多変量時系列（Multivariate Time Series: MTS）は、複数の相互に接続されたセンサーが時間とともにデータを記録することによって生じます。この高次元データの処理は、少なくとも2つの観点からすべての分類器にとって挑戦的です：第一に、MTSは個々の特徴値だけでなく、異なる次元における特徴の相互作用によっても特徴づけられます。第二に、これは通常、大量の無関係なデータやノイズを追加します。私たちはこれらの両方の課題に対処する新しいMTS分類器WEASEL+MUSEを紹介します。WEASEL+MUSEは、まず各MTS次元に対してスライディングウィンドウ手法を適用し、次に各ウィンドウと次元から離散的な特徴を抽出することで多変量特徴ベクトルを構築します。その後、特徴選択を通じて非差別的な特徴を取り除き、機械学習分類器によって分析されます。WEASEL+MUSEの新規性は、コンテキスト情報を各特徴にエンコードして多変量時系列データから特徴を抽出およびフィルタリングする特定の方法にあります。それでも結果として得られる特徴集合は小さく、しかし非常に差別的で有用なMTS分類のために利用できます。20つのMTSデータセットに基づく人気のあるベンチマークによると、WEASEL+MUSEは最先端技術と比較して最も正確な分類器の一つであることが判明しました。さらに、モーションジェスチャ認識データに基づいて確認したところ、WEASEL+MUSEはドメイン固有の手法と同様の精度を達成しており、その優れた堅牢性が示されています。