aeon：覆盖十大任务的时间序列机器学习库

aeon 是一个由算法原作者参与维护的 Python 时间序列机器学习库，兼容 scikit-learn API，覆盖分类、回归、聚类、预测、异常检测、距离度量、分割、相似性搜索、变换与基准测试十类任务。项目 2024 年发表于 JMLR，内置 ROCKET、InceptionTime 等前沿模型，是时间序列领域少见的广度与深度兼具的开源工具箱。

适用人群：1. 数据科学家与算法工程师：需要在分类、预测、异常检测等任务中快速调用成熟算法，而不想自己复现论文。2. 时间序列方向的研究生与科研人员：希望使用可复现、可引用的标准实现，并且能直接对标论文结果。3. 机器学习平台与 MLOps 开发者：需要把时间序列模型接入现有 sklearn 流水线、超参数搜索与基准测试框架。

适用场景：1. 工业设备与传感器异常检测：利用 STOMP、MERLIN 等算法对时序信号做异常点定位与在线监测。2. 时序分类与回归建模：在 UEA/UCR 类数据集上用 ROCKET、MiniRocket、InceptionTime 等模型快速建立高精度基线。3. 预测与基准评测：使用 ARIMA、ETS、Theta 等经典模型和统一评测框架比较不同方法，产出可复现的实验结论。

推荐理由：如果你在做时间序列项目，aeon 几乎是绕不开的选择。它把分散在论文中的算法以统一接口集中起来，且多数实现由原作者维护，正确性和可复现性更有保障。兼容 sklearn 意味着学习成本极低，GridSearchCV、Pipeline 都能直接复用，配合 JMLR 论文背书，既适合工程落地也适合学术研究。

项目定位与背景

时间序列数据遍布金融、医疗、工业制造、能源与物联网等领域，但长期以来，这一方向缺少一个像 scikit-learn 之于表格数据那样统一、全面且被广泛认可的工具库。aeon 正是为回应这一需求而诞生。它最初脱胎于 sktime 项目中的算法核心模块，随后独立发展为一个专注时间序列机器学习的 Python 库，并在 2024 年正式发表于 Journal of Machine Learning Research。项目目前拥有约 1458 个 Star、356 次 Fork，官方口号是“由算法背后的研究者构建”，这句话点明了它最本质的差异：大量实现的作者就是原论文作者本人。

核心功能与技术架构

aeon 的功能覆盖面在同类库中相当罕见。它同时提供分类、回归、聚类、预测、异常检测、距离度量、分割、相似性搜索、数据变换与基准测试十大模块。在模型层面，既有 ARIMA、ETS、Theta 这类经典统计方法，也有 ROCKET、MiniRocket、MrSQM、Catch22、TSFresh 等高效特征提取与变换算法；深度学习方面则集成了 InceptionTime、FCN、ResNet、LSTM-FCN、TCN 等主流网络结构，并支持 TensorFlow、PyTorch 等后端。在距离度量模块中，DTW 及其各类弹性距离变体一应俱全，这是许多时序算法的底层基础。

架构上，aeon 严格遵循 scikit-learn 的估计器约定，统一使用 fit、predict、transform 等方法签名，并提供类似 all_estimators 的注册表机制用于检索模型。这意味着它可以无缝嵌入 sklearn 的 Pipeline、GridSearchCV 与交叉验证体系，同时 aeon 自带的 benchmarking 模块提供了更贴合时间序列特性的评测流程、结果保存与可视化能力。性能方面，不少核心算法通过 numba 做了 JIT 加速，在保证可读性的同时兼顾了运行效率。

创新点与亮点

第一是作者亲研的实现模式。时间序列领域算法碎片化严重，论文代码往往难以获取或缺乏维护，aeon 通过邀请原作者贡献与维护，显著降低了“论文复现难”的痛点。第二是覆盖广度，一个库即可覆盖从预测到分割的全任务链路，避免了在多个库之间反复切换数据格式。第三是接口一致性，所有估计器共享同一套输入输出约定，使得横向对比不同算法变得异常简单。第四是学术可信度，作为 JMLR 发表的工具论文，它可以被正式引用，对科研工作尤为友好。

与同类项目对比

与 sktime 相比，aeon 更聚焦于算法本身的实现质量与深度学习覆盖，而 sktime 更强调统一 API 与生态集成；两者同源但定位互补。与 darts 相比，darts 侧重预测任务、接口简洁，但分类、聚类等能力较弱；aeon 的任务面更宽。与 tslearn 相比，后者体量较轻，主要围绕距离度量与聚类，模型数量有限。与 pyts 相比，pyts 同样聚焦分类与变换，但维护活跃度与深度模型支持不及 aeon。总体而言，aeon 的优势在于广度、作者级实现与深度学习能力的组合。

上手指南或快速开始

安装非常简单，执行 pip install aeon 即可，深度学习相关依赖可按需选装。上手路径建议从官网的 Getting started 与 Examples 页面入手：先加载一个内置数据集，再实例化一个分类器，例如使用 ROCKET 变换加逻辑回归的组合，调用 fit 与 predict 完成训练与预测。想探索可用模型时，可以调用 all_estimators 按任务类型筛选估计器列表。熟悉之后，可直接把 aeon 的估计器放进 sklearn 的 Pipeline 与 GridSearchCV 中做调参，或使用 aeon.benchmarking 模块搭建多模型对比实验。社区还提供 Discussions 与 Discord 频道，遇到问题反馈比较及时。

总结与展望

aeon 的价值在于把时间序列机器学习这一高度碎片化的领域重新组织成一套可复用、可扩展、可引用的工程体系。它的优势是任务覆盖全面、实现来源可靠、与 sklearn 生态兼容良好；不足在于部分模块成熟度不一，深度学习依赖较重，初学者面对上百个估计器时容易无从下手，需要借助文档筛选。展望未来，随着时间序列基础模型与自监督方法的兴起，aeon 若能持续吸收新算法并保持接口稳定，很有希望成为该领域事实上的标准工具箱。