En este artículo, proponemos DisMS-TS, un novedoso marco integral basado en análisis multiescala para resolver el problema de clasificación de datos de series temporales del mundo real con diversos cambios temporales. Para superar el bajo rendimiento de los métodos existentes debido a la incapacidad de eliminar las características redundantes de escala compartida en series temporales multiescala, capturamos representaciones temporales de escala compartida y de escala específica mediante módulos de separación temporal, respectivamente. Al añadir dos términos de regularización, está diseñado para aprender eficazmente en todas las escalas temporales, garantizando la consistencia de las representaciones de escala compartida y la diferencia de las representaciones de escala específica. Los resultados experimentales en diversos conjuntos de datos muestran que DisMS-TS mejora la precisión hasta en un 9,71 % con respecto a los métodos existentes.
