tslearn-team/tslearn

tslearn – Python용 시계열 데이터 머신러닝 툴킷

개요 – 익숙한 scikit-learn API를 확장하여 시계열 데이터를 처리할 수 있도록 만든 Python 라이브러리입니다. 시계열 데이터 로드, 전처리 및 생성을 위한 유틸리티와 분류, 클러스터링, 회귀 및 유사도 측정을 위한 알고리즘 모음을 제공합니다.

주요 기능

• 데이터 처리 – 리스트, 다른 툴킷 또는 UCR 벤치마크 데이터셋을 필요한 3D NumPy 배열 (n_ts, max_len, dim)으로 변환합니다. 가변 길이 시리즈를 지원합니다.
• 전처리 – 스케일링, 리샘플링, 구간별 변환(piece-wise transforms) 및 합성 생성기.
• 알고리즘
  • 분류: K-Nearest-Neighbour, Support-Vector Classifier, Learning Shapelets, Early Classification.
  • 회귀: K-Nearest-Neighbour Regressor, Support-Vector Regressor, MLP.
  • 클러스터링: TimeSeriesKMeans, K-Shape, Kernel K-Means.
  • 메트릭: Dynamic Time Warping, Global Alignment Kernel, matrix-profile, barycenters.
• 완벽한 scikit-learn 호환성 – 모델을 pipelines, grid-search 및 기타 scikit-learn 유틸리티 내에서 사용할 수 있습니다.

설치

# PyPI (recommended)
python -m pip install tslearn

# Conda
conda install -c conda-forge tslearn

# From source
python -m pip install https://github.com/tslearn-team/tslearn/archive/main.zip

(Python 3.10 이상 및 일반적인 scientific-Python 스택이 필요합니다.)

전형적인 워크플로우

1. 로드/포맷 데이터 → to_time_series_dataset 또는 내장 로더 중 하나.
2. TimeSeriesScalerMinMax, 리샘플링 등을 사용한 전처리.
3. 모델(예: KNeighborsTimeSeriesClassifier) 학습(Fit).
4. 동일한 scikit-learn 스타일 메서드를 사용하여 예측 / 평가.
5. 선택적으로 거리, barycenters 또는 기타 분석 계산.

문서 및 예제 – 전체 API 참조, 사용자 가이드 및 Jupyter notebook 갤러리는 Read the Docs에서 확인할 수 있습니다: https://tslearn.readthedocs.io.

커뮤니티 – GitHub에서 오픈 소스로 제공되며, 기여 가이드라인, 기능 요청을 위한 이슈 트래커, 학술용 인용 정보(JMLR 2020)가 준비되어 있습니다.