Crossfire：用于稳健时间序列分类的跨域特征整合

基于特征的时间序列分类（TSC）方法传统上依赖于时域特征，这可能会限制其捕获全方位时间动态特性的有效性。本研究介绍了 Crossfire（用于稳健提取的跨表征特征整合，CFIRE），这是一个基于特征的框架，能够系统地从多种时间序列表征中提取并整合特征——包括导数、自相关、频谱（Fourier）、谐波（余弦）、时频（小波）以及解析（Hilbert）域。该流程支持并行化特征提取，并结合了筛选机制以控制冗余，同时提升分类性能。对 UCR 存档中所有 142 个数据集的实证评估表明，CFIRE 的表现优于领先的基于特征的基准（如 FreshPRINCE）。尽管它并不总能在其他 TSC 范式中超越最先进（SOTA）的准确率，但 CFIRE 在计算效率、可解释性和可扩展性方面提供了独特的优势。值得注意的是，其计算效率与现存最快的 TSC 方法之一 Quant 相当，同时在更长序列和更多类别数量下仍能保持稳健的准确率。结果表明，跨多种表征的特征组合——在经过系统整合和优化后——可为更复杂的 TSC 方法提供一种实用、可扩展且可解释的替代方案。完整实现代码可公开获取：https://doi.org/10.5281/zenodo.15695653 。