Aeon 时间序列机器学习

Aeon 时间序列机器学习

概述

Aeon 是一个与 scikit-learn 兼容的 Python 时间序列机器学习工具包（aeon-toolkit.org）。它提供分类、回归、聚类、预测、异常检测、分割、相似性搜索、距离、转换、基准测试和可视化的算法——具有一致的估算器 API。

版本说明： 示例针对 aeon 1.x（稳定文档：v1.4.0，2026年3月）。v1.0 版本重新设计了预测和转换；导入路径与 aeon 0.x/sktime 时代的代码不同。

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
• 对相似的时间序列模式进行聚类
• 预测未来值
• 查找重复模式（motif）或异常子序列（discords）
• 使用专门的距离度量比较时间序列
• 从时间数据中提取特征

安装

需要 Python 3.10+（推荐 3.11+）。为可重现性锁定 1.x 版本：

uv pip install "aeon>=1.4,<2"

用于深度学习预测器/分类器和其他可选估算器：

uv pip install "aeon[all_extras]>=1.4,<2"

在 zsh 中，给 extras 加引号：uv pip install "aeon[all_extras]>=1.4,<2"。

实验模块

上游将 预测、异常检测、分割、相似性搜索 和 可视化 视为实验模块——接口可能在次版本之间变化。在生产管道中优先使用稳定模块（分类、回归、聚类、距离、转换），除非您需要这些任务。

核心能力

1. 时间序列分类

将时间序列分类到预定义类别中。参见 references/classification.md 获取完整的算法目录。

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
• 最高准确度：HIVECOTEV2、InceptionTimeClassifier
• 可解释性：ShapeletTransformClassifier、Catch22Classifier
• 小数据集：KNeighborsTimeSeriesClassifier 配合 DTW 距离

2. 时间序列回归

从时间序列预测连续值。参见 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

在没有标签的情况下对相似的时间序列进行分组。参见 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

预测未来的时间序列值（aeon 1.x 中的实验模块）。参见 references/forecasting.md 获取预测器。

快速开始：

import numpy as np
from aeon.forecasting import NaiveForecaster
from aeon.forecasting.stats import ARIMA

y_train = np.array([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0])

# 在构造函数中设置 horizon；predict 传递序列用于预测
naive = NaiveForecaster(strategy="last", horizon=5)
naive.fit(y_train)
y_pred = naive.predict(y_train)

# ARIMA 使用 p/d/q（不是 order=）；通过 iterative_forecast 进行多步预测
arima = ARIMA(p=1, d=1, q=1)
arima.fit(y_train)
y_pred = arima.iterative_forecast(y_train, prediction_horizon=5)

5. 异常检测

识别异常模式或离群值。参见 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)

# 分数越高表示异常
threshold = np.percentile(anomaly_scores, 95)
anomalies = anomaly_scores > threshold

6. 分割

用变化点将时间序列分割成区域。参见 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

在时间序列内或之间找到相似的模式。参见 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

转换时间序列进行特征工程。参见 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

专门的时间距离度量。参见 references/distances.md 获取完整的目录。

用法：

from aeon.distances import dtw_distance, dtw_pairwise_distance

# 单个距离
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
• 锁定步：欧几里得、曼哈顿、明可夫斯基
• 基于形状：Shape DTW、SBD

深度学习网络

时间序列的神经网络架构。参见 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。参见 references/datasets_benchmarking.md。

加载数据集：

from aeon.datasets import load_classification, load_gunpoint, load_regression

# 分类（通用加载器或数据集特定辅助函数）
X_train, y_train = load_classification("GunPoint", split="train")
X_train, y_train = load_gunpoint(split="train")  # 相同的 UCR 数据集

# 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='Time Series')
plt.subplot(2, 1, 2)
plt.plot(scores, label='Anomaly Scores', color='red')
plt.axhline(np.percentile(scores, 95), color='k', linestyle='--')
plt.show()

最佳实践

数据准备

1. 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)

1. 处理缺失值：在分析前进行插补

   from aeon.transformations.collection import SimpleImputer
   imputer = SimpleImputer(strategy='mean')
   X_train = imputer.fit_transform(X_train)

模型选择

1. 从简单开始：先尝试基线模型（如朴素分类器）
2. 考虑数据特性：根据时间序列的长度、维度和特征选择
3. 交叉验证：使用时间序列交叉验证确保可靠性
4. 评估指标：根据任务选择合适的指标（准确率、F1、AUC等）

算法选择指南

| 任务 | 推荐算法 |

|------|----------|

| 分类 | TimeSeriesForest, RocketClassifier, InceptionTime |

| 回归 | DummyRegressor, RandomForest, XGBoost |

| 聚类 | TimeSeriesKMeans, KernelKMeans |

| 预测 | ARIMA, ExponentialSmoothing, Theta |

| 异常检测 | IsolationForest, OneClassSVM |

| 分割 | ClaSP, WindowSegmenter |

参考文档

• aeon 文档
• API 参考
• 示例笔记本

其他资源

• GitHub 仓库
• 论文和引用
• 贡献指南