用途：aeon（aeon-toolkit.org）是面向时间序列机器学习的 Python 工具包，采用与 scikit-learn 一致的估计器 API，适用于分类、回归、聚类、预测、异常检测、分割与相似性搜索等任务。
主要能力：覆盖分类（RocketClassifier、MiniRocketClassifier、HIVECOTEV2、InceptionTimeClassifier、ShapeletTransformClassifier、Catch22Classifier、KNeighborsTimeSeriesClassifier 等）、回归（RocketRegressor 等）、聚类（TimeSeriesKMeans）、预测（NaiveForecaster、ARIMA、AutoARIMA、AutoETS、TCNForecaster）、异常检测（STOMP）、分割（ClaSPSegmenter）、相似性搜索（MASS）、特征变换（Rocket、Catch22、MinMaxScaler、Normalizer、SimpleImputer）、距离度量（DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM、Euclidean、Manhattan、Minkowski、Shape DTW、SBD）、深度学习网络（FCNClassifier、ResNetClassifier、InceptionTimeClassifier、TCNNetwork 等）以及数据集加载与基准测试。
使用方式：需 Python 3.11-3.14，可用 uv pip install "aeon==1.6.0" 固定版本，或安装扩展 uv pip install "aeon[all_extras]==1.6.0"（zsh 中需加引号）。矩阵轮廓示例需额外安装 stumpy；深度学习估计器依赖 TensorFlow。加载数据可使用 load_classification、load_regression、load_gunpoint，比较已发表结果可使用 get_estimator_results。数据处理集合格式为 (n_cases, n_channels, n_timepoints)。
适用场景与限制：适合快速原型（MiniRocket 类）、精度对比、可解释性方法与小数据集（DTW 距离近邻）。上游将 forecasting、anomaly_detection、segmentation、similarity_search、visualisation 视为实验性模块，接口可能在小版本间变化；距离精度/召回/F 分数依赖 prts，其当前 NumPy<2 要求与 aeon 1.6 冲突，可使用可运行的 AUC 指标或单独环境。建议先归一化、处理缺失值，并按主体/分组或时间顺序划分验证集以避免信息泄漏。
评分标准：无明确信息，暂未提供。