mcpField
A
aeon

aeon

github.com/jackspace数据与数据库1643 次安装12 周前更新
代码仓库

关于 aeon

Aeon 是兼容 scikit-learn 的 Python 时间序列机器学习工具包，适用于研究人员和实践者，提供预测、模式发现、预报及时间序列转换方法。

主要功能

  1. 01时间序列分类与回归
  2. 02聚类与预报
  3. 03异常检测与分段
  4. 04相似性搜索与模式发现
  5. 05特征提取与预处理
  6. 06时间序列距离度量与神经网络

适用场景

  1. 01对带标签的时间序列分类
  2. 02预测序列的未来数值
  3. 03查找异常或变化点
  4. 04对序列分组或发现重复模式

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/jackspace/claudeskillz --skill aeon

安装后在 Claude Code 中输入/aeon确认已加载。

附带文件SKILL.json

详细介绍

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。它为分类、回归、聚类、预测、异常检测、分割和相似性搜索提供了最先进的算法。

何时使用本技能

在以下情况下应用本技能：

  • 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（motifs）或不寻常的子序列（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

pip install aeon

核心能力

1. 时间序列分类

将时间序列归入预定义的类别。完整算法目录见 references/classification.md。

快速开始：

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)

算法选择：

  • 速度 + 性能：MiniRocketClassifier、Arsenal
  • 最高准确率：HIVECOTEV2、InceptionTimeClassifier
  • 可解释性：ShapeletTransformClassifier、Catch22Classifier
  • 小数据集：使用 DTW 距离的 KNeighborsTimeSeriesClassifier
2. 时间序列回归

从时间序列中预测连续值。算法见 references/regression.md。

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

将相似的时间序列分组，无需标签。方法见 references/clustering.md。

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。预测器见 references/forecasting.md。

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

识别不寻常的模式或离群值。检测器见 references/anomaly_detection.md。

快速开始：

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. 分割

将时间序列划分为带有变化点的区域。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

在时间序列内部或之间查找相似模式。见 references/similarity_search.md。

快速开始：

from aeon.similarity_search import StompMotif

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

特征提取与变换

为特征工程变换时间序列。见 references/transformations.md。

ROCKET 特征：

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)

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-normalization
X_normalized = scaler.fit_transform(X_train)

距离度量

专门的时间距离度量。完整目录见 references/distances.md。

用法：

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}
)

可用距离：

  • 弹性：DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM
  • 锁步：Euclidean、Manhattan、Minkowski
  • 基于形状：Shape DTW、SBD

深度学习网络

用于时间序列的神经网络架构。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)

数据集与基准测试

加载标准基准并评估性能。见 references/datasets_benchmarking.md。

加载数据集：

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")

基准测试：

from aeon.benchmarking import get_estimator_results

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

常见工作流

分类流水线
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

# 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)
带可视化的异常检测
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)

  2. 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)

  3. 检查数据格式：Aeon 期望形状为 (n_samples, n_channels, n_timepoints)

模型选择
  1. 从简单开始：在深度学习之前先使用 ROCKET 变体
  2. 使用验证：划分训练数据以进行超参数调优
  3. 比较基线：与简单方法（1-NN Euclidean、Naive）进行测试对比
  4. 考虑资源：追求速度用 ROCKET，有 GPU 则用深度学习
算法选择指南

用于快速原型开发：

  • 分类：MiniRocketClassifier
  • 回归：MiniRocketRegressor
  • 聚类：使用欧氏距离的 TimeSeriesKMeans

用于最高准确率：

  • 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：使用 DTW 的 KNeighborsTimeSeriesClassifier
  • 避免：深度学习（需要大量数据）

参考文档

详细信息见 references/：

  • 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 - 模式匹配与模体发现
  • transformations.md - 特征提取与预处理
  • distances.md - 时间序列距离度量
  • networks.md - 深度学习架构
  • datasets_benchmarking.md - 数据加载与评估工具

其他资源

评论

支持 Markdown