من حيث الدقة، كما أنها أسرع من الطريقة الثانية الأفضل. ونسلط الضوء على خصائص ClaSP من خلال تحليل عدة سلاسل زمنية حقيقية.