针对现有集成分类方法对不平衡时间序列数据学习能力欠佳的问题，采用优化组件算法性能和集成策略的思路，以异构集成方法即基于变换的集合的层次投票集合（HIVE-COTE）为基础，提出一种不平衡时间序列集成分类算法IMHIVE-COTE。该算法主要包含两个改进内容：首先，增加了一个新的不平衡分类组件SBST-HESCA，引入Boosting结合重采样的思路，并通过交叉验证预测结果来更新样本权重，从而使数据集的重采样过程更有利于提升少数类样本的分类质量；其次，结合SBST-HESCA组件对HIVE-COTE计算框架进行改进，通过优化组件算法的权重使不平衡时间序列分类算法对分类结果拥有更高的投票比重，从而再次提升集成算法整体的分类质量。实验部分对IMHIVE-COTE的性能进行了验证和分析：和对比方法相比，IMHIVE-COTE有最高的整体分类评价，并且在三个不平衡分类指标值上分别得到了最优、最优、第三优的整体分类评价，可以证明IMHIVE-COTE解决不平衡时间序列分类问题的能力明显较高。

针对基于u-shapelets的时间序列聚类中u-shapelets集合质量较低的问题，提出一种基于最佳u-shapelets的时间序列聚类算法DivUshapCluster。首先，探讨不同子序列质量评估方法对基于u-shapelets的时间序列聚类结果的影响；然后，选用最佳的子序列质量评估方法对u-shapelet候选集进行质量评估；其次，引入多元top- k查询技术对u-shapelet候选集进行去除冗余操作，搜索出最佳的u-shapelets集合；最后，利用最佳u-shapelets集合对原始数据集进行转化，达到提高时间序列聚类准确率的目的。实验结果表明，DivUshapCluster算法在聚类准确度上不仅优于经典的时间序列聚类算法，而且与BruteForce算法和SUSh算法相比，DivUshapCluster算法在22个数据集上的平均聚类准确度分别提高了18.80%和19.38%。所提算法能够在保证整体效率的情况下有效提高时间序列的聚类准确度。

Shapelet是一种具有辨识性的时间序列子序列，通过识别局部特征达到对时间序列准确分类的目的。原始shapelet发现算法效率较低，大量工作关注于提高shapelet发现的效率。然而，对于带有趋势变化的时间序列，采用典型的时间序列表示方法进行shapelet发现，容易造成序列中趋势信息的丢失。为了解决时间序列趋势信息丢失的问题，提出一种基于趋势特征的多样化top- k shapelet分类方法：首先采用趋势特征符号化方法对时间序列的趋势信息进行表示；然后针对序列的趋势特征符号获取shapelet候选集合；最后通过引入多样化top- k查询算法从候选集中选取 k个最具代表性的shapelets。在时间序列的分类实验中，与传统分类算法相比，所提方法在11个数据集上的分类准确率均有提升；与FastShapelet算法相比，提升了运行效率，缩短了算法的运行时间，并在趋势信息明显的数据上效果显著。结果表明，所提方法能有效提高时间序列的分类准确率，提升算法运行效率。

针对基于shapelets转换的时间序列分类方法中候选shapelets存在较大相似性的问题，提出一种基于多样化top-k shapelets转换的分类方法DivTopKShapelet。该方法采用多样化top-k查询技术，去除相似shapelets，并筛选出最具代表性的k个shapelets集合，最后以最优shapelets集合为特征对数据集进行转换，达到提高分类准确率及时间效率的目的。实验结果表明，DivTopKShapelet分类方法不仅比传统分类方法具有更高的准确率，而且与使用聚类筛选的方法（ClusterShapelet）和shapelets覆盖的方法（ShapeletSelection）相比，分类准确率最多提高了48.43%和32.61%；同时在所有15个数据集上均有计算效率的提升，最少加速了1.09倍，最高可达到287.8倍。