Cet article propose le cadre PromptTSS pour relever les défis de la segmentation et de l'intégration d'états multirésolutions de données de séries chronologiques multivariées collectées dans divers domaines, notamment l'industrie manufacturière et les technologies portables. Pour surmonter les limites des méthodes existantes, qui manquent de traitement multirésolution et d'adaptabilité aux environnements dynamiques, nous présentons un modèle intégré qui utilise un mécanisme d'invite pour capturer des motifs grossiers et fins grâce aux informations d'étiquette et de limite, et s'adapte dynamiquement aux motifs inconnus. Les résultats expérimentaux démontrent une précision de segmentation multirésolution de 24,49 %, une précision de segmentation monorésolution de 17,88 % et une amélioration de l'apprentissage par transfert jusqu'à 599,24 %, démontrant son adaptabilité aux états hiérarchiques et à l'évolution de la dynamique des séries chronologiques. Le code source est disponible sur GitHub.
