Aeon Machine Learning para Séries Temporais

Visão Geral

Aeon é um kit de ferramentas Python compatível com scikit-learn para machine learning de séries temporais (aeon-toolkit.org). Ele fornece algoritmos em classificação, regressão, clustering, previsão, detecção de anomalias, segmentação, busca por similaridade, distâncias, transformações, benchmarking e visualização — com uma API de estimador consistente.

Nota sobre a versão: Revisado contra a aeon 1.6.0 (Python 3.13). Pequenas verificações sintéticas cobrem classificação, regressão, clustering, previsões, pré-processamento, distâncias, busca, segmentação, perfis de matriz, métricas e I/O de datasets locais. Snippets de treinamento com arquivos remotos e TensorFlow são ilustrativos; eles não foram executados durante esta revisão. Catálogos de referência são métodos selecionados, não listas exaustivas. Veja as notas de lançamento da versão 1.6.

Quando Usar Esta Habilidade

Aplique esta habilidade quando:

• Classificar ou prever a partir de dados de séries temporais
• Detectar anomalias ou pontos de mudança em sequências temporais
• Agrupar padrões de séries temporais semelhantes (clustering)
• Prever valores futuros (forecasting)
• Encontrar padrões repetidos (motivos) ou subsequências incomuns (discords)
• Comparar séries temporais com métricas de distância especializadas
• Extrair características de dados temporais

Instalação

Requer Python 3.11-3.14. Fixe a versão revisada para reprodutibilidade:

uv pip install "aeon==1.6.0"

Instale apenas os extras exigidos pelo estimador escolhido. O conjunto amplo de opcionais está disponível como:

uv pip install "aeon[all_extras]==1.6.0"

No zsh, coloque os extras entre aspas: uv pip install "aeon[all_extras]==1.6.0".

Para os exemplos de perfil de matriz: uv pip install "aeon==1.6.0" stumpy. Precisão/recall/F-score de intervalo dependem de prts, cujo requisito atual de NumPy<2 entra em conflito com aeon 1.6; use as métricas AUC executáveis ou um ambiente validado separadamente. Estimadores de deep learning usam TensorFlow. Inspecione a tag python_dependencies de um estimador antes de instalar pacotes opcionais.

Módulos Experimentais

O projeto considera forecasting, anomaly_detection, segmentation, similarity_search e visualisation como experimentais — as interfaces podem mudar entre lançamentos menores. Prefira módulos estáveis (classification, regression, clustering, distances, transformations) para pipelines de produção, a menos que você precise dessas tarefas.

Capacidades Principais

1. Classificação de Séries Temporais

Categorizar séries temporais em classes predefinidas. Veja references/classification.md para métodos selecionados.

Início Rápido:

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

# Load data
X_train, y_train = load_classification("GunPoint", split="train")
X_test, y_test = load_classification("GunPoint", split="test")

# Train classifier
clf = RocketClassifier(n_kernels=10000)
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)

Seleção de Algoritmos:

• Velocidade + Desempenho: MiniRocketClassifier, Arsenal
• Candidatos de Precisão para Validar: HIVECOTEV2, InceptionTimeClassifier
• Interpretabilidade: ShapeletTransformClassifier, Catch22Classifier
• Pequenos Conjuntos de Dados: KNeighborsTimeSeriesClassifier com distância DTW

2. Regressão de Séries Temporais

Prever valores contínuos a partir de séries temporais. Veja references/regression.md para algoritmos.

Início Rápido:

from aeon.regression.convolution_based import RocketRegressor
from aeon.datasets import load_regression

X_train, y_train = load_regression("Covid3Month", split="train")
X_test, y_test = load_regression("Covid3Month", split="test")

reg = RocketRegressor()
reg.fit(X_train, y_train)
predictions = reg.predict(X_test)

3. Clustering de Séries Temporais

Agrupar séries temporais semelhantes sem rótulos. Veja references/clustering.md para métodos.

Início Rápido:

from aeon.clustering import TimeSeriesKMeans

clusterer = TimeSeriesKMeans(
    n_clusters=3,
    distance="dtw",
    averaging_method="ba"
)
labels = clusterer.fit_predict(X_train)
centers = clusterer.cluster_centers_

4. Previsão (Forecasting)

Prever valores futuros de séries temporais (módulo experimental em aeon 1.x). Veja references/forecasting.md para previsores.

Início Rápido:

import numpy as np
from aeon.forecasting import NaiveForecaster
from aeon.forecasting.stats import ARIMA

y_train = np.array([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0])


…