Aeon - 时间序列机器学习 Python 工具箱

技能概述

Aeon 是一个与 scikit-learn 兼容的 Python 时间序列机器学习工具箱，提供分类、回归、聚类、预测、异常检测、分割、相似性搜索等完整算法库，使用统一的估计器 API 简化时序数据建模。

适用场景

1. 时序数据分类与预测

当需要从时间序列数据中识别类别模式或预测未来值时，Aeon 提供从快速原型到高精度的多种算法选择。无论是传感器数据分类、股票趋势预测，还是用户行为模式识别，都可以使用 MiniRocket、HIVECOTEV2 等算法快速构建模型。

2. 异常检测与模式发现

在工业设备监控、金融欺诈检测、IT 系统监控等场景中，Aeon 的异常检测模块能识别时间序列中的异常模式和离群点。同时，相似性搜索功能可以发现重复出现的 motifs（模式）和罕见的 discords（异常子序列）。

3. 时序特征工程与聚类分析

需要将时间序列转换为特征向量供传统机器学习使用时，可以使用 ROCKET 或 Catch22 进行特征提取。对于无标签的时序数据，TimeSeriesKMeans 等聚类算法能按相似性对序列进行分组。

核心功能

1. 时间序列分类

提供从轻量级到高精度的完整分类算法谱系。快速原型可选用 MiniRocketClassifier（速度与性能平衡），追求最高精度可使用 HIVECOTEV2 或 InceptionTimeClassifier，需要模型可解释性时可选择 ShapeletTransformClassifier。所有分类器都支持单变量和多变量时间序列。

2. 时间序列预测

支持多步时间序列预测，包括基础方法（NaiveForecaster）、统计模型（ARIMA、AutoETS）和深度学习架构（TCNForecaster）。注意：预测模块在 aeon 1.x 中仍为实验性质，接口可能在次要版本间变化。

3. 距离度量与相似性分析

提供专为时间序列设计的距离度量，包括弹性度量（DTW、WDTW、MSM 等）和锁步度量（欧氏、曼哈顿距离）。这些距离度量可与 KNN 分类器配合使用，也可用于相似性搜索和聚类分析。DTW 及其变体特别适用于处理时间对齐问题的序列。

常见问题

aeon 和 sktime 有什么区别？

Aeon 是从 sktime 项目演变而来的独立工具箱。主要区别在于：aeon 使用 1.x 版本号体系，重构了预测和变换模块的 API。如果你的代码基于 sktime 或 aeon 0.x，导入路径可能需要更新（如预测模块现在使用 from aeon.forecasting 而非旧路径）。建议在项目中固定 aeon 版本（如 aeon>=1.4,<2）以确保稳定性。

时间序列分类应该选择哪个算法？

算法选择取决于数据规模、精度要求和计算资源：

• 快速原型：MiniRocketClassifier - 训练快、性能好
• 最高精度：HIVECOTEV2（传统方法）、InceptionTimeClassifier（深度学习）
• 小样本数据：KNeighborsTimeSeriesClassifier + DTW 距离
• 需要可解释性：ShapeletTransformClassifier、Catch22Classifier
• 特征工程：先使用 RocketTransformer 提取特征，再用传统 ML 分类器

如何处理时间序列中的缺失值？

Aeon 提供了 SimpleImputer 用于处理缺失值。建议在分析前先进行数据预处理：

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

大多数算法还会受益于 Z-normalization（标准化），可以使用 Normalizer 进行归一化处理。数据格式方面，集合数据使用 (n_cases, n_channels, n_timepoints) 形状，单序列使用 (n_channels, n_timepoints) 形状。

时间序列预测支持多步预测吗？

是的，支持多步预测。使用时需在构造函数中设置 prediction_horizon 参数，然后调用 predict 或 iterative_forecast 方法。注意预测模块属于实验性功能，建议生产环境优先使用稳定的分类、回归、聚类、距离和变换模块。如需深度学习预测器，需要安装 aeon[all_extras] 额外依赖。

小样本时间序列数据适合用什么算法？

对于小样本数据，推荐使用基于距离的方法：KNeighborsTimeSeriesClassifier 配合 DTW 或 WDTW 距离度量。避免使用深度学习方法（如 InceptionTimeClassifier），因为它们需要大量数据才能训练有效。另一个选择是使用特征提取（如 Catch22）将时序转换为特征，再用传统 ML 算法分类，这样在小样本上表现更稳定。