用途：在 Python 中完成时间序列机器学习任务，aeon 与 scikit-learn 兼容，涵盖分类、回归、聚类、预测、异常检测、分段与相似性搜索。
主要能力：分类可用 RocketClassifier、HIVECOTEV2、InceptionTimeClassifier 等；回归用 RocketRegressor 等；聚类用 TimeSeriesKMeans；预测位于 aeon.forecasting.stats，如 ARIMA(p=1,d=1,q=1)，predict(y) 返回一个浮点值，多步用 iterative_forecast；异常检测位于 aeon.anomaly_detection.series.*，如 STOMP；分段用 ClaSPSegmenter；相似性搜索位于 aeon.similarity_search.subsequence，如 MASS。另提供特征变换（Rocket、Catch22、Normalizer、SimpleImputer）、距离度量（DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM 等）与数据集/基准工具。
使用方式：安装命令 uv pip install "aeon>=1.6"；深度学习估计器需 uv pip install "aeon[dl]"；MatrixProfileTransformer 的软依赖用 uv pip install stumpy。数据形状为 (n_samples, n_channels, n_timepoints)，可通过 load_classification、load_regression 加载基准数据。
限制：示例基于 aeon 1.6.0，1.x 重组了模块路径，导入失败应查当前 API；1.6 不再提供 StompMotif，基序/异常子序列需用 MatrixProfileTransformer（最小值对应基序、最大值对应异常）。深度学习需 TensorFlow≥2.14/Keras 3 且 Python<3.14。零样本预测、ARIMA 计量诊断、纯表格任务、生理信号处理不在本技能范围。
适用场景：时序分类预测、异常与变点检测、模式聚类、预测、基序发现及特征工程。