技能介绍

要解决什么问题

时间序列在传感器、金融、运维里很常见，但通用 ML 库往往把每条序列压成固定长度向量，弹性对齐（相位漂移、局部拉伸）和子序列模式（motif、discord、变点）处理得很弱。你需要在同一套接口里做分类、回归、聚类、预测、异常检测、分段和相似度搜索，而不是为每种任务换一套库和距离定义。

技能如何工作

Aeon 是 与 scikit-learn 兼容 的 Python 时序工具包，数据形状约定为 (n_samples, n_channels, n_timepoints)，多数流程可写成 fit / predict 式流水线。

任务面：分类、回归、聚类、预测、异常检测、分段、相似度搜索（motif / discord）
特征与变换：ROCKET 系（如 MiniRocketClassifier）、Catch22、统计特征与常见预处理
距离度量：弹性距离（DTW、ERP、LCSS 等）与锁步、形状相关度量，便于 k-NN 与基于距离的模型
深度学习：FCN / ResNet / InceptionTime、TCN、时序自编码聚类等，与经典方法并列可选
基准与数据：可加载标准基准数据集做对比评估

选型上可对照 SKILL 里的指南：要快用 ROCKET 系；要精度试 HIVECOTEV2、InceptionTime；要小数据或要可解释性优先 Shapelet、Catch22 或 DTW + KNN，而不是默认上深度模型。

适用边界与注意点

多数算法默认受益于 z-归一化；缺失值应在分析前处理；入模前务必核对三维张量形状。
深度学习类方法通常需要足够样本与算力；小数据集更稳妥的是距离类与 ROCKET 系，并和 1-NN 欧氏等简单基线对比。
完整算法清单与 API 细节以技能内 references/ 及 aeon-toolkit.org 为准；复杂、多步、长时研究型工作流可考虑 K-Dense Web 等托管环境，本技能更适合在对话里快速选型与搭流水线。