alterlab-aeon

Aeon 时间序列机器学习

概述

Aeon 是一个兼容 scikit-learn 的时间序列机器学习 Python 工具包。它提供用于分类、回归、聚类、预测、异常检测、分段和相似性搜索的先进算法。

何时使用此技能

在以下情况下应用此技能：

• 根据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点
• 聚类相似的时间序列模式
• 预测未来值
• 查找重复模式（motif）或异常子序列（discord）
• 使用专用距离度量比较时间序列
• 从时间数据中提取特征

不适用的情况

场景	改用
使用预训练基础模型进行零样本预测，无需训练	alterlab-timesfm
使用 ARIMA/SARIMAX，需提供系数表、残差诊断和计量经济学推断	alterlab-statsmodels
使用普通表格特征（没有时间顺序）进行分类/回归	alterlab-scikit-learn
生理信号处理（ECG/EEG/EDA 峰值、HRV）	alterlab-neurokit2

安装

uv pip install "aeon>=1.6"     # core; Python 3.11–3.14
uv pip install "aeon[dl]"      # + TensorFlow/Keras for the deep-learning estimators
uv pip install stumpy          # soft dependency of MatrixProfileTransformer

示例已根据 aeon 1.6.0 验证（截至 2026-09 的当前版本）。1.x 系列 重新组织了模块——预测器位于 aeon.forecasting.stats 下，序列异常检测器位于 aeon.anomaly_detection.series.* 下，相似性搜索位于 aeon.similarity_search.subsequence / .whole_series 下——因此，如果导入失败，请查阅 当前 API 参考，而不要假定使用的是旧路径。

核心功能

1. 时间序列分类

将时间序列归类到预定义类别。完整算法目录请参阅 references/classification.md。

快速入门：

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：

• 速度与性能：MiniRocketClassifier、Arsenal
• 最高准确率：HIVECOTEV2、InceptionTimeClassifier
• 可解释性：ShapeletTransformClassifier、Catch22Classifier
• 小型数据集：使用 DTW 距离的 KNeighborsTimeSeriesClassifier

2. 时间序列回归

根据时间序列预测连续值。算法请参阅 references/regression.md。

快速入门：

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

对没有标签的相似时间序列进行分组。方法请参阅 references/clustering.md。

快速入门：

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。预测器请参阅 references/forecasting.md。

快速入门：

from aeon.forecasting.stats import ARIMA

# Orders are separate args (p, d, q) — not an `order` tuple.
forecaster = ARIMA(p=1, d=1, q=1)
forecaster.fit(y_train)

# predict(y) takes the series to forecast from and returns ONE float,
# `horizon` steps past the end of y (default 1). Calling predict() with no
# series raises TypeError in aeon 1.6.
next_step = forecaster.predict(y_train)

# For a multi-step path, use iterative_forecast (returns a 1D ndarray):
y_pred = forecaster.iterative_forecast(y_train, prediction_horizon=5)

5. 异常检测

识别异常模式或离群值。检测器请参阅 references/anomaly_detection.md。

快速入门：

import numpy as np
from aeon.anomaly_detection.series.distance_based 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. 分段

根据变点将时间序列划分为多个区域。请参阅 references/segmentation.md。

快速入门：

from aeon.segmentation import ClaSPSegmenter

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

7. 相似性搜索

查找单个或多个时间序列中的相似模式。请参阅 references/similarity_search.md。

快速入门：

from aeon.similarity_search.subsequence import MASS

# Searchers are fitted on a collection shaped (n_cases, n_channels, n_timepoints)
X = y.reshape(1, 1, -1)
query = X[0, :, 100:150]                  # (n_channels, length) — length must match

searcher = MASS(length=50, normalize=True).fit(X)
indexes, distances = searcher.predict(query, k=3)   # rows are (case, timestamp)

aeon 1.6 不再附带 StompMotif 估计器。要计算 motif/discord，请使用 aeon.transformations.series.MatrixProfileTransformer 计算矩阵轮廓 （需要 stumpy）：其极小值表示 motif，极大值表示 discord。

特征提取与变换

变换时间序列以进行特征工程。请参阅 references/transformations.md。

ROCKET 特征：

from aeon.transformations.collection.convolution_based import Rocket

rocket = Rocket()
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

专用时间距离度量。完整目录请参阅 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：

• 弹性距离：DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM
• 逐步对齐距离：Euclidean、Manhattan、Minkowski
• 基于形状的距离：Shape DTW、SBD

深度学习网络

用于时间序列的神经网络架构。参见 references/networks.md。这些估计器需要安装 aeon[dl] 扩展（TensorFlow ≥ 2.14 / Keras 3，Python < 3.14）。

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

加载标准基准数据集并评估性能。参见 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.results_loaders import get_estimator_results

# Compare with published results (estimators + datasets are lists)
published = get_estimator_results(estimators=["ROCKET"], datasets=["GunPoint"])

常见工作流

分类流程

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.convolution_based import Rocket
from sklearn.ensemble import GradientBoostingClassifier

# Extract features
rocket = Rocket()
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)

使用可视化进行异常检测

import numpy as np
import matplotlib.pyplot as plt
from aeon.anomaly_detection.series.distance_based import STOMP

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：大多数算法都能从 Z 归一化中受益

   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：分析前先进行插补

   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 要求形状为 (n_samples, n_channels, n_timepoints)

模型选择

1. 从简单方法入手：先尝试 ROCKET 变体，再使用深度学习
2. 使用验证集：划分训练数据以调整超参数
3. 比较基线：与简单方法（1-NN 欧几里得距离、朴素方法）进行比较
4. 考虑资源：追求速度时使用 ROCKET；有 GPU 时可考虑深度学习

算法选择指南

快速原型开发：

• 分类：MiniRocketClassifier
• 回归：MiniRocketRegressor
• 聚类：使用欧几里得距离的 TimeSeriesKMeans

追求最高准确率：

• 分类：HIVECOTEV2、InceptionTimeClassifier
• 回归：InceptionTimeRegressor
• 预测：ARIMA、TCNForecaster

追求可解释性：

• 分类：ShapeletTransformClassifier、Catch22Classifier
• 特征：Catch22、TSFresh

小型数据集：

• 基于距离的方法：使用 DTW 的 KNeighborsTimeSeriesClassifier
• 避免使用：深度学习（需要大量数据）

参考文档

references/ 中提供了详细信息：

• 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 - 分段算法
• similarity_search.md - 模式匹配与模板发现
• 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

• 文档：https://www.aeon-toolkit.org/
• GitHub：https://github.com/aeon-toolkit/aeon
• 示例：https://www.aeon-toolkit.org/en/stable/examples.html
• API 参考：https://www.aeon-toolkit.org/en/stable/api_reference.html