名称: aeon 描述: 此技能应用于时间序列机器学习任务，包括分类、回归、聚类、预测、异常检测、分割和相似性搜索。当处理时间数据、序列模式或需要超越标准机器学习方法的专业算法的时序观测时使用。特别适用于具有 scikit-learn 兼容 API 的单变量和多变量时间序列分析。
Aeon 时间序列机器学习
概述
Aeon 是一个兼容 scikit-learn 的 Python 工具包，用于时间序列机器学习。它提供了用于分类、回归、聚类、预测、异常检测、分割和相似性搜索的最先进算法。
何时使用此技能
在以下情况下应用此技能：
- 对时间序列数据进行分类或预测
- 检测时间序列中的异常或变化点
- 聚类相似的时间序列模式
- 预测未来值
- 查找重复模式（motifs）或不寻常子序列（discords）
- 使用专业距离度量比较时间序列
- 从时间数据中提取特征
安装
uv pip install aeon
核心能力
1. 时间序列分类
将时间序列分类到预定义的类别中。查看 references/classification.md 获取完整算法目录。
快速开始：
from aeon.classification.convolution_based import RocketClassifier
from aeon.datasets import load_classification
# 加载数据
X_train, y_train = load_classification("GunPoint", split="train")
X_test, y_test = load_classification("GunPoint", split="test")
# 训练分类器
clf = RocketClassifier(n_kernels=10000)
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)
算法选择：
- 速度 + 性能：
MiniRocketClassifier,Arsenal - 最大精度：
HIVECOTEV2,InceptionTimeClassifier - 可解释性：
ShapeletTransformClassifier,Catch22Classifier - 小数据集：
KNeighborsTimeSeriesClassifier与 DTW 距离
2. 时间序列回归
从时间序列预测连续值。查看 references/regression.md 获取算法。
快速开始：
from aeon.regression.convolution_based import RocketRegressor
from aeon.datasets import load_regression
X_train, y_train = load_regression("Covid3Month", split="train")
X_test, y_test = load_regression("Covid3Month", split="test")
reg = RocketRegressor()
reg.fit(X_train, y_train)
predictions = reg.predict(X_test)
3. 时间序列聚类
无标签地分组相似时间序列。查看 references/clustering.md 获取方法。
快速开始：
from aeon.clustering import TimeSeriesKMeans
clusterer = TimeSeriesKMeans(
n_clusters=3,
distance="dtw",
averaging_method="ba"
)
labels = clusterer.fit_predict(X_train)
centers = clusterer.cluster_centers_
4. 预测
预测未来时间序列值。查看 references/forecasting.md 获取预测器。
快速开始：
from aeon.forecasting.arima import ARIMA
forecaster = ARIMA(order=(1, 1, 1))
forecaster.fit(y_train)
y_pred = forecaster.predict(fh=[1, 2, 3, 4, 5])
5. 异常检测
识别不寻常模式或异常值。查看 references/anomaly_detection.md 获取检测器。
快速开始：
from aeon.anomaly_detection import STOMP
detector = STOMP(window_size=50)
anomaly_scores = detector.fit_predict(y)
# 较高分数表示异常
threshold = np.percentile(anomaly_scores, 95)
anomalies = anomaly_scores > threshold
6. 分割
将时间序列分区为具有变化点的区域。查看 references/segmentation.md。
快速开始：
from aeon.segmentation import ClaSPSegmenter
segmenter = ClaSPSegmenter()
change_points = segmenter.fit_predict(y)
7. 相似性搜索
在时间序列内或跨时间序列查找相似模式。查看 references/similarity_search.md。
快速开始：
from aeon.similarity_search import StompMotif
# 查找重复模式
motif_finder = StompMotif(window_size=50, k=3)
motifs = motif_finder.fit_predict(y)
特征提取和转换
转换时间序列以进行特征工程。查看 references/transformations.md。
ROCKET 特征：
from aeon.transformations.collection.convolution_based import RocketTransformer
rocket = RocketTransformer()
X_features = rocket.fit_transform(X_train)
# 使用特征与任何 sklearn 分类器
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier()
clf.fit(X_features, y_train)
统计特征：
from aeon.transformations.collection.feature_based import Catch22
catch22 = Catch22()
X_features = catch22.fit_transform(X_train)
预处理：
from aeon.transformations.collection import MinMaxScaler, Normalizer
scaler = Normalizer() # Z-归一化
X_normalized = scaler.fit_transform(X_train)
距离度量
专业的时间距离测量。查看 references/distances.md 获取完整目录。
用法：
from aeon.distances import dtw_distance, dtw_pairwise_distance
# 单距离
distance = dtw_distance(x, y, window=0.1)
# 成对距离
distance_matrix = dtw_pairwise_distance(X_train)
# 与分类器一起使用
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier
clf = KNeighborsTimeSeriesClassifier(
n_neighbors=5,
distance="dtw",
distance_params={"window": 0.2}
)
可用距离：
- 弹性：DTW, DDTW, WDTW, ERP, EDR, LCSS, TWE, MSM
- 锁步：欧几里得, 曼哈顿, 闵可夫斯基
- 基于形状：Shape DTW, SBD
深度学习网络
用于时间序列的神经架构。查看 references/networks.md。
架构：
- 卷积：
FCNClassifier,ResNetClassifier,InceptionTimeClassifier - 循环：
RecurrentNetwork,TCNNetwork - 自编码器：
AEFCNClusterer,AEResNetClusterer
用法：
from aeon.classification.deep_learning import InceptionTimeClassifier
clf = InceptionTimeClassifier(n_epochs=100, batch_size=32)
clf.fit(X_train, y_train)
predictions = clf.predict(X_test)
数据集和基准测试
加载标准基准并评估性能。查看 references/datasets_benchmarking.md。
加载数据集：
from aeon.datasets import load_classification, load_regression
# 分类
X_train, y_train = load_classification("ArrowHead", split="train")
# 回归
X_train, y_train = load_regression("Covid3Month", split="train")
基准测试：
from aeon.benchmarking import get_estimator_results
# 与已发布结果比较
published = get_estimator_results("ROCKET", "GunPoint")
常见工作流程
分类管道
from aeon.transformations.collection import Normalizer
from aeon.classification.convolution_based import RocketClassifier
from sklearn.pipeline import Pipeline
pipeline = Pipeline([
('normalize', Normalizer()),
('classify', RocketClassifier())
])
pipeline.fit(X_train, y_train)
accuracy = pipeline.score(X_test, y_test)
特征提取 + 传统机器学习
from aeon.transformations.collection import RocketTransformer
from sklearn.ensemble import GradientBoostingClassifier
# 提取特征
rocket = RocketTransformer()
X_train_features = rocket.fit_transform(X_train)
X_test_features = rocket.transform(X_test)
# 训练传统机器学习
clf = GradientBoostingClassifier()
clf.fit(X_train_features, y_train)
predictions = clf.predict(X_test_features)
异常检测与可视化
from aeon.anomaly_detection import STOMP
import matplotlib.pyplot as plt
detector = STOMP(window_size=50)
scores = detector.fit_predict(y)
plt.figure(figsize=(15, 5))
plt.subplot(2, 1, 1)
plt.plot(y, label='时间序列')
plt.subplot(2, 1, 2)
plt.plot(scores, label='异常分数', color='red')
plt.axhline(np.percentile(scores, 95), color='k', linestyle='--')
plt.show()
最佳实践
数据准备
-
归一化：大多数算法受益于 Z-归一化
from aeon.transformations.collection import Normalizer normalizer = Normalizer() X_train = normalizer.fit_transform(X_train) X_test = normalizer.transform(X_test) -
处理缺失值：在分析前进行填充
from aeon.transformations.collection import SimpleImputer imputer = SimpleImputer(strategy='mean') X_train = imputer.fit_transform(X_train) -
检查数据格式：Aeon 期望形状
(n_samples, n_channels, n_timepoints)
模型选择
- 从简单开始：在深度学习之前从 ROCKET 变体开始
- 使用验证：分割训练数据进行超参数调优
- 比较基准：与简单方法测试（1-NN 欧几里得, Naive）
- 考虑资源：ROCKET 用于速度，如果有 GPU 则使用深度学习
算法选择指南
用于快速原型设计：
- 分类：
MiniRocketClassifier - 回归：
MiniRocketRegressor - 聚类：
TimeSeriesKMeans与欧几里得
用于最大精度：
- 分类：
HIVECOTEV2,InceptionTimeClassifier - 回归：
InceptionTimeRegressor - 预测：
ARIMA,TCNForecaster
用于可解释性：
- 分类：
ShapeletTransformClassifier,Catch22Classifier - 特征：
Catch22,TSFresh
用于小数据集：
- 基于距离：
KNeighborsTimeSeriesClassifier与 DTW - 避免：深度学习（需要大量数据）
参考文档
详细信息可在 references/ 中找到：
classification.md- 所有分类算法regression.md- 回归方法clustering.md- 聚类算法forecasting.md- 预测方法anomaly_detection.md- 异常检测方法segmentation.md- 分割算法similarity_search.md- 模式匹配和 motif 发现transformations.md- 特征提取和预处理distances.md- 时间序列距离度量networks.md- 深度学习架构datasets_benchmarking.md- 数据加载和评估工具