用途：aeon 为时间序列机器学习提供统一、兼容 scikit-learn 的 API，覆盖分类、回归、聚类、分割、标注、相似性搜索与变换等任务。它沿用 fit(X, y) / predict(X) 模式，X 为形状 (n_instances, n_channels, n_timepoints) 的三维 NumPy 数组，单变量可用二维。它汇集时间序列文献中的前沿算法，如 ROCKET 及 MiniROCKET、MultiROCKET 等变体、k-means with DTW、CLASP，并提供跨数据集算法对比的基准工具。
主要能力：分类含卷积、字典、距离、特征、区间、shapelet 等 30 余种分类器；回归可从时间序列预测连续目标；聚类可按形状相似度分组；分割与变点检测可定位连续信号中的状态边界；变换可将变长时间序列转为定长特征向量。还支持 UCR/UEA 数据集加载和已发布基准结果比较。
使用方式：安装 pip install aeon，完整算法支持用 pip install aeon[all_extras]（含 numba、statsmodels）。前置依赖 aeon、numpy、scikit-learn、matplotlib。典型流程为加载数据、选模型、fit、score。例如 RocketClassifier(num_kernels=500, random_state=42) 训练后 score 评估；KNN-DTW 用 KNeighborsTimeSeriesClassifier(n_neighbors=1, distance="dtw")。可用 Pipeline 组合 TimeSeriesScaler、Rocket、StandardScaler 与 RidgeClassifierCV。
适用场景：心电、脑电、加速度计等传感器时间序列分类；由生命体征波形预测患者严重程度；无标签时按形状聚类；连续记录变点检测与分割；为下游 ML 提取定长特征；在 UCR/UEA 上做可复现基准对比。若需要更大生态或已有代码依赖 sktime API，可改用 sktime；专注 DTW 可考虑 tslearn。
限制：ROCKET、DTW 依赖 numba，未安装会报 ImportError。KNN-DTW 在大数据集上很慢（DTW 每对约 O(n·m)，全对比 O(N²)），N>1000 建议改用 ROCKET 或缩短序列。输入须为三维数组，传二维需 reshape 为 (n, 1, t)。大数据面板下 ROCKET 特征矩阵内存占用高，可减少 num_kernels 或分批。聚类可能全部归入一簇，可调 n_init 或更换度量。收费、价格与更多平台信息暂未提供。