W artykule przedstawiono kompleksowe podejście do klasyfikacji szeregów czasowych. Proponowany model wykorzystuje rozmytą mapę kognitywną (FCM) jako silnik klasyfikacyjny. Wstępnie przetworzone dane wejściowe zasilają zastosowany FCM. Odpowiedzi map, po procedurze postprocessingu, są wykorzystywane do obliczenia ostatecznej decyzji klasyfikacyjnej. Dane szeregów czasowych są przygotowywane przy użyciu techniki ruchomego okna w celu uchwycenia przepływu czasu w procedurze szkoleniowej. Do obliczenia wymaganych parametrów modelu używamy algorytmu wstecznej propagacji błędów. Cztery parametry modelu wymagają dostrojenia. Dla konstrukcji modelu kluczowe są dwa: 1) rozmiar FCM (liczba koncepcji) i 2) rozmiar okna (dla techniki ruchomego okna). Pozostałe dwa są ważne dla uczenia modelu: 1) liczba epok i 2) szybkość uczenia się (dla uczenia). Warto zwrócić uwagę na dwa wyróżniające aspekty proponowanego modelu: 1) oddzielenie silnika klasyfikacyjnego od przetwarzania wstępnego i końcowego oraz 2) przechwytywanie przepływu czasu dla danych z przestrzeni koncepcyjnej. Proponowany klasyfikator łączy w sobie kluczową zaletę modelu FCM, jaką jest interpretowalność modelu, z doskonałą wydajnością klasyfikacji przypisaną specjalnie zaprojektowanym etapom przetwarzania przed i po. W artykule przedstawiono przeprowadzone eksperymenty, które wykazały, że proponowany model dobrze radzi sobie z szeroką gamą najnowocześniejszych algorytmów klasyfikacji szeregów czasowych.