aeon

Aeon 時系列機械学習

概要

Aeon は scikit-learn 互換の Python 時系列機械学習ツールキットです。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、類似検索のための最先端のアルゴリズムを提供します。

このスキルを使用するタイミング

このスキルは次の場合に適用します:

• 時系列データからの分類や予測を行うとき
• 時間的なシーケンスにおける異常や変化点を検出するとき
• 類似した時系列パターンをクラスタリングするとき
• 将来の値を予測するとき
• 繰り返しパターン（モチーフ）や異常な部分系列（ディスコード）を見つけるとき
• 専用の距離指標を使って時系列を比較するとき
• 時間的データから特徴量を抽出するとき

インストール

uv pip install aeon

主要機能

1. 時系列分類

時系列を事前定義されたクラスに分類します。アルゴリズムの完全な一覧は 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
• 最高精度: HIVECOTEV2、InceptionTimeClassifier
• 解釈可能性: ShapeletTransformClassifier、Catch22Classifier
• 小規模データセット: DTW 距離を用いる 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

ラベルなしで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

将来の時系列の値を予測します。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:

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. 異常検知

通常と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

変化点を伴う領域に時系列を分割します。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

専用の時間的距離尺度です。完全な一覧は 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:

• 伸縮型（Elastic）: DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM
• ロックステップ型（Lock-step）: ユークリッド、マンハッタン、ミンコフスキー
• 形状ベース（Shape-based）: 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:

• 畳み込み型: FCNClassifier、ResNetClassifier、InceptionTimeClassifier
• 再帰型: RecurrentNetwork、TCNNetwork
• オートエンコーダ: 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、性能を評価します。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_regression

# Classification
X_train, y_train = load_classification("ArrowHead", split="train")

# 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)

特徴量抽出 + 従来型機械学習

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)

可視化を伴う異常検知

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: 多くのアルゴリズムは z 正規化の恩恵を受けます

   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: 分析の前に補完します

   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: Aeon は形状 (n_samples, n_channels, n_timepoints) を想定しています

モデルの選択

1. シンプルに始める: ディープラーニングの前に ROCKET 系の手法から始めます
2. 検証を活用する: ハイパーパラメータ調整のために学習データを分割します
3. ベースラインと比較する: 単純な手法（1-NN ユークリッド、Naive）と比較します
4. リソースを考慮する: 速度を重視するなら ROCKET、GPU が利用可能ならディープラーニングを使います

アルゴリズム選択ガイド

高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た TimeSeriesKMeans

最大の精度を求める場合:

• 分類: HIVECOTEV2、InceptionTimeClassifier
• 回帰: InceptionTimeRegressor
• 予測: ARIMA、TCNForecaster

解釈可能性を重視する場合:

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

小規模データセット向け:

• 距離ベース: DTW を用いた KNeighborsTimeSeriesClassifier
• 避けるべきもの: ディープラーニング（大量のデータが必要）

リファレンスドキュメント

references/ に詳細な情報があります:

• classification.md - すべての分類アルゴリズム
• regression.md - 回帰手法
• clustering.md - クラスタリングアルゴリズム
• forecasting.md - 予測のアプローチ
• 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発見
• transformations.md - 特徴量抽出と前処理
• distances.md - 時系列距離指標
• networks.md - ディープラーニングアーキテクチャ
• datasets_benchmarking.md - データの読み込みと評価ツール

追加リソース

• ドキュメント: https://www.aeon-toolkit.org/
• GitHub: https://github.com/aeon-toolkit/aeon
• サンプル: 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