aeon-toolkit/aeon

A toolkit for time series machine learning and deep learning

aeon – 一个与 scikit‑learn 兼容的 时间序列机器学习 工具包

是什么 – aeon 是一个 Python 库，它为整个时间序列问题光谱带来了熟悉的 scikit‑learn API：分类、回归、聚类、预测、异常检测、分割、相似性搜索、转换、距离/核函数以及基准测试。代码由许多算法的原作者编写和维护，该项目得到了 NumFOCUS、INRIA 和 UKRI 的支持。

核心特性

  • 广泛的算法覆盖 – 从经典统计模型 (ARIMA) 到最先进的深度学习网络 (InceptionTime, H‑InceptionTime, LITE, ResNet) 以及专门的方法，如 Hydra‑MultiRocket, HIVE‑COTEv2.0, SETAR‑Tree, KASBA, CLASP, DrCIF, TDE 等。
  • Scikit‑learn 风格的接口 – 所有估计器都实现了 fit, predict, score, transform 等，因此它们可以用于流水线 (pipelines) 并与现有工具配合使用。
  • 基准测试与可复现性 – 该库附带了用于可复现实验评估的实用程序，并镜像了时间序列社区所依赖的基准测试套件。
  • 深度学习支持 – 可选的 TensorFlow/Keras 后端 (aeon[all_extras]) 提供与经典估计器具有相同 API 的 GPU 加速模型。
  • ** Extensive 广泛的文档与示例** – 一个完整的网站、API 参考手册以及一个可在 Binder 上运行的 notebook 库，涵盖了每项任务。

典型用法 (在 UCR 数据集上进行分类)

from aeon.classification.convolution_based import RocketClassifier
from aeon.datasets import load_gunpoint

X_train, y_train = load_gunpoint(split="train")
X_test,  y_test  = load_gunpoint(split="test")

clf = RocketClassifier()
clf.fit(X_train, y_train)
print("Accuracy:", clf.score(X_test, y_test))

同样的模式也适用于回归、聚类、预测等。

安装

pip install aeon               # core package
pip install aeon[all_extras]   # includes deep‑learning deps

需要 Python 3.10+

社区与治理 – 活跃的 Discord, GitHub Discussions, 行为准则, 以及清晰的贡献指南。该项目已在 JMLR (2024) 发表，并可通过现成的 BibTeX 条目进行引用。

谁应该使用它？

  • 需要最新时间序列方法的忠实实现的科研人员。
  • 希望为多种时间序列任务提供单一、一致的 API 的从业者。
  • 任何构建结合了经典基于特征的模型与深度学习网络流水线的人。

以上所有信息直接取自仓库的 README；未添加任何额外声明。