aeon：开源时间序列机器学习工具包

aeon：开源时间序列机器学习的新星

在当今数据驱动的世界中，时间序列分析和预测扮演着越来越重要的角色。无论是在金融、医疗、工业还是其他领域，能够准确分析和预测时间序列数据都是至关重要的。为了满足这一需求，aeon应运而生，成为了时间序列机器学习领域的一颗新星。

aeon简介

aeon是一个开源的时间序列机器学习工具包，旨在为研究人员和数据科学家提供一个全面、高效且易于使用的平台。它不仅兼容广受欢迎的scikit-learn库，还提供了最新的时间序列算法和经典技术，支持预测、分类、聚类等多种学习任务。

aeon的目标是成为时间序列算法的综合库，包括最新的研究成果，同时提供高效的实现和与其他时间序列包的接口，为算法比较提供统一的框架。

aeon的主要特点

1. 兼容性：与scikit-learn完全兼容，可以无缝集成到现有的机器学习工作流程中。

2. 全面性：提供广泛的时间序列算法，包括最新的研究成果和经典方法。

3. 高效性：使用numba等技术进行优化，确保算法的高效实现。

4. 灵活性：支持多种时间序列学习任务，如预测、分类、聚类等。

5. 可扩展性：提供清晰的API，方便用户扩展和定制算法。

6. 文档完善：提供详细的文档和示例，帮助用户快速上手。

安装aeon

aeon要求Python版本在3.9或以上。安装aeon最简单的方式是通过pip：

pip install aeon

如果你想安装所有可选依赖，可以使用：

pip install aeon[all_extras]

对于开发者，可以从GitHub源码安装，详细说明可以在开发者安装指南中找到。

使用aeon

让我们通过一些简单的例子来了解如何使用aeon进行时间序列分类和聚类。

时间序列分类

import numpy as np
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier

# 准备数据
X = [[[1, 2, 3, 4, 5, 5]],  # 3D数组示例（单变量）
     [[1, 2, 3, 4, 4, 2]],  # 三个样本，一个通道，六个时间点
     [[8, 7, 6, 5, 4, 4]]]
y = ['low', 'low', 'high']  # 每个样本的类别标签
X = np.array(X)
y = np.array(y)

# 创建并训练分类器
clf = KNeighborsTimeSeriesClassifier(distance="dtw")
clf.fit(X, y)

# 预测新数据
X_test = np.array(
    [[[2, 2, 2, 2, 2, 2]], [[5, 5, 5, 5, 5, 5]], [[6, 6, 6, 6, 6, 6]]]
)
y_pred = clf.predict(X_test)
print(y_pred)  # 输出：['low' 'high' 'high']

在这个例子中，我们使用了基于动态时间规整（DTW）距离的K近邻时间序列分类器。这个分类器可以很容易地替换为回归器，标签也可以替换为数值目标，展示了aeon在不同任务和数据集之间的灵活性。

时间序列聚类

import numpy as np
from aeon.clustering import TimeSeriesKMeans

# 准备数据
X = np.array([[[1, 2, 3, 4, 5, 5]],  # 3D数组示例（单变量）
     [[1, 2, 3, 4, 4, 2]],  # 三个样本，一个通道，六个时间点
     [[8, 7, 6, 5, 4, 4]]])

# 创建并训练聚类器
clu = TimeSeriesKMeans(distance="dtw", n_clusters=2)
clu.fit(X)

# 获取训练数据的聚类标签
print(clu.labels_)  # 输出：array([0, 0, 1])

# 预测新数据的聚类
X_test = np.array(
    [[[2, 2, 2, 2, 2, 2]], [[5, 5, 5, 5, 5, 5]], [[6, 6, 6, 6, 6, 6]]]
)
print(clu.predict(X_test))  # 输出：array([1, 0, 0])

这个例子展示了如何使用aeon进行时间序列聚类。我们使用了基于DTW距离的K-means聚类算法，将时间序列数据分为两类。

aeon的模块结构

aeon提供了多个模块，每个模块都专注于时间序列分析的不同方面：

1. 分类（Classification）：用于时间序列数据的分类任务。
2. 回归（Regression）：处理时间序列的回归问题。
3. 聚类（Clustering）：进行时间序列数据的聚类分析。
4. 预测（Forecasting）：用于时间序列的未来值预测。
5. 异常检测（Anomaly Detection）：识别时间序列中的异常模式。
6. 分割（Segmentation）：将时间序列分割成多个子序列。
7. 相似度搜索（Similarity Search）：在时间序列数据集中搜索相似模式。
8. 变换（Transformations）：提供各种时间序列数据变换方法。
9. 可视化（Visualization）：用于时间序列数据的可视化。

值得注意的是，部分模块如异常检测、分割、相似度搜索等仍处于实验阶段，弃用政策可能不适用于这些模块。

社区支持和贡献

aeon是一个开源项目，欢迎社区参与和贡献。如果你在使用过程中遇到问题或有新的想法，可以通过以下渠道寻求帮助或提供反馈：

• Bug报告：使用GitHub Issue Tracker
• 功能请求和想法：在GitHub Issue Tracker或Slack上提出
• 使用问题：在GitHub Discussions或Slack上讨论
• 一般讨论：可以在GitHub Discussions或Slack上进行
• 贡献和开发：主要通过Slack进行交流

结语

aeon作为一个强大而灵活的时间序列机器学习工具包，为研究人员和数据科学家提供了一个全面的平台，用于探索和应用最新的时间序列分析技术。无论是在学术研究还是工业应用中，aeon都能为时间序列相关的机器学习任务提供有力支持。

随着项目的不断发展和社区的积极参与，我们可以期待aeon在未来会带来更多创新和改进，继续推动时间序列机器学习领域的发展。如果你正在寻找一个功能丰富、易于使用的时间序列分析工具，aeon无疑是一个值得考虑的选择。

欢迎访问aeon的官方网站获取更多信息，或者在GitHub上探索源代码和参与项目开发。让我们一起探索时间序列数据的无限可能！