一种基于双向时间和频域状态空间模型的多变量时间序列分类方法

本发明涉及一种基于双向时间和频域状态空间模型的多变量时间序列分类方法。该方法通过整合双向时序和频域状态空间模型，有效提取多变量时间序列数据中的全局信息和频率特征，从而提高分类准确性和鲁棒性。具体步骤包括：对输入数据进行标记编码和位置编码；将编码后的数据输入多层时间频域Mamba模块，提取全局和频域特征，并应用层归一化；对输出数据进行非线性激活和Dropout操作，展平后通过线性层投影到分类维度；最后输出预测分布并通过最小化交叉熵损失进行端到端训练。本发明在处理多变量时间序列分类任务时，显著提升了模型性能和计算效率。