摘要
时间序列分析是数据科学领域中的一个重要方向，专注于对按时间顺序排列的数值序列进行分析。时间序列之所以具有特殊意义，在于它们能够帮助我们直观地观察并理解某一过程随时间的演变规律。通过分析，我们能够揭示数据中的趋势、关联性以及相似性。在众多领域中均广泛存在时间序列形式的数据，例如：医疗健康（心电图、血糖水平等）、行为识别、遥感监测、金融领域（股票市场价格）、工业领域（传感器数据）等。时间序列分类旨在构建专门的算法，以实现对时间序列数据的自动标注。由于时间序列数据具有显著的时序特性，因此需要设计能够有效利用这一时间依赖性的算法，这也使得传统的适用于表格型数据的现成机器学习模型在处理此类任务时表现欠佳。近年来，深度学习在这一领域中脱颖而出，成为解决监督分类任务最有效的方法之一，尤其在计算机视觉领域取得了显著成果。本论文的主要目标是研究并开发专为时间序列分类任务设计的深度神经网络。为此，我们开展了首次大规模的实验研究，系统比较了现有的深度学习方法，并将其与基于非深度学习的先进方法进行了全面对比与定位。在此基础上，我们在多个关键方向做出了重要贡献，包括迁移学习、数据增强、集成学习以及对抗攻击等方面。最后，我们提出了一种新型网络架构，该架构基于著名的Inception网络（Google提出），目前已被证明是效率最高的时间序列分类模型之一。