dl-4-tsc
dl-4-tsc 是一个专注于时间序列分类任务的深度学习代码库，源自一篇发表在权威期刊上的综述论文。它主要解决了研究人员在进行时间序列分析时，需要从头搭建、调试各类神经网络模型的繁琐问题。dl-4-tsc 整合了九种主流深度学习分类器（包括 FCN、ResNet 和 InceptionTime 等），并适配了 UCR 和 MTS 等标准数据集，为算法对比和基准测试提供了极大的便利。
这个项目特别适合机器学习领域的研究人员和算法开发者使用。无论是复现论文结果，还是寻找适合特定业务场景的时间序列分类模型，dl-4-tsc 都能提供现成的解决方案。其技术亮点在于不仅提供了基于 TensorFlow 2.0 的统一代码框架，还通过实验验证了深度残差网络在该领域的优越性能。此外，项目支持 Docker 容器化部署，有效降低了环境配置的门槛，让用户能更专注于算法本身的研究。
使用场景
某工业物联网公司的算法工程师小李，正在开发一套电机故障诊断系统，需要根据传感器采集的振动波形数据，准确判断电机是处于正常运行状态还是发生了轴承故障。
没有 dl-4-tsc 时
- 必须花费大量时间进行繁琐的手动特征工程（如计算均值、方差、频谱特征），且特征提取效果高度依赖专家经验，泛化能力差。
- 尝试从零编写深度学习模型（如 ResNet）时，经常因网络结构细节或超参数设置不当导致模型无法收敛，调试成本极高。
- 缺乏统一的基准参考，难以判断自己训练的模型准确率是否达到了业界合格标准，对模型上线缺乏信心。
使用 dl-4-tsc 后
- 直接调用 dl-4-tsc 提供的 FCN 或 ResNet 等模型，无需人工提取特征，网络能自动从原始时间序列中学习深层特征，显著提升泛化性。
- 利用仓库中现成的 SOTA（State-of-the-art）算法实现，只需简单命令即可切换不同模型架构，快速找到最适合当前数据的算法。
- 通过 Docker 一键部署环境，并参考内置的 UCR 数据集基准测试结果，能迅速验证模型性能，确保算法达到学术界最佳实践水平。
dl-4-tsc 将时间序列分类从繁琐的特征工程转变为高效的端到端学习，让工程师能快速复现学术界最前沿成果，大幅缩短了工业故障诊断模型的落地周期。
运行环境要求
- Linux
- Windows
- macOS
需要 NVIDIA GPU（依赖 tensorflow-gpu），具体型号、显存及 CUDA 版本未说明
未说明
快速开始
时间序列分类的深度学习
这是发表于 Data Mining and Knowledge Discovery 的 我们论文 的配套代码库，论文题为“Deep learning for time series classification: a review”（时间序列分类的深度学习：综述），也可在 ArXiv 上获取。
Docker
假设您已经安装了 docker。 您现在可以使用 此处 提供的 Docker 镜像。
通过以下方式访问 Docker 容器：
docker run --name somename --gpus all -idt hassanfawaz/dl-4-tsc:0.3
docker exec -it somename bash
要运行程序，您需要手动将 UCR 档案下载到 /dl-4-tsc/archives/ 目录中：
cd /dl-4-tsc/archives
wget https://www.cs.ucr.edu/~eamonn/time_series_data_2018/UCRArchive_2018.zip
unzip -P $password UCRArchive_2018.zip
密码可以在 这里 找到。
既然您已经有了数据和代码，就可以直接运行代码了。
cd /dl-4-tsc
python -m main UCRArchive_2018 Coffee fcn _itr_0
您也可以尝试在您的环境中使用 pip 进行安装。
数据
本项目使用的数据来自两个来源：
- UCR/UEA archive，包含 85 个单变量时间序列数据集。
- MTS archive，包含 13 个多变量时间序列数据集。
代码
代码结构划分如下：
- main.py Python 文件包含了运行实验所需的代码。
- utils 文件夹包含了读取数据集和可视化图表所需的函数。
- classifiers 文件夹包含九个 Python 文件，分别对应我们论文中测试的每个深度神经网络。
要在单个数据集上运行模型，您应该执行以下命令：
python3 main.py TSC Coffee fcn _itr_8
这意味着我们要在单变量 UCR 档案的 Coffee 数据集上启动 fcn 模型（可选列表请参见 constants.py）。
环境依赖
所有需要的 Python 包都列在 pip-requirements.txt 文件中，可以直接使用 pip 命令安装。 代码目前使用 Tensorflow 2.0。 论文中的结果是基于 Tensorflow 1.14 实现生成的，该版本可以在 这里 找到。 使用 Tensorflow 2.0 应该能得到相同的结果。 现在 InceptionTime 也已包含在内，欢迎发送 pull request（合并请求）来添加其他分类器。
结果
我添加了来自 UCR archive 2018 的 128 个数据集的 结果。 我们论文中的 结果 表明，深度残差网络架构在时间序列分类任务中表现最佳。
下表包含了在 UCR/UEA 档案上每个实现模型运行 10 次的平均准确率，括号内为标准差。
| 数据集 | MLP | FCN | ResNet | Encoder | MCNN | t-LeNet | MCDCNN | Time-CNN | TWIESN |
|---|---|---|---|---|---|---|---|---|---|
| 50words | 68.4(7.1) | 62.7(6.1) | 74.0(1.5) | 72.3(1.0) | 22.0(24.3) | 12.5(0.0) | 58.9(5.3) | 62.1(1.0) | 49.6(2.6) |
| Adiac | 39.7(1.9) | 84.4(0.7) | 82.9(0.6) | 48.4(2.5) | 2.2(0.6) | 2.0(0.0) | 61.0(8.7) | 37.9(2.0) | 41.6(4.5) |
| ArrowHead | 77.8(1.2) | 84.3(1.5) | 84.5(1.2) | 80.4(2.9) | 33.9(4.7) | 30.3(0.0) | 68.5(6.7) | 72.3(2.6) | 65.9(9.4) |
| Beef | 72.0(2.8) | 69.7(4.0) | 75.3(4.2) | 64.3(5.0) | 20.0(0.0) | 20.0(0.0) | 56.3(7.8) | 76.3(1.1) | 53.7(14.9) |
| BeetleFly | 87.0(2.6) | 86.0(9.7) | 85.0(2.4) | 74.5(7.6) | 50.0(0.0) | 50.0(0.0) | 58.0(9.2) | 89.0(3.2) | 73.0(7.9) |
| BirdChicken | 77.5(3.5) | 95.5(3.7) | 88.5(5.3) | 66.5(5.8) | 50.0(0.0) | 50.0(0.0) | 58.0(10.3) | 60.5(9.0) | 74.0(15.6) |
| CBF | 87.2(0.7) | 99.4(0.1) | 99.5(0.3) | 94.7(1.2) | 33.2(0.1) | 33.2(0.1) | 82.0(20.5) | 95.7(1.0) | 89.0(4.9) |
| Car | 76.7(2.6) | 90.5(1.4) | 92.5(1.4) | 75.8(2.0) | 24.0(2.7) | 31.7(0.0) | 73.0(3.0) | 78.2(1.2) | 78.3(4.0) |
| ChlorineConcentration | 80.2(1.1) | 81.4(0.9) | 84.4(1.0) | 57.3(1.1) | 53.3(0.0) | 53.3(0.0) | 64.3(3.8) | 60.0(0.8) | 55.3(0.3) |
| CinC_ECG_torso | 84.0(1.0) | 82.4(1.2) | 82.6(2.4) | 91.1(2.7) | 38.1(28.0) | 25.0(0.1) | 73.6(15.2) | 74.5(4.9) | 30.0(2.9) |
| Coffee | 99.6(1.1) | 100.0(0.0) | 100.0(0.0) | 97.9(1.8) | 51.4(3.5) | 53.6(0.0) | 98.2(2.5) | 99.6(1.1) | 97.1(2.8) |
| Computers | 56.3(1.6) | 82.2(1.0) | 81.5(1.2) | 57.4(2.2) | 52.2(4.8) | 50.0(0.0) | 55.9(3.3) | 54.8(1.5) | 62.9(4.1) |
| Cricket_X | 59.1(1.1) | 79.2(0.7) | 79.1(0.6) | 69.4(1.6) | 18.9(23.8) | 7.4(0.0) | 49.5(5.3) | 55.2(2.9) | 62.2(2.1) |
| Cricket_Y | 60.0(0.8) | 78.7(1.2) | 80.3(0.8) | 67.5(1.0) | 18.4(22.0) | 8.5(0.0) | 49.7(4.3) | 57.0(2.4) | 65.6(1.3) |
| Cricket_Z | 61.7(0.8) | 81.1(1.0) | 81.2(1.4) | 69.2(1.0) | 18.3(24.4) | 6.2(0.0) | 49.8(3.6) | 48.8(2.8) | 62.2(2.3) |
| DiatomSizeReduction | 91.0(1.4) | 31.3(3.6) | 30.1(0.2) | 91.3(1.8) | 30.1(0.7) | 30.1(0.0) | 70.3(28.9) | 95.4(0.7) | 88.0(6.6) |
| DistalPhalanxOutlineAgeGroup | 65.7(1.1) | 71.0(1.3) | 71.7(1.3) | 73.7(1.6) | 46.8(0.0) | 44.6(2.3) | 74.4(2.2) | 75.2(1.4) | 71.0(2.1) |
| DistalPhalanxOutlineCorrect | 72.6(1.3) | 76.0(1.5) | 77.1(1.0) | 74.1(1.4) | 58.3(0.0) | 58.3(0.0) | 75.3(1.8) | 75.9(2.0) | 71.3(1.0) |
| DistalPhalanxTW | 61.7(1.3) | 69.0(2.1) | 66.5(1.6) | 68.8(1.6) | 30.2(0.0) | 28.3(0.7) | 67.7(1.8) | 67.3(2.8) | 60.9(3.0) |
| ECG200 | 91.6(0.7) | 88.9(1.0) | 87.4(1.9) | 92.3(1.1) | 64.0(0.0) | 64.0(0.0) | 83.3(3.9) | 81.4(1.3) | 84.2(5.1) |
| ECG5000 | 92.9(0.1) | 94.0(0.1) | 93.4(0.2) | 94.0(0.2) | 61.8(10.9) | 58.4(0.0) | 93.7(0.6) | 92.8(0.2) | 91.9(0.2) |
| ECGFiveDays | 97.0(0.5) | 98.7(0.3) | 97.5(1.9) | 98.2(0.7) | 49.9(0.3) | 49.7(0.0) | 76.2(13.4) | 88.2(1.8) | 69.8(14.1) |
| Earthquakes | 71.7(1.3) | 72.7(1.7) | 71.2(2.0) | 74.8(0.7) | 74.8(0.0) | 74.8(0.0) | 74.9(0.2) | 70.0(1.9) | 74.8(0.0) |
| ElectricDevices | 59.2(1.1) | 70.2(1.2) | 72.9(0.9) | 67.4(1.1) | 33.6(19.8) | 24.2(0.0) | 64.4(1.2) | 68.1(1.0) | 60.7(0.7) |
| FISH | 84.8(0.8) | 95.8(0.6) | 97.9(0.8) | 86.6(0.9) | 13.4(1.3) | 12.6(0.0) | 75.8(3.9) | 84.9(0.5) | 87.5(3.4) |
| FaceAll | 79.3(1.1) | 94.5(0.9) | 83.9(2.0) | 79.3(0.8) | 17.0(19.5) | 8.0(0.0) | 71.7(2.3) | 76.8(1.1) | 65.7(2.5) |
| FaceFour | 84.0(1.4) | 92.8(0.9) | 95.5(0.0) | 81.5(2.6) | 26.8(5.7) | 29.5(0.0) | 71.2(13.5) | 90.6(1.1) | 85.5(6.2) |
| FacesUCR | 83.3(0.3) | 94.6(0.2) | 95.5(0.4) | 87.4(0.4) | 15.3(2.7) | 14.3(0.0) | 75.6(5.1) | 86.9(0.7) | 64.4(2.0) |
| FordA | 73.0(0.4) | 90.4(0.2) | 92.0(0.4) | 92.3(0.3) | 51.3(0.0) | 51.0(0.8) | 79.5(2.6) | 88.1(0.7) | 52.8(2.1) |
| FordB | 60.3(0.3) | 87.8(0.6) | 91.3(0.3) | 89.0(0.5) | 49.8(1.2) | 51.2(0.0) | 53.3(2.9) | 80.6(1.5) | 50.3(1.2) |
| Gun_Point | 92.7(1.1) | 100.0(0.0) | 99.1(0.7) | 93.6(3.2) | 51.3(3.9) | 49.3(0.0) | 86.7(9.6) | 93.2(1.9) | 96.1(2.3) |
| Ham | 69.1(1.4) | 71.8(1.4) | 75.7(2.7) | 72.7(1.2) | 50.6(1.4) | 51.4(0.0) | 73.3(4.2) | 71.1(2.0) | 72.3(6.3) |
| HandOutlines | 91.8(0.5) | 80.6(7.9) | 91.1(1.4) | 89.9(2.3) | 64.1(0.0) | 64.1(0.0) | 90.9(0.6) | 88.8(1.2) | 66.0(0.7) |
| Haptics | 43.3(1.4) | 48.0(2.4) | 51.9(1.2) | 42.7(1.6) | 20.9(3.5) | 20.8(0.0) | 40.4(3.3) | 36.6(2.4) | 40.4(4.5) |
| Herring | 52.8(3.9) | 60.8(7.7) | 61.9(3.8) | 58.6(4.8) | 59.4(0.0) | 59.4(0.0) | 60.0(5.2) | 53.9(1.7) | 59.1(6.5) |
| InlineSkate | 33.7(1.0) | 33.9(0.8) | 37.3(0.9) | 29.2(0.9) | 16.7(1.6) | 16.5(1.1) | 21.5(2.2) | 28.7(1.2) | 33.0(6.8) |
| InsectWingbeatSound | 60.7(0.4) | 39.3(0.6) | 50.7(0.9) | 63.3(0.6) | 15.8(14.2) | 9.1(0.0) | 58.3(2.6) | 58.3(0.6) | 43.7(2.0) |
| ItalyPowerDemand | 95.4(0.2) | 96.1(0.3) | 96.3(0.4) | 96.5(0.5) | 50.0(0.2) | 49.9(0.0) | 95.5(1.9) | 95.5(0.4) | 88.0(2.2) |
| LargeKitchenAppliances | 47.3(0.6) | 90.2(0.4) | 90.0(0.5) | 61.9(2.6) | 41.0(16.5) | 33.3(0.0) | 43.4(2.8) | 66.6(5.0) | 77.9(1.8) |
| Lighting2 | 67.0(2.1) | 73.9(1.4) | 77.0(1.7) | 69.2(4.6) | 55.7(5.2) | 54.1(0.0) | 63.0(5.9) | 63.6(2.5) | 70.3(4.1) |
| Lighting7 | 63.0(1.7) | 82.7(2.3) | 84.5(2.0) | 62.5(2.3) | 31.0(11.3) | 26.0(0.0) | 53.4(5.9) | 65.1(3.3) | 66.4(6.6) |
| MALLAT | 91.8(0.6) | 96.7(0.9) | 97.2(0.3) | 87.6(2.0) | 13.5(3.7) | 12.3(0.1) | 90.1(5.7) | 92.0(0.7) | 59.6(9.8) |
| Meat | 89.7(1.7) | 85.3(6.9) | 96.8(2.5) | 74.2(11.0) | 33.3(0.0) | 33.3(0.0) | 70.5(8.8) | 90.2(1.8) | 96.8(2.0) |
| MedicalImages | 72.1(0.7) | 77.9(0.4) | 77.0(0.7) | 73.4(1.5) | 51.4(0.0) | 51.4(0.0) | 64.0(1.4) | 67.6(1.1) | 64.9(2.7) |
| MiddlePhalanxOutlineAgeGroup | 53.1(1.8) | 55.3(1.8) | 56.9(2.1) | 57.9(2.9) | 18.8(0.0) | 57.1(0.0) | 58.5(3.8) | 56.6(1.5) | 58.1(2.6) |
| MiddlePhalanxOutlineCorrect | 77.0(1.1) | 80.1(1.0) | 80.9(1.2) | 76.1(2.3) | 57.0(0.0) | 57.0(0.0) | 81.1(1.6) | 76.6(1.3) | 74.4(2.3) |
| MiddlePhalanxTW | 53.4(1.6) | 51.2(1.8) | 48.4(2.0) | 59.2(1.0) | 27.3(0.0) | 28.6(0.0) | 58.1(2.4) | 54.9(1.7) | 53.9(2.9) |
| MoteStrain | 85.8(0.9) | 93.7(0.5) | 92.8(0.5) | 84.0(1.0) | 50.8(4.0) | 53.9(0.0) | 76.5(14.4) | 88.2(0.9) | 78.5(4.2) |
| NonInvasiveFatalECG_Thorax1 | 91.6(0.4) | 95.6(0.3) | 94.5(0.3) | 91.6(0.4) | 16.1(29.3) | 2.9(0.0) | 90.5(1.2) | 86.5(0.5) | 49.4(4.2) |
| NonInvasiveFatalECG_Thorax2 | 91.7(0.3) | 95.3(0.3) | 94.6(0.3) | 93.2(0.9) | 16.0(29.2) | 2.9(0.0) | 91.5(1.5) | 89.8(0.3) | 52.5(3.2) |
| OSULeaf | 55.7(1.0) | 97.7(0.9) | 97.9(0.8) | 57.6(2.0) | 24.3(12.8) | 18.2(0.0) | 37.8(4.6) | 46.2(2.7) | 59.5(5.4) |
| OliveOil | 66.7(3.8) | 72.3(16.6) | 83.0(8.5) | 40.0(0.0) | 38.0(4.2) | 38.0(4.2) | 40.0(0.0) | 40.0(0.0) | 79.0(6.1) |
| PhalangesOutlinesCorrect | 73.5(2.1) | 82.0(0.5) | 83.9(1.2) | 76.7(1.4) | 61.3(0.0) | 61.3(0.0) | 80.3(1.1) | 77.1(4.7) | 65.4(0.4) |
| Phoneme | 9.6(0.3) | 32.5(0.5) | 33.4(0.7) | 17.2(0.8) | 13.2(4.0) | 11.3(0.0) | 13.0(1.0) | 9.5(0.3) | 12.8(1.4) |
| Plane | 97.8(0.5) | 100.0(0.0) | 100.0(0.0) | 97.6(0.8) | 13.0(4.5) | 13.4(1.4) | 96.5(3.2) | 96.5(1.4) | 100.0(0.0) |
| ProximalPhalanxOutlineAgeGroup | 85.6(0.5) | 83.1(1.3) | 85.3(0.8) | 84.4(1.3) | 48.8(0.0) | 48.8(0.0) | 83.8(0.8) | 82.8(1.6) | 84.4(0.5) |
| ProximalPhalanxOutlineCorrect | 73.3(1.8) | 90.3(0.7) | 92.1(0.6) | 79.1(1.8) | 68.4(0.0) | 68.4(0.0) | 87.3(1.8) | 81.2(2.6) | 82.1(0.9) |
| ProximalPhalanxTW | 76.7(0.7) | 76.7(0.9) | 78.0(1.7) | 81.2(1.1) | 35.1(0.0) | 34.6(1.0) | 79.7(1.3) | 78.3(1.2) | 78.1(0.7) |
| RefrigerationDevices | 37.9(2.1) | 50.8(1.0) | 52.5(2.5) | 48.8(1.9) | 33.3(0.0) | 33.3(0.0) | 36.9(3.8) | 43.9(1.0) | 50.1(1.5) |
| ScreenType | 40.3(1.0) | 62.5(1.6) | 62.2(1.4) | 38.3(2.2) | 34.1(2.4) | 33.3(0.0) | 42.7(1.8) | 38.9(0.9) | 43.1(4.7) |
| ShapeletSim | 50.3(3.1) | 72.4(5.6) | 77.9(15.0) | 53.0(4.7) | 50.0(0.0) | 50.0(0.0) | 50.7(4.1) | 50.0(1.3) | 61.7(10.2) |
| ShapesAll | 77.1(0.5) | 89.5(0.4) | 92.1(0.4) | 75.8(0.9) | 13.2(24.3) | 1.7(0.0) | 61.3(5.3) | 61.9(0.9) | 62.9(2.6) |
| SmallKitchenAppliances | 37.1(1.9) | 78.3(1.3) | 78.6(0.8) | 59.6(1.8) | 36.9(11.3) | 33.3(0.0) | 48.5(3.6) | 61.5(2.7) | 65.6(1.9) |
| SonyAIBORobotSurface | 67.2(1.3) | 96.0(0.7) | 95.8(1.3) | 74.3(1.9) | 44.3(4.5) | 42.9(0.0) | 65.3(10.9) | 68.7(2.3) | 63.8(9.9) |
| SonyAIBORobotSurfaceII | 83.4(0.7) | 97.9(0.5) | 97.8(0.5) | 83.9(1.0) | 59.4(7.4) | 61.7(0.0) | 77.4(6.7) | 84.1(1.7) | 69.7(4.3) |
| StarLightCurves | 94.9(0.2) | 96.1(0.9) | 97.2(0.3) | 95.7(0.5) | 65.4(16.1) | 57.7(0.0) | 93.9(1.2) | 92.6(0.2) | 85.0(0.2) |
| Strawberry | 96.1(0.5) | 97.2(0.3) | 98.1(0.4) | 94.6(0.9) | 64.3(0.0) | 64.3(0.0) | 95.6(0.6) | 95.9(0.3) | 89.5(2.0) |
| SwedishLeaf | 85.1(0.5) | 96.9(0.5) | 95.6(0.4) | 93.0(1.1) | 11.8(13.2) | 6.5(0.4) | 84.6(3.6) | 88.4(1.1) | 82.5(1.4) |
| Symbols | 83.2(1.0) | 95.5(1.0) | 90.6(2.3) | 82.1(1.9) | 22.6(16.9) | 17.4(0.0) | 75.6(11.5) | 81.0(0.7) | 75.0(8.8) |
| ToeSegmentation1 | 58.3(0.9) | 96.1(0.5) | 96.3(0.6) | 65.9(2.6) | 50.5(2.7) | 52.6(0.0) | 49.0(2.5) | 59.5(2.2) | 86.5(3.2) |
| ToeSegmentation2 | 74.5(1.9) | 88.0(3.3) | 90.6(1.7) | 79.5(2.8) | 63.2(30.9) | 81.5(0.0) | 44.3(15.2) | 73.8(2.8) | 84.2(4.6) |
| Trace | 80.7(0.7) | 100.0(0.0) | 100.0(0.0) | 96.0(1.8) | 35.4(27.7) | 24.0(0.0) | 86.3(5.4) | 95.0(2.5) | 95.9(1.9) |
| TwoLeadECG | 76.2(1.3) | 100.0(0.0) | 100.0(0.0) | 86.3(2.6) | 50.0(0.0) | 50.0(0.0) | 76.0(16.8) | 87.2(2.1) | 85.2(11.5) |
| Two_Patterns | 94.6(0.3) | 87.1(0.3) | 100.0(0.0) | 100.0(0.0) | 40.3(31.1) | 25.9(0.0) | 97.8(0.6) | 99.2(0.3) | 87.1(1.1) |
| UWaveGestureLibraryAll | 95.5(0.2) | 81.7(0.3) | 86.0(0.4) | 95.4(0.1) | 28.9(34.7) | 12.8(0.2) | 92.9(1.1) | 91.8(0.4) | 55.6(2.5) |
| Wine | 56.5(7.1) | 58.7(8.3) | 74.4(8.5) | 50.0(0.0) | 50.0(0.0) | 50.0(0.0) | 50.0(0.0) | 51.7(5.1) | 75.9(9.1) |
| WordsSynonyms | 59.8(0.8) | 56.4(1.2) | 62.2(1.5) | 61.3(0.9) | 28.4(13.6) | 21.9(0.0) | 46.3(6.1) | 56.6(0.8) | 49.0(3.0) |
| Worms | 45.7(2.4) | 76.5(2.2) | 79.1(2.5) | 57.1(3.7) | 42.9(0.0) | 42.9(0.0) | 42.6(5.5) | 38.3(2.5) | 46.6(4.5) |
| WormsTwoClass | 60.1(1.5) | 72.6(2.7) | 74.7(3.3) | 63.9(4.4) | 57.1(0.0) | 55.7(4.5) | 57.0(1.9) | 53.8(2.6) | 57.0(2.3) |
| synthetic_control | 97.6(0.4) | 98.5(0.3) | 99.8(0.2) | 99.6(0.3) | 29.8(27.8) | 16.7(0.0) | 98.3(1.2) | 99.0(0.4) | 87.4(1.6) |
| uWaveGestureLibrary_X | 76.7(0.3) | 75.4(0.4) | 78.0(0.4) | 78.6(0.4) | 18.9(21.3) | 12.5(0.4) | 71.1(1.5) | 71.1(1.1) | 60.6(1.5) |
| uWaveGestureLibrary_Y | 69.8(0.2) | 63.9(0.6) | 67.0(0.7) | 69.6(0.6) | 23.7(24.0) | 12.1(0.0) | 63.6(1.2) | 62.6(0.7) | 52.0(2.1) |
| uWaveGestureLibrary_Z | 69.7(0.2) | 72.6(0.5) | 75.0(0.4) | 71.1(0.5) | 18.0(18.4) | 12.1(0.0) | 65.0(1.8) | 64.2(0.9) | 56.5(2.0) |
| wafer | 99.6(0.0) | 99.7(0.0) | 99.9(0.1) | 99.6(0.0) | 91.3(4.4) | 89.2(0.0) | 99.2(0.3) | 96.1(0.1) | 91.4(0.5) |
| yoga | 85.5(0.4) | 83.9(0.7 |
下表包含了在 MTS archive（多变量时间序列归档）上每个已实现模型运行 10 次的平均准确率，括号内为标准差。
| Datasets | MLP | FCN | ResNet | Encoder | MCNN | t-LeNet | MCDCNN | Time-CNN | TWIESN |
|---|---|---|---|---|---|---|---|---|---|
| AUSLAN | 93.3(0.5) | 97.5(0.4) | 97.4(0.3) | 93.8(0.5) | 1.1(0.0) | 1.1(0.0) | 85.4(2.7) | 72.6(3.5) | 72.4(1.6) |
| ArabicDigits | 96.9(0.2) | 99.4(0.1) | 99.6(0.1) | 98.1(0.1) | 10.0(0.0) | 10.0(0.0) | 95.9(0.2) | 95.8(0.3) | 85.3(1.4) |
| CMUsubject16 | 60.0(16.9) | 100.0(0.0) | 99.7(1.1) | 98.3(2.4) | 53.1(4.4) | 51.0(5.3) | 51.4(5.0) | 97.6(1.7) | 89.3(6.8) |
| CharacterTrajectories | 96.9(0.2) | 99.0(0.1) | 99.0(0.2) | 97.1(0.2) | 5.4(0.8) | 6.7(0.0) | 93.8(1.7) | 96.0(0.8) | 92.0(1.3) |
| ECG | 74.8(16.2) | 87.2(1.2) | 86.7(1.3) | 87.2(0.8) | 67.0(0.0) | 67.0(0.0) | 50.0(17.9) | 84.1(1.7) | 73.7(2.3) |
| JapaneseVowels | 97.6(0.2) | 99.3(0.2) | 99.2(0.3) | 97.6(0.6) | 9.2(2.5) | 23.8(0.0) | 94.4(1.4) | 95.6(1.0) | 96.5(0.7) |
| KickvsPunch | 61.0(12.9) | 54.0(13.5) | 51.0(8.8) | 61.0(9.9) | 54.0(9.7) | 50.0(10.5) | 56.0(8.4) | 62.0(6.3) | 67.0(14.2) |
| Libras | 78.0(1.0) | 96.4(0.7) | 95.4(1.1) | 78.3(0.9) | 6.7(0.0) | 6.7(0.0) | 65.1(3.9) | 63.7(3.3) | 79.4(1.3) |
| NetFlow | 55.0(26.1) | 89.1(0.4) | 62.7(23.4) | 77.7(0.5) | 77.9(0.0) | 72.3(17.6) | 63.0(18.2) | 89.0(0.9) | 94.5(0.4) |
| UWave | 90.1(0.3) | 93.4(0.3) | 92.6(0.4) | 90.8(0.4) | 12.5(0.0) | 12.5(0.0) | 84.5(1.6) | 85.9(0.7) | 75.4(6.3) |
| Wafer | 89.4(0.0) | 98.2(0.5) | 98.9(0.4) | 98.6(0.2) | 89.4(0.0) | 89.4(0.0) | 65.8(38.1) | 94.8(2.1) | 94.9(0.6) |
| WalkvsRun | 70.0(15.8) | 100.0(0.0) | 100.0(0.0) | 100.0(0.0) | 75.0(0.0) | 60.0(24.2) | 45.0(25.8) | 100.0(0.0) | 94.4(9.1) |
| 平均排名 | 5.208333 | 2.000000 | 2.875000 | 3.041667 | 7.583333 | 8.000000 | 6.833333 | 4.625000 | 4.833333 |
| 获胜次数 | 0 | 5 | 3 | 0 | 0 | 0 | 0 | 0 | 2 |
这些结果应能为 TSC（时间序列分类）的深度学习提供见解，从而鼓励研究人员将 DNNs（深度神经网络）视为时间序列数据的鲁棒分类器。
如果您想使用 Wilcoxon Signed Rank test（威尔科克森符号秩检验）配合 Holm's alpha correction（Holm's alpha 校正）来生成 critical difference diagrams（临界差异图），请查看 cd-diagram 仓库。
参考文献
如果您重新使用这项工作，请引用：
@article{IsmailFawaz2018deep,
Title = {Deep learning for time series classification: a review},
Author = {Ismail Fawaz, Hassan and Forestier, Germain and Weber, Jonathan and Idoumghar, Lhassane and Muller, Pierre-Alain},
journal = {Data Mining and Knowledge Discovery},
Year = {2019},
volume = {33},
number = {4},
pages = {917--963},
}
致谢
我们要感谢 UCR/UEA archive 的提供者。 我们还要感谢 NVIDIA Corporation 提供的 Quadro P6000 资助，以及斯特拉斯堡 Mésocentre 提供的集群访问权限。 我们还要感谢 François Petitjean 和 Charlotte Pelletier 在撰写本文期间进行的富有成效的讨论、反馈和评论。
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。