تم تبني خوارزميات تصنيف السلاسل الزمنية بشكل رئيسي من قبل النماذج غير العميقة.في السنوات الأخيرة، اكتسب التعلم العميق لتصنيف السلاسل الزمنية متعددة المتغيرات (MTSC) اهتمامًا كبيرًا.تُعد معظم الطرق العميقة المتطورة حاليًا تعتمد على التحويلات التلافيفية، حيث تُستخدم التحويلات أحادية البعد (1D) لاستخراج الميزات من السلاسل الزمنية ثنائية الأبعاد. تُظهر هذه الدراسة أن تفكيك مرشحات التحويل الأحادي البعد إلى مكونات زمنية ومكانية منفصلة يؤدي إلى تحسين كبير في الدقة مع تكلفة حسابية شبه معدومة.استنادًا إلى دراستنا حول مرشحات الزمن والمكان المنفصلة، قمنا بتصميم كتلة مرشح جديدة تُسمى "1+1D"، والتي تُركّز على التفاعل بين الأبعاد لتحسين أداء النماذج القائمة على التحويل التلافيفي في تصنيف السلاسل الزمنية متعددة المتغيرات. كما اقترحنا طريقة جديدة وفعّالة لتصنيف السلاسل الزمنية متعددة المتغيرات تُسمى Disjoint-CNN، باستخدام كتل المرشحات 1+1D التي اقترحناها. ومن خلال تجاربنا الواسعة، أظهرنا أن نموذجنا (الذي يُسمى Disjoint-CNN) يتفوّق على أحدث النماذج في مجال تصنيف السلاسل الزمنية متعددة المتغيرات على 26 مجموعة بيانات ضمن أرشيف UEA لسلاسل الزمن متعددة المتغيرات، ويحقق أعلى تصنيف متوسط بين 9 نماذج معيارية لتصنيف السلاسل الزمنية متعددة المتغيرات.