Aeon 是一个专注于时间序列处理的开源Python库，其设计理念遵循scikit-learn的API风格，为数据科学家和研究人员提供了一套完整的时间序列分析工具。该项目保持活跃开发，截至2024年仍持续更新。
Aeon提供了以下主要功能模块：
时间序列分类
支持多种分类算法实现
包含基于间隔、字典和距离的分类器
提供集成学习方法
时间序列回归分析
支持各类回归模型
提供预测区间估计
包含模型评估工具
时间序列聚类
实现了多种聚类算法
支持自定义距离度量
提供聚类结果可视化
预测建模
包含多种预测模型实现
支持单变量和多变量预测
提供预测性能评估工具
数据转换与预处理
提供多种数据转换方法
支持时间序列特征提取
包含数据标准化工具
技术特点API设计
采用scikit-learn风格的API设计
提供统一的fit/predict接口
支持管道（Pipeline）操作
可视化支持
内置多种可视化工具
支持时间序列数据探索
提供聚类和分类结果展示
数据兼容性
与pandas数据结构深度集成
支持多种数据格式输入
需注意与pandas版本的兼容性要求
技术兼容性说明：经验证，Aeon目前仅与Pandas 1.4.0版本完全兼容。由于Pandas新版本对索引API进行了重构，可能导致与部分时间序列处理功能产生兼容性问题。
虽然在可视化方面提供了良好的基础功能，但相比Matplotlib等专业可视化库，其灵活性仍有一定限制。以下将通过具体示例，展示Aeon在各个功能模块的实际应用。
Aeon时间序列可视化功能分析Aeon提供了一套用于探索性数据分析的可视化工具集。以下将展示其基础线图绘制功能。
"""Aeon时间序列可视化示例演示Aeon内置的探索性数据分析可视化工具基础线图绘制"""from aeon.datasets import load_airlinefrom aeon.visualisation import plot_series%matplotlib inline# 航空客运量数据集y = load_airline()plot_series(y, title="Airline Passenger Numbers")
从效果来看，虽然没有特别出众的特点，但绘图结果清晰实用。
时间序列聚类与分类技术实现在实际应用中，部分时间序列数据遵循特定的模式规律，但对这些序列的模式归类往往具有一定难度。面对随机信号时，如何将其与具有相似特征的信号进行准确分类就成为一个关键问题。
在这种场景下，聚类算法可以提供有效的解决方案。以下示例代码将生成50个随机样本，这些样本分别遵循三种基本模式（正弦函数、余弦函数或2倍频率的正弦函数）。通过Aeon我们可以利用k最近邻算法对这些样本进行模式分类。这种方法能够有效地将不同序列划分到相应的类别中，便于后续对特定类别进行深入分析。若不进行聚类处理，这些序列叠加在一起会呈现出噪声状态，不利于进一步分析。
"""时间序列聚类实现基于K-means算法的时间序列分组示例"""import numpy as npimport matplotlib.pyplot as pltfrom aeon.clustering import TimeSeriesKMeansdef make_example_dataset(n_samples=50, n_timepoints=30, random_state=42): np.random.seed(random_state) # Generate three different patternst = np.linspace(0, 2*np.pi, n_timepoints)patterns = [ lambda: np.sin(t), lambda: np.cos(t), lambda: 0.5 * np.sin(2*t)]X = []for _ in range(n_samples): # Randomly choose a pattern function pattern_func = np.random.choice(patterns) # Generate the pattern and add some noise series = pattern_func() + np.random.normal(0, 0.1, n_timepoints) X.append(series)return np.array(X)
相比前述航空客运量数据集的线图，这组聚类可视化结果展现出更为优秀的图形效果。
利用已获得的类别标签，我们可以进一步通过Aeon的分类器进行数据分类。由于使用的是模拟数据集，算法呈现出的完美分类效果在预期之内。
from aeon.classification.interval_based import TimeSeriesForestClassifierfrom sklearn.model_selection import train_test_split# Split into train and test setsX_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.2, random_state=42)# Initialize and train aifierclf = TimeSeriesForestClassifier(random_state=42)clf.fit(X_train, y_train)# Make predictionsy_pred = clf.predict(X_test)# Calculate accuracyaccuracy = np.mean(y_pred == y_test)print(f"Accuracy: {accuracy:.2f}")# Print some information about the dataprint(f"\nData shape: {X.shape}")print(f"Number ofes: {len(np.unique(labels))}")print(f"Class distribution: {np.bincount(labels)}")
实验结果
Accuracy: 1.00 Data shape: (50, 30) Number ofes: 3 Class distribution: [13 21 16]
需要说明的是，尽管Aeon文档中提到了'ETSForecaster'功能模块，但在实际测试中未能成功运行该模块。
总结Aeon作为一个时间序列分析工具，在基础功能实现和易用性方面表现良好，特别适合用于数据探索和基础分析任务。虽然在某些高级功能和性能优化方面还有提升空间，但其简洁的API设计和完整的基础功能仍使其成为时间序列分析的有效工具选项。建议根据具体项目需求，合理评估其适用性，必要时可与其他专业工具配合使用，以获得最佳的分析效果。
https://avoid.overfit.cn/post/962958df56f64b06b20befb72d74bef8
作者：Kyle Jones
