تُعد بيانات السلاسل الزمنية شائعة في مجموعة واسعة من التخصصات. ويشكل التصنيف المبكر للسلاسل الزمنية، الذي يهدف إلى التنبؤ بفئة السلسلة الزمنية بأسرع وقت وأعلى دقة ممكنة، مهمة ذات أهمية كبيرة ولكنها تتسم بالصعوبة في العديد من التطبيقات الحساسة للزمن. تعتمد الطرق الحالية بشكل رئيسي على قواعد إيقاف تجريبية لاستخلاص إشارات الإيقاف من نتائج تصنيف السلاسل الزمنية. ومع ذلك، فإن قواعد الإيقاف التجريبية قادرة فقط على اكتشاف إشارات الإيقاف الواضحة، مما يؤدي إلى نتائج إما صحيحة ولكن متأخرة، أو مبكرة ولكن غير صحيحة. ولحل هذه المشكلة، نقترح شبكة موثوقية من الدرجة الثانية جديدة لتصنيف السلاسل الزمنية المبكر، والتي تمكن من تعلم تلقائي لاستخلاص إشارات الإيقاف الضمنية في السلاسل الزمنية المبكرة ضمن إطار موحد. تعتمد النموذج المقترح على النماذج العصبية العميقة لاستخلاص الأنماط الزمنية، ويُخرج موثوقية من الدرجة الثانية لتعكس إشارات الإيقاف الضمنية. وبشكل خاص، يستخدم نموذجنا البيانات ليس فقط من خطوة زمنية واحدة، بل أيضًا من تسلسل الاحتمالات لاستخلاص إشارات الإيقاف. وبدمج إشارات الإيقاف الناتجة عن مخرجات المصنف مع الموثوقية من الدرجة الثانية، نصمم مُفعّلًا أكثر موثوقية لاتخاذ قرار بشأن ما إذا كان يجب طلب ملاحظات إضافية من الخطوات الزمنية المستقبلية أم لا. أظهرت النتائج التجريبية أن النهج المقترح يمكنه تحقيق أداءً متفوقًا في التصنيف المبكر مقارنةً بالطرق الرائدة في مجالها.