用途
Aeon 是一个与 scikit-learn 兼容的 Python 时间序列机器学习工具包，为时间序列数据提供分类、回归、聚类、预测、异常检测、分割和相似性搜索等任务的算法。当需要对时间序列数据进行分类或预测、检测异常或变化点、聚类相似模式、预测未来值、查找重复模式（motif）或异常子序列（discord）、使用专门距离度量比较时间序列、从时序数据中提取特征时，可以使用该技能。
主要能力
-
时间序列分类：将时间序列归入预定义类别。快速开始示例使用 RocketClassifier 和 load_classification 加载 GunPoint 数据集。算法选择建议：速度与性能兼顾可选 MiniRocketClassifier、Arsenal；追求最高精度可选 HIVECOTEV2、InceptionTimeClassifier；可解释性可选 ShapeletTransformClassifier、Catch22Classifier；小数据集可选带 DTW 距离的 KNeighborsTimeSeriesClassifier。
-
时间序列回归：从时间序列预测连续值。快速开始示例使用 RocketRegressor 和 load_regression 加载 Covid3Month 数据集。
-
时间序列聚类：对无标签的相似时间序列进行分组。快速开始示例使用 TimeSeriesKMeans，设置 n_clusters=3、distance="dtw"、averaging_method="ba"。
-
预测：预测未来时间序列值。快速开始示例使用 ARIMA(order=(1, 1, 1))。
-
异常检测：识别异常模式或离群点。快速开始示例使用 STOMP(window_size=50)，分数越高表示越异常，可用 np.percentile 设定阈值。
-
分割：将时间序列划分为带变化点的区域。快速开始示例使用 ClaSPSegmenter。
-
相似性搜索：在时间序列内部或跨序列查找相似模式。快速开始示例使用 StompMotif(window_size=50, k=3) 查找重复模式。
-
特征提取与变换：用于特征工程。ROCKET 特征使用 RocketTransformer，可与任意 sklearn 分类器（如 RandomForestClassifier）配合；统计特征使用 Catch22；预处理使用 MinMaxScaler、Normalizer（Z 标准化）。
-
距离度量：提供专门的时间距离度量。使用 dtw_distance、dtw_pairwise_distance 计算单个或成对距离，可与 KNeighborsTimeSeriesClassifier 配合。可用距离包括：弹性距离（DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM）、锁步距离（Euclidean、Manhattan、Minkowski）、基于形状的距离（Shape DTW、SBD）。
-
深度学习网络：提供时间序列神经架构。卷积类包括 FCNClassifier、ResNetClassifier、InceptionTimeClassifier；循环类包括 RecurrentNetwork、TCNNetwork；自编码器包括 AEFCNClusterer、AEResNetClusterer。示例使用 InceptionTimeClassifier(n_epochs=100, batch_size=32)。
-
数据集与基准测试：加载标准基准并评估性能。使用 load_classification、load_regression 加载数据，使用 get_estimator_results 与已发表结果比较。
使用方式
安装：uv pip install aeon
常见工作流包括：分类流水线（Normalizer + RocketClassifier 组成 sklearn Pipeline）、特征提取加传统机器学习（RocketTransformer 提取特征后训练 GradientBoostingClassifier）、带可视化的异常检测（STOMP 计算分数后用 matplotlib 绘图）。
最佳实践：数据准备方面，多数算法受益于 Z 标准化（Normalizer），缺失值需先填充（SimpleImputer），数据格式应为 (n_samples, n_channels, n_timepoints)。模型选择方面，建议从 ROCKET 变体开始再考虑深度学习，使用验证集调参，与简单基线（1-NN Euclidean、Naive）比较，并考虑资源（ROCKET 速度快，深度学习需 GPU）。
算法选择指南：快速原型可用 MiniRocketClassifier、MiniRocketRegressor、带 Euclidean 的 TimeSeriesKMeans；追求最高精度可用 HIVECOTEV2、InceptionTimeClassifier、InceptionTimeRegressor、ARIMA、TCNForecaster；可解释性可用 ShapeletTransformClassifier、Catch22Classifier、Catch22、TSFresh；小数据集可用带 DTW 的 KNeighborsTimeSeriesClassifier，避免深度学习。
适用场景
适用于时间序列分类、回归、聚类、预测、异常检测、分割、相似性搜索、特征提取、距离度量计算以及深度学习建模等任务。
限制
资料未提供关于收费、价格、平台限制或效果保证的具体信息。深度学习算法需要大量数据，小数据集应避免使用。
参考文档
references/ 目录下提供详细文档：classification.md、regression.md、clustering.md、forecasting.md、anomaly_detection.md、segmentation.md、similarity_search.md、transformations.md、distances.md、networks.md、datasets_benchmarking.md。
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 。