我不认为这是什么新鲜事。让我们使用您对整个时间序列进行分类的示例，例如预测单词 1 和单词 2 以进行语音识别。我们可以像处理任何其他多变量数据一样将数据写成数据框：时间 1、时间 2 等处的观察值作为预测变量，分类标签作为响应变量。

每个观察值都是您的主题在特定时间的值的向量，加上标签 - 与任何其他多元数据没有什么不同。当然，由于数据的时间序列性质，可能存在特殊的依赖结构，但您仍然可以将其编写为多变量问题。

好的，假设您使用小波变换对语音信号进行了处理，从而产生了二维数据的图像频谱图。然后只需将每个“像素”（时间-频率对）与分类标签一起视为多元问题中的一个变量。这是一个之间的某种双射$m\times n$矩阵和$\mathbb{R}^{n\times m}$.

您也可以将此想法扩展到 3D 或 4D 数据（或更高）。只需在某种地图中展开高维张量$T^{m\times n \times \dots} \rightarrow \mathbb{R}^{m\times n \times \dots}$.