技能使用指南

aeon（Aeon时间序列机器学习）Skill 是什么？如何下载安装？

Aeon时间序列机器学习Skill用一套scikit-learn风格API覆盖分类、回归、聚类、预测、异常检测、分割与相似性搜索七大任务，内置DTW等专业时序距离、ROCKET特征与深度学习网络。本文详解安装命令、分步使用指南、竞品对比与典型场景，助你快速上手时序建模。

Aeon时间序列机器学习Skillaeon
8 个章节 约 23 分钟阅读 AI 智能生成

Aeon时间序列机器学习Skill：用 scikit-learn 风格 API 一次性搞定七大类时序任务

  • 一个技能覆盖七类任务：分类、回归、聚类、预测、异常检测、分割、相似性搜索，全部收敛在同一套 API 之下，不用再为每种任务找不同库。
  • API 与 scikit-learn 完全对齐：fit / predict / fit_predict / score / transform 即学即用，已有的 Pipeline、交叉验证、网格搜索经验可以直接复用。
  • 算法库覆盖"够快"到"够准"：从 MiniRocket、Arsenal 这类速度型方案，到 HIVECOTEV2、InceptionTime 这类精度型方案，再到 Shapelet、Catch22 这类可解释方案，按需切换即可。
  • 自带专业时序距离度量：DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM、SBD 等弹性距离开箱可用，这是普通机器学习库最难补齐的一环。
  • 附送标准数据集与基准测试：一行代码加载 GunPoint、ArrowHead、Covid3Month 等公开数据集，还能与已发表结果横向对比，快速判断模型是否"真的变好了"。

该技能叫什么？如何下载安装 AI 技能提升开发效率？

这个技能的中文名叫 Aeon时间序列机器学习Skill，英文名与包名均为 aeon，技能 ID 为 11996。

它要解决的问题非常具体：普通机器学习库把每条样本当成一个"扁平向量"，而时间序列的数据是有顺序、有节奏、有形状的。 当你把传感器读数、心电图、股价、点击流直接丢进随机森林或逻辑回归时，时间维度上的形态信息——上升沿、周期、突变点、重复片段——几乎全部丢失。Aeon 就是为这个缺口而生的：它在 scikit-learn 的接口规范之上，补齐了时间序列专属的算法、距离度量和特征提取方式。

"一键安装"的思路与步骤：

  1. 确认安装前提：需要一个可用的 Python 环境，以及 uv 包管理器（详情中给出的安装命令基于 uv；若你的环境使用 pip，也属于同一包的常规安装方式，具体以官方说明为准）。
  2. 执行安装命令：在终端中运行详情提供的命令：
uv pip install aeon
  1. 验证是否生效：安装完成后，在 Python 中导入并查看版本，能正常返回即说明安装成功：
import aeon
print(aeon.__version__)

如果能打印出版本号、且没有报 ModuleNotFoundError，就说明环境已经就绪。若出现导入失败，优先检查当前 Python 环境是否与你执行安装命令的环境是同一个（虚拟环境未激活是最常见的原因）。

  1. 在 AI 技能中被调用：作为技能使用时，你只需要用自然语言说明任务（例如"对这批多变量传感器数据做异常检测并给出阈值"），技能便会按内置的 references/ 文档索引到对应算法，生成可运行的代码。具体调用入口与配置方式以官方说明为准。

安装完成后，官方还提供了完整的学习资源：文档站点 https://www.aeon-toolkit.org/、GitHub 仓库 https://github.com/aeon-toolkit/aeon、示例页与 API 参考页，均可按需查阅。

该技能的主要功能和特点

  • 时间序列分类：把一段序列判归到预定义类别，例如心电片段判"正常/异常"、动作传感器判"走路/跑步/静止"。提供 RocketClassifier、MiniRocketClassifier、Arsenal、HIVECOTEV2、InceptionTimeClassifier、ShapeletTransformClassifier、Catch22Classifier、KNeighborsTimeSeriesClassifier 等多种选择。
  • 时间序列回归：从整段序列预测一个连续值，如设备健康度评分、作物产量估计，RocketRegressor、InceptionTimeRegressor 等可直接调用。
  • 时间序列聚类：无标签分组，TimeSeriesKMeans 支持 distance="dtw" 与 averaging_method="ba"（重心平均），能对"形状相似"的序列聚类，而不只是数值接近。
  • 预测（Forecasting）：按预测步长 fh 输出未来若干点，ARIMA(order=(1,1,1)) 等经典与深度预测器齐备，TCNForecaster 用于更强表达力的场景。
  • 异常检测：STOMP(window_size=50) 输出逐点异常分数，用分位数（如 95%）切阈值即可定位异常区间，适合做无标签的"找不对劲"。
  • 分割（Segmentation）：ClaSPSegmenter 找出变化点，把长序列切成若干行为阶段，适合用户行为流、工况切换分析。
  • 相似性搜索与 motif 发现：StompMotif(window_size=50, k=3) 找出重复出现的模式（motif），也可用于寻找不寻常子序列（discord）。
  • 特征提取与转换：RocketTransformer 生成随机卷积特征后可直接喂给任意 sklearn 分类器；Catch22 输出 22 个可解释的统计特征；Normalizer、MinMaxScaler、SimpleImputer 负责预处理。
  • 专业距离度量：弹性距离（DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM）、锁步距离（欧几里得、曼哈顿、闵可夫斯基）、基于形状的距离（Shape DTW、SBD），既可直接计算，也可作为分类器的 distance 参数。
  • 深度学习网络：卷积类（FCNClassifier、ResNetClassifier、InceptionTimeClassifier）、循环类（RecurrentNetwork、TCNNetwork）、自编码器类（AEFCNClusterer、AEResNetClusterer）。
  • 数据集与基准测试：load_classification、load_regression 一行加载标准数据集；get_estimator_results 拉取已发表结果做横向对照。

和普通工具比强在哪？ 普通工具给你的是"通用模型 + 你自己想办法把时序变成向量"；Aeon 给你的是"时序原生算法 + 时序原生距离 + 时序原生特征"，并且统一要求数据形状为 (n_samples, n_channels, n_timepoints)，多变量序列天然支持，不需要手工展平。

如何使用该技能？

下面按"从零到跑通"的顺序给出一条可复现路径。

第 1 步：准备数据格式。 Aeon 期望的三维形状是 (样本数, 通道数, 时间点数)。单变量序列也不要省略通道维。如果数据是二维的 (n_samples, n_timepoints)，多数加载器与转换器能自动兼容，但显式检查一遍更稳妥。

第 2 步：加载或导入数据。 用内置数据集快速验证环境：

from aeon.datasets import load_classification

X_train, y_train = load_classification("GunPoint", split="train")
X_test, y_test = load_classification("GunPoint", split="test")

输出说明：X_train 为三维数组，y_train 为类别标签数组。

第 3 步：预处理。 大多数算法都受益于 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)  # 注意测试集只 transform，不 fit

缺失值先行填充：

from aeon.transformations.collection import SimpleImputer

imputer = SimpleImputer(strategy='mean')
X_train = imputer.fit_transform(X_train)

第 4 步：选择算法并训练。 先跑速度型基线，确认流程通了再追精度：

from aeon.classification.convolution_based import RocketClassifier

clf = RocketClassifier(n_kernels=10000)
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)
print(accuracy)

输出说明：score 返回测试集准确率（浮点数）；predict 返回预测标签数组。

第 5 步：组装管道。 把预处理和分类器串成一个 Pipeline，避免数据泄漏，也方便整体调参：

from sklearn.pipeline import Pipeline
from aeon.transformations.collection import Normalizer
from aeon.classification.convolution_based import RocketClassifier

pipeline = Pipeline([
    ('normalize', Normalizer()),
    ('classify', RocketClassifier())
])
pipeline.fit(X_train, y_train)
print(pipeline.score(X_test, y_test))

第 6 步：换个任务类型，接口不变。 异常检测：

import numpy as np
from aeon.anomaly_detection import STOMP

detector = STOMP(window_size=50)
anomaly_scores = detector.fit_predict(y)   # 输入单条长序列
threshold = np.percentile(anomaly_scores, 95)
anomalies = anomaly_scores > threshold     # 布尔数组，True 为异常点

输出说明：fit_predict 返回与输入等长的异常分数序列，数值越高越异常。

预测：

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])  # 预测未来 5 步

聚类：

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_

第 7 步：把时序特征喂给传统机器学习。 这条路在实战中性价比极高——用 Aeon 提取特征，用你熟悉得不能再熟悉的 sklearn 模型收尾：

from aeon.transformations.collection.convolution_based import RocketTransformer
from sklearn.ensemble import GradientBoostingClassifier

rocket = RocketTransformer()
X_train_features = rocket.fit_transform(X_train)
X_test_features = rocket.transform(X_test)

clf = GradientBoostingClassifier()
clf.fit(X_train_features, y_train)
predictions = clf.predict(X_test_features)

第 8 步：算法选择速查。 快速原型用 MiniRocketClassifier / MiniRocketRegressor / TimeSeriesKMeans+欧几里得；追求最高精度用 HIVECOTEV2、InceptionTimeClassifier；需要可解释性用 ShapeletTransformClassifier、Catch22Classifier；小数据集用 KNeighborsTimeSeriesClassifier 配 DTW，并避开深度学习。

同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
aeon（本技能） 面向时间序列机器学习的统一工具包，兼容 scikit-learn 分类、回归、聚类、预测、异常检测、分割、相似性搜索、距离度量、深度学习网络、基准测试 uv pip install aeon 一条命令；需理解三维数据形状约定 需要在一套 API 下横跨多种时序任务的研究与工程 优势：任务覆盖面最广，时序距离与特征提取最完整，基准测试体系成熟；不足：算法选项多，初学者需要花时间做选型
sktime 统一的时序学习框架，同样对齐 scikit-learn 分类、回归、预测、变换，强调多步预测与模型组合 常规包管理器安装；预测相关概念（如时间索引、预测范围）学习曲线略陡 以预测为主、需要复杂模型编排与流水线组合的项目 优势：预测与模型组合能力强，生态整合度高；不足：异常检测、相似性搜索、分割等任务覆盖不如 aeon 全面
tslearn 轻量级时序机器学习库，主打距离与核方法 DTW 等距离、KNN/ SVM 时序版本、时序聚类（KShape、KMeans 变体） 安装简单，API 风格接近 sklearn 教学、论文复现、以 DTW 为核心的分类与聚类 优势：上手快、距离实现清晰；不足：算法广度有限，缺少成熟的深度学习架构与基准测试体系
darts 面向预测与异常检测的高层封装库 大量预测模型统一接口、概率预测、回测、异常检测 安装简单，API 更"高层"，隐藏了细节 业务侧的销量、流量、能耗预测快速落地 优势：预测开箱即用、可解释性好、回测方便；不足：分类、聚类、分割、motif 搜索等任务基本不覆盖
PyOD 专注异常检测的库 数十种异常检测算法（含时序适配版本） 安装简单，专注单一任务 纯异常检测、离群点识别 优势：异常检测算法最丰富；不足：不提供分类、预测、聚类等能力，时序特性支持有限

一句话选型建议：任务跨度大、并且需要专业时序距离与特征，选 aeon；只做预测，看 darts 或 sktime；只做异常检测，PyOD 更专；只玩 DTW 与聚类，tslearn 足够。

该技能的典型应用场景与实际体验情况

场景一：工业设备预测性维护（角色：设备工程师 / 算法工程师） 痛点是传感器数据量大、故障样本极少、标注成本高。使用方式是：先用 STOMP(window_size=50) 对单台设备的长序列做无监督异常打分，用 95 分位切阈值圈出可疑时段；再把历史片段用 RocketClassifier 训练成"正常/异常工况"分类器，对新数据实时判别。 实际体验：上手难度中等，异常检测路径几乎不需要标注就能出第一版结果，非常适合在缺乏标签时先"看见问题"。注意事项是 window_size 对结果影响明显，建议在设备的一个完整工作周期尺度上取值并做对比试验。

场景二：可穿戴设备动作识别（角色：移动端 / 嵌入式算法工程师） 痛点是从三轴加速度数据识别步行、跑步、上下楼等动作，传统特征工程耗时且难以覆盖多通道耦合。使用方式是：用 MiniRocketClassifier 做快速基线，通过后若精度不够，再换 HIVECOTEV2 或 InceptionTimeClassifier 追精度；对算力敏感的场景则用 RocketTransformer 抽特征 + 轻量 sklearn 模型。 实际体验：这是 Aeon 最"顺滑"的路径，卷积类方法在时序分类基准上表现稳定，代码量极少。注意事项是深度学习方案需要较多数据与 GPU，样本量小时应优先用距离方法而非硬上神经网络。

场景三：业务指标波动归因（角色：数据分析师 / 增长运营） 痛点是日活、订单量等指标序列存在阶段性变化，人工难以界定"从哪天开始变了"。使用方式是：ClaSPSegmenter 找出变化点，按阶段切分后分别统计；再对同一指标的多地区序列用 TimeSeriesKMeans(distance="dtw") 聚类，把"走势相似"的城市归为一组做统一策略。 实际体验：分割结果直观、可解释性强，非常适合放进汇报材料。注意事项是变化点算法对噪声敏感，建议先做归一化与平滑，并结合业务日历排除大促等已知事件。

场景四：周期规律与重复模式挖掘（角色：风控 / 运维工程师） 痛点是希望在一长串访问日志或监控指标里找到"反复出现的可疑模式"。使用方式是：StompMotif(window_size=50, k=3) 输出前 3 个 motif，观察其出现位置与频率；反之也可寻找 discord 定位罕见片段。 实际体验：这是大多数通用库完全没有的能力，属于 Aeon 的"独门武器"。注意事项是窗口大小直接决定发现的模式粒度，建议按业务周期（如一天 288 个五分钟点）成比例设置。

该技能能为用户带来的价值

  • 效率提升：把"搭轮子"的时间换成"做实验"的时间。 过去做时序异常检测，往往要自己实现滑窗距离矩阵、自己写阈值逻辑；现在一行 STOMP(window_size=50) 加一行分位数切分就得到第一版可用结果，从想法到可运行代码的周期从数天压缩到分钟级。
  • 门槛降低：不用成为时序算法专家也能用对方法。 技能内置了算法选择指南——速度优先用 MiniRocket，精度优先用 HIVECOTEV2 / InceptionTime，可解释优先用 Shapelet / Catch22，小数据优先用 DTW-KNN。选型这件事从"靠猜"变成"照方抓药"。
  • 知识复用：scikit-learn 经验零损耗。 fit/predict/transform/score 的标准接口，意味着你已有的 Pipeline、交叉验证、网格搜索、模型持久化经验全部可以直接迁移，学习成本几乎只剩"理解数据形状"这一条。
  • 质量兜底：有基准可对照，不做自欺欺人的优化。 get_estimator_results 能拉到已发表结果，load_classification 能加载标准数据集，你的模型是好是坏不再是"感觉上变好了"，而是有公开基线可对比。
  • 长期价值：一套接口覆盖七类任务。 从分类到预测、从异常检测到 motif 搜索，团队不必为每种任务引入一个新库，依赖更少、维护成本更低、代码风格更统一。

常见问题 FAQ

Q1：这个技能怎么安装？需要什么前提？ A：在具备 Python 环境与 uv 包管理器的前提下，执行详情给出的命令 uv pip install aeon 即可。安装后用 import aeon 打印版本号验证是否生效。若你的团队使用其他包管理方式，属于同一 Python 包的常规安装流程，具体以官方说明为准。

Q2：它是收费的吗？ A：技能详情中未提及任何收费信息，Aeon 本身是开源的 Python 工具包，官方文档与 GitHub 仓库均公开可访问。是否有商业版或增值服务，以官方说明为准。

Q3：我完全不懂时间序列算法，适合用吗？ A：适合，但建议按"先跑通、再优化"的顺序。第一步用 load_classification 加载 GunPoint 数据集，配 RocketClassifier 跑通完整流程；第二步套用详情中的算法选择指南换模型。真正的门槛不在写代码，而在理解"数据是 (样本数, 通道数, 时间点数) 三维形状"这件事。

Q4：和 sktime、darts、tslearn 相比该怎么选？ A：看任务跨度。如果你的项目要同时涉及分类、聚类、异常检测、分割、相似性搜索，选 aeon 最省心；如果核心诉求就是"把未来几周的销量预测准"，darts 或 sktime 更聚焦；如果只想用 DTW 做点分类和聚类实验，tslearn 更轻。也可以组合使用：用 aeon 做特征与异常检测，用别家做高层预测封装。

Q5：为什么我的模型效果不理想？ A：先排查三件事：数据形状对不对（应为三维，单变量也别省通道维）；有没有做归一化（Normalizer 是多数算法的收益前提）；训练/测试的预处理是否一致（测试集只能 transform，不能重新 fit，否则造成数据泄漏）。此外，样本量很小时不要直接上深度学习，先换 DTW + KNN 试试。

Q6：可以在生产环境直接用吗？ A：技术上可行，Aeon 提供的是标准 Python 类，可被服务化封装。但仍需注意：RocketTransformer 的特征维度较高、InceptionTime 类模型推理成本不低，上线前应评估延迟与内存；同时建议先用 get_estimator_results 与公开基线对齐效果，再决定是否替换线上方案。