aeon

Aeon 時系列機械学習

概要

Aeon は、時系列機械学習向けの scikit-learn 互換 Python ツールキットです（aeon-toolkit.org）。分類、回帰、クラスタリング、予測、異常検知、セグメンテーション、類似性検索、距離、変換、ベンチマーク、可視化にわたるアルゴリズムを、一貫した推定器 API で提供します。

バージョンに関する注意： サンプルは aeon 1.x を対象としています（安定版ドキュメント：v1.4.0、2026年3月）。v1.0 のリリースでは予測と変換が再構成されており、インポートパスは aeon 0.x／sktime 時代のコードとは異なります。

このスキルを使う場面

以下の場合にこのスキルを使用します。

• 時系列データを分類したり、時系列データから予測したりする
• 時系列の系列内で異常や変化点を検出する
• 類似した時系列パターンをクラスタリングする
• 将来の値を予測する
• 繰り返し現れるパターン（モチーフ）や通常とは異なる部分系列（ディスコード）を見つける
• 専用の距離指標を使って時系列を比較する
• 時系列データから特徴量を抽出する

インストール

Python 3.10 以上が必要です（3.11 以上を推奨）。再現性のため、1.x リリースを固定してください。

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

ディープラーニング予測器／分類器やその他のオプションの推定器を使用する場合：

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

zsh では extras を引用符で囲んでください：uv pip install "aeon[all_extras]>=1.4,<2"。

実験的モジュール

アップストリームでは forecasting、anomaly_detection、segmentation、similarity_search、visualisation を実験的な機能として扱っており、マイナーリリース間でインターフェースが変更される可能性があります。これらのタスクが必要でない限り、本番パイプラインでは安定したモジュール（classification、regression、clustering、distances、transformations）を優先してください。

主な機能

1. 時系列分類

時系列を定義済みのクラスに分類します。アルゴリズムの一覧については references/classification.md を参照してください。

クイックスタート：

from aeon.classification.convolution_based import RocketClassifier
from aeon.datasets import load_classification

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

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

アルゴリズムの選択：

• 速度＋性能：MiniRocketClassifier、Arsenal
• 最高の精度：HIVECOTEV2、InceptionTimeClassifier
• 解釈可能性：ShapeletTransformClassifier、Catch22Classifier
• 小規模データセット：DTW 距離を使う KNeighborsTimeSeriesClassifier

2. 時系列回帰

時系列から連続値を予測します。アルゴリズムについては references/regression.md を参照してください。

クイックスタート：

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. 時系列クラスタリング

ラベルを使わずに、類似した時系列をグループ化します。手法については references/clustering.md を参照してください。

クイックスタート：

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. 予測

時系列の将来の値を予測します（aeon 1.x では実験的モジュールです）。予測器については references/forecasting.md を参照してください。

クイックスタート：

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])

# Set horizon in the constructor; predict passes the series to forecast from
naive = NaiveForecaster(strategy="last", horizon=5)
naive.fit(y_train)
y_pred = naive.predict(y_train)

# ARIMA uses p/d/q (not order=); multi-step via iterative_forecast
arima = ARIMA(p=1, d=1, q=1)
arima.fit(y_train)
y_pred = arima.iterative_forecast(y_train, prediction_horizon=5)

5. 異常検知

通常とは異なるパターンや外れ値を特定します。検出器については references/anomaly_detection.md を参照してください。

クイックスタート：

from aeon.anomaly_detection import STOMP

detector = STOMP(window_size=50)
anomaly_scores = detector.fit_predict(y)

# Higher scores indicate anomalies
threshold = np.percentile(anomaly_scores, 95)
anomalies = anomaly_scores > threshold

6. セグメンテーション

変化点を使って時系列を領域に分割します。references/segmentation.md を参照してください。

クイックスタート：

from aeon.segmentation import ClaSPSegmenter

segmenter = ClaSPSegmenter()
change_points = segmenter.fit_predict(y)

7. 類似性検索

時系列内または時系列間で類似したパターンを見つけます。references/similarity_search.md を参照してください。

クイックスタート：

from aeon.similarity_search import StompMotif

# Find recurring patterns
motif_finder = StompMotif(window_size=50, k=3)
motifs = motif_finder.fit_predict(y)

特徴量抽出と変換

特徴量エンジニアリングのために時系列を変換します。references/transformations.md を参照してください。

ROCKET 特徴量：

from aeon.transformations.collection.convolution_based import RocketTransformer

rocket = RocketTransformer()
X_features = rocket.fit_transform(X_train)

# Use features with any sklearn classifier
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier()
clf.fit(X_features, y_train)

統計的特徴量：

from aeon.transformations.collection.feature_based import Catch22

catch22 = Catch22()
X_features = catch22.fit_transform(X_train)

前処理：

from aeon.transformations.collection import MinMaxScaler, Normalizer

scaler = Normalizer()  # Z-normalization
X_normalized = scaler.fit_transform(X_train)

距離指標

時系列専用の距離尺度です。全項目については references/distances.md を参照してください。

使用方法：

from aeon.distances import dtw_distance, dtw_pairwise_distance

# Single distance
distance = dtw_distance(x, y, window=0.1)

# Pairwise distances
distance_matrix = dtw_pairwise_distance(X_train)

# Use with classifiers
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier

clf = KNeighborsTimeSeriesClassifier(
    n_neighbors=5,
    distance="dtw",
    distance_params={"window": 0.2}
)

利用可能な距離：

• 弾性距離：DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM
• ロックステップ距離：ユークリッド距離、マンハッタン距離、ミンコフスキー距離
• 形状ベース：Shape DTW、SBD

ディープラーニングネットワーク

時系列向けのニューラルアーキテクチャです。references/networks.md を参照してください。

アーキテクチャ：

• 畳み込み：FCNClassifier、ResNetClassifier、InceptionTimeClassifier
• 再帰型：RecurrentNetwork、TCNNetwork
• オートエンコーダー：AEFCNClusterer、AEResNetClusterer

使用方法：

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)

データセットとベンチマーク

標準的なベンチマークを読み込み、パフォーマンスを評価します。references/datasets_benchmarking.md を参照してください。

データセットの読み込み：

from aeon.datasets import load_classification, load_gunpoint, load_regression

# Classification (generic loader or dataset-specific helper)
X_train, y_train = load_classification("GunPoint", split="train")
X_train, y_train = load_gunpoint(split="train")  # same UCR dataset

# Regression
X_train, y_train = load_regression("Covid3Month", split="train")

ベンチマーク：

from aeon.benchmarking import get_estimator_results

# Compare with published results
published = get_estimator_results("ROCKET", "GunPoint")

一般的なワークフロー

分類パイプライン

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)

特徴抽出＋従来型の機械学習

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

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

# Train traditional ML
clf = GradientBoostingClassifier()
clf.fit(X_train_features, y_train)
predictions = clf.predict(X_test_features)

可視化を用いた異常検知

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()

ベストプラクティス

データの準備

1. 正規化：ほとんどのアルゴリズムは z 正規化の効果が得られます

   from aeon.transformations.collection import Normalizer
   normalizer = Normalizer()
   X_train = normalizer.fit_transform(X_train)
   X_test = normalizer.transform(X_test)
   

2. 欠損値の処理：分析前に補完します

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

3. データ形式の確認：コレクションでは (n_cases, n_channels, n_timepoints)、単一系列では (n_channels, n_timepoints) を使用します（データ形式を参照）

モデルの選択

1. シンプルなものから開始：ディープラーニングの前に ROCKET の派生手法から始めます
2. 検証を行う：ハイパーパラメーター調整のために、訓練データを分割します
3. ベースラインと比較：シンプルな手法（1-NN Euclidean、Naive）と比較します
4. リソースを考慮：速度を重視する場合は ROCKET、GPU が利用可能な場合はディープラーニングを選びます

アルゴリズム選択ガイド

迅速なプロトタイピング向け：

• 分類：MiniRocketClassifier
• 回帰：MiniRocketRegressor
• クラスタリング：ユークリッド距離を用いる TimeSeriesKMeans

精度を最大限に高める場合：

• 分類：HIVECOTEV2、InceptionTimeClassifier
• 回帰：InceptionTimeRegressor
• 予測：AutoARIMA、AutoETS、TCNForecaster（ディープラーニングには [all_extras] が必要です）

解釈可能性を重視する場合：

• 分類：ShapeletTransformClassifier、Catch22Classifier
• 特徴量：Catch22、TSFresh

小規模なデータセット向け：

• 距離ベース：DTW を用いる KNeighborsTimeSeriesClassifier
• 避けるもの：ディープラーニング（大量のデータが必要です）

リファレンスドキュメント

詳細情報は references/ にあります：

• classification.md - 分類アルゴリズム全般
• regression.md - 回帰手法
• clustering.md - クラスタリングアルゴリズム
• forecasting.md - 予測手法
• anomaly_detection.md - 異常検知手法
• segmentation.md - セグメンテーションアルゴリズム
• similarity_search.md - パターンマッチングとモチーフの検出
• transformations.md - 特徴抽出と前処理
• distances.md - 時系列の距離尺度
• networks.md - ディープラーニングアーキテクチャ
• datasets_benchmarking.md - データ読み込みと評価ツール

その他のリソース

• ドキュメント：https://www.aeon-toolkit.org/
• GitHub：https://github.com/aeon-toolkit/aeon
• 例：https://www.aeon-toolkit.org/en/stable/examples.html
• API リファレンス：https://www.aeon-toolkit.org/en/stable/api_reference.html

エージェントの作業手順

1. 環境を確認します。 Python 環境とライブラリのバージョン（python -c "import pkg; print(pkg.__version__)"）を確認し、データの形状、型、欠損値を調べます。
2. 入力を特定します。 データまたはユーザーから、形式、識別子、パラメーターを確認します。結果に影響する値は推測せず、質問してください。
3. まず小規模に実行します。 サンプルまたは単一のフォールドで先に実行し、実行時間とメモリを確認します。
4. 上記の指示と参考資料を使用して、タスク全体を実行します。
5. 結果を検証します。 ホールドアウトデータ、固定した乱数シード、適切な評価指標を使い、データリークを確認して、不確実性（信頼区間、シード間の標準偏差）を報告します。
6. 報告します。 実行内容（バージョン、コマンド、パラメーター）、確認した内容、未解決の不確実性を明記します。

こうなった場合	対応
メモリ不足、または実行が非常に遅い	サブサンプリング、チャンク処理または遅延計算を使うか、モデルサイズを小さくし、変更内容をユーザーに伝えます。
これらの指示に記載された関数、フラグ、またはエンドポイントが、インストール済みバージョンに存在しない	インストール済みバージョンの公式ドキュメント（help()、--help、公式ドキュメント）を確認して適応し、その旨をユーザーに伝えます。API を捏造してはいけません。
必須の入力、識別子、またはパラメーターが曖昧	ユーザーに質問するか、実行前に仮定を明示します。

整合性に関するルール

• 結果、パラメーター、識別子、引用、統計値を捏造してはいけません。実行または検証できない場合は、その旨を明確に伝えます。
• このセッションで計算していない評価指標を報告してはいけません。すべての数値について、その算出に使ったコードパスを示します。
• ここに記載されたバージョン固有の情報は古くなっている可能性があるものとして扱い、インストール済みバージョンの公式ドキュメントで確認します。
• 費用が発生する、共有 GPU やクラウドのクォータを消費する、個人データや患者データを扱う、または元に戻せない操作を行う前に、ユーザーに確認します。

関連スキル

• timesfm-forecasting：Google の TimesFM 基盤モデルを使ったゼロショット時系列予測。
• scikit-learn：scikit-learn（sklearn）を使った Python の従来型機械学習を扱います。分類・回帰の推定器、クラスタリング、次元…
• crewai-multi-agent：自律型 AI の協調を実現するマルチエージェントオーケストレーションフレームワーク。