Aeon 是一个与 scikit-learn 兼容的 Python 时间序列机器学习工具包。资料显示，它为分类、回归、聚类、预测、异常检测、分段和相似性搜索提供算法。该技能适用于以下场景：对时间序列数据进行分类或预测；检测时间序列中的异常或变化点；对相似的时间序列模式进行聚类；预测未来值；查找重复模式（motifs）或不寻常的子序列（discords）；使用专门的距离度量比较时间序列；从时间数据中提取特征。
主要能力包括七个核心方向。第一，时间序列分类：将时间序列归入预定义类别，示例使用 RocketClassifier 并配合 aeon.datasets 的 load_classification 加载数据；算法选择上，速度与性能可考虑 MiniRocketClassifier、Arsenal，最高精度可考虑 HIVECOTEV2、InceptionTimeClassifier，可解释性可考虑 ShapeletTransformClassifier、Catch22Classifier，小数据集可考虑配合 DTW 距离的 KNeighborsTimeSeriesClassifier。第二，时间序列回归：从时间序列预测连续值，示例使用 RocketRegressor 与 load_regression。第三，时间序列聚类：在无标签情况下对相似时间序列分组，示例使用 TimeSeriesKMeans，可指定 n_clusters、distance 与 averaging_method。第四，预测：预测未来时间序列值，示例使用 aeon.forecasting.arima 的 ARIMA。第五，异常检测：识别异常模式或离群点，示例使用 STOMP 并说明分数越高越可能为异常，可用百分位阈值判定。第六，分段：将时间序列划分为带变化点的区域，示例使用 ClaSPSegmenter。第七，相似性搜索：在时间序列内部或跨时间序列查找相似模式，示例使用 StompMotif。
在特征提取与变换方面，Aeon 提供 RocketTransformer 用于生成 ROCKET 特征，并可与任意 sklearn 分类器（如 RandomForestClassifier）结合使用；提供 Catch22 统计特征；提供 MinMaxScaler、Normalizer（Z 归一化）等预处理工具。距离度量方面，提供 dtw_distance、dtw_pairwise_distance 等，可用弹性距离包括 DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM；锁步距离包括 Euclidean、Manhattan、Minkowski；形状类包括 Shape DTW、SBD；也可将距离用于分类器，如 KNeighborsTimeSeriesClassifier 指定 distance 与 distance_params。深度学习网络方面，卷积类包括 FCNClassifier、ResNetClassifier、InceptionTimeClassifier；循环类包括 RecurrentNetwork、TCNNetwork；自编码器包括 AEFCNClusterer、AEResNetClusterer，示例为 InceptionTimeClassifier。数据集与基准测试方面，可通过 load_classification、load_regression 加载标准基准数据，并通过 get_estimator_results 与已发表结果比较。
使用方式上，安装命令为 uv pip install aeon。资料给出常见工作流，例如构建归一化加分类的 sklearn Pipeline，或先以 RocketTransformer 提取特征再训练传统机器学习模型，或结合 matplotlib 对异常检测分数进行可视化。资料同时给出最佳实践：多数算法受益于 z-normalization，缺失值需先插补，数据格式应为 (n_samples, n_channels, n_timepoints)；建模上建议先使用 ROCKET 系列再考虑深度学习，使用验证集调参，与简单基线（如 1-NN Euclidean、Naive）比较，并考虑计算资源（ROCKET 追求速度，深度学习需 GPU）。算法选择指南按目标划分：快速原型可用 MiniRocketClassifier、MiniRocketRegressor、欧氏距离的 TimeSeriesKMeans；追求最高精度可用 HIVECOTEV2、InceptionTimeClassifier、InceptionTimeRegressor、ARIMA、TCNForecaster；可解释性可用 ShapeletTransformClassifier、Catch22Classifier、Catch22、TSFresh；小数据集建议使用基于距离的 KNeighborsTimeSeriesClassifier 配合 DTW，并避免深度学习。资料还列出参考文档条目与官方资源链接（文档、GitHub、示例、API 参考）。
限制方面，资料未提供关于收费、价格、平台支持范围或性能保证的信息，暂未提供；使用前需注意数据格式要求与计算资源需求，深度学习相关方法需要较大数据与可能的 GPU 支持。