aeon

Esta skill deve ser usada para tarefas de machine learning em séries temporais, incluindo classificação, regressão, clustering, forecasting, detecção de anomalias, segmentação e busca de similaridade.

SKILL.md

GitHub

Aeon — Machine Learning para Séries Temporais

Visão Geral

Aeon é um toolkit Python compatível com scikit-learn para machine learning em séries temporais. Fornece algoritmos estado-da-arte para classificação, regressão, clustering, forecasting, detecção de anomalias, segmentação e busca de similaridade.

Quando Usar Esta Skill

Aplique esta skill quando:

  • Classificar ou prever a partir de dados de séries temporais
  • Detectar anomalias ou mudanças de ponto em sequências temporais
  • Agrupar padrões semelhantes de séries temporais
  • Fazer forecast de valores futuros
  • Encontrar padrões repetidos (motifs) ou subsequências incomuns (discords)
  • Comparar séries temporais com métricas de distância especializadas
  • Extrair features de dados temporais

Instalação

uv pip install aeon

Capacidades Principais

1. Classificação de Séries Temporais

Categorizar séries temporais em classes predefinidas. Consulte references/classification.md para o catálogo completo de algoritmos.

Início Rápido:

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

# Carregar dados
X_train, y_train = load_classification("GunPoint", split="train")
X_test, y_test = load_classification("GunPoint", split="test")

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

Seleção de Algoritmo:

  • Velocidade + Desempenho: MiniRocketClassifier, Arsenal
  • Máxima Acurácia: HIVECOTEV2, InceptionTimeClassifier
  • Interpretabilidade: ShapeletTransformClassifier, Catch22Classifier
  • Datasets Pequenos: KNeighborsTimeSeriesClassifier com distância DTW

2. Regressão de Séries Temporais

Prever valores contínuos a partir de séries temporais. Consulte 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 labels. Consulte 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. Forecasting

Prever valores futuros de séries temporais. Consulte references/forecasting.md para forecasters.

Início Rápido:

from aeon.forecasting.arima import ARIMA

forecaster = ARIMA(order=(1, 1, 1))
forecaster.fit(y_train)
y_pred = forecaster.predict(fh=[1, 2, 3, 4, 5])

5. Detecção de Anomalias

Identificar padrões incomuns ou outliers. Consulte references/anomaly_detection.md para detectores.

Início Rápido:

from aeon.anomaly_detection import STOMP

detector = STOMP(window_size=50)
anomaly_scores = detector.fit_predict(y)

# Scores mais altos indicam anomalias
threshold = np.percentile(anomaly_scores, 95)
anomalies = anomaly_scores > threshold

6. Segmentação

Particionar séries temporais em regiões com mudanças de ponto. Consulte references/segmentation.md.

Início Rápido:

from aeon.segmentation import ClaSPSegmenter

segmenter = ClaSPSegmenter()
change_points = segmenter.fit_predict(y)

7. Busca de Similaridade

Encontrar padrões semelhantes dentro ou entre séries temporais. Consulte references/similarity_search.md.

Início Rápido:

from aeon.similarity_search import StompMotif

# Encontrar padrões recorrentes
motif_finder = StompMotif(window_size=50, k=3)
motifs = motif_finder.fit_predict(y)

Extração de Features e Transformações

Transformar séries temporais para feature engineering. Consulte references/transformations.md.

Features ROCKET:

from aeon.transformations.collection.convolution_based import RocketTransformer

rocket = RocketTransformer()
X_features = rocket.fit_transform(X_train)

# Use features com qualquer classificador sklearn
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier()
clf.fit(X_features, y_train)

Features Estatísticas:

from aeon.transformations.collection.feature_based import Catch22

catch22 = Catch22()
X_features = catch22.fit_transform(X_train)

Pré-processamento:

from aeon.transformations.collection import MinMaxScaler, Normalizer

scaler = Normalizer()  # Z-normalization
X_normalized = scaler.fit_transform(X_train)

Métricas de Distância

Medidas especializadas de distância temporal. Consulte references/distances.md para catálogo completo.

Uso:

from aeon.distances import dtw_distance, dtw_pairwise_distance

# Distância única
distance = dtw_distance(x, y, window=0.1)

# Distâncias pairwise
distance_matrix = dtw_pairwise_distance(X_train)

# Use com classificadores
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier

clf = KNeighborsTimeSeriesClassifier(
    n_neighbors=5,
    distance="dtw",
    distance_params={"window": 0.2}
)

Distâncias Disponíveis:

  • Elásticas: DTW, DDTW, WDTW, ERP, EDR, LCSS, TWE, MSM
  • Lock-step: Euclidiana, Manhattan, Minkowski
  • Baseadas em forma: Shape DTW, SBD

Redes de Deep Learning

Arquiteturas neurais para séries temporais. Consulte references/networks.md.

Arquiteturas:

  • Convolucional: FCNClassifier, ResNetClassifier, InceptionTimeClassifier
  • Recorrente: RecurrentNetwork, TCNNetwork
  • Autoencoders: AEFCNClusterer, AEResNetClusterer

Uso:

from aeon.classification.deep_learning import InceptionTimeClassifier

clf = InceptionTimeClassifier(n_epochs=100, batch_size=32)
clf.fit(X_train, y_train)
predictions = clf.predict(X_test)

Datasets e Benchmarking

Carregar benchmarks padrão e avaliar desempenho. Consulte references/datasets_benchmarking.md.

Carregar Datasets:

from aeon.datasets import load_classification, load_regression

# Classificação
X_train, y_train = load_classification("ArrowHead", split="train")

# Regressão
X_train, y_train = load_regression("Covid3Month", split="train")

Benchmarking:

from aeon.benchmarking import get_estimator_results

# Comparar com resultados publicados
published = get_estimator_results("ROCKET", "GunPoint")

Workflows Comuns

Pipeline de Classificação

from aeon.transformations.collection import Normalizer
from aeon.classification.convolution_based import RocketClassifier
from sklearn.pipeline import Pipeline

pipeline = Pipeline([
    ('normalize', Normalizer()),
    ('classify', RocketClassifier())
])

pipeline.fit(X_train, y_train)
accuracy = pipeline.score(X_test, y_test)

Extração de Features + ML Tradicional

from aeon.transformations.collection import RocketTransformer
from sklearn.ensemble import GradientBoostingClassifier

# Extrair features
rocket = RocketTransformer()
X_train_features = rocket.fit_transform(X_train)
X_test_features = rocket.transform(X_test)

# Treinar ML tradicional
clf = GradientBoostingClassifier()
clf.fit(X_train_features, y_train)
predictions = clf.predict(X_test_features)

Detecção de Anomalias com Visualização

from aeon.anomaly_detection import STOMP
import matplotlib.pyplot as plt

detector = STOMP(window_size=50)
scores = detector.fit_predict(y)

plt.figure(figsize=(15, 5))
plt.subplot(2, 1, 1)
plt.plot(y, label='Time Series')
plt.subplot(2, 1, 2)
plt.plot(scores, label='Anomaly Scores', color='red')
plt.axhline(np.percentile(scores, 95), color='k', linestyle='--')
plt.show()

Melhores Práticas

Preparação de Dados

  1. Normalizar: A maioria dos algoritmos se beneficia de z-normalization

    from aeon.transformations.collection import Normalizer
    normalizer = Normalizer()
    X_train = normalizer.fit_transform(X_train)
    X_test = normalizer.transform(X_test)
    
  2. Lidar com Valores Ausentes: Imputar antes da análise

    from aeon.transformations.collection import SimpleImputer
    imputer = SimpleImputer(strategy='mean')
    X_train = imputer.fit_transform(X_train)
    
  3. Verificar Formato de Dados: Aeon espera shape (n_samples, n_channels, n_timepoints)

Seleção de Modelo

  1. Comece Simples: Começar com variantes ROCKET antes de deep learning
  2. Use Validação: Dividir dados de treinamento para tuning de hiperparâmetros
  3. Compare Baselines: Testar contra métodos simples (1-NN Euclidiana, Naive)
  4. Considere Recursos: ROCKET para velocidade, deep learning se GPU disponível

Guia de Seleção de Algoritmo

Para Prototipagem Rápida:

  • Classificação: MiniRocketClassifier
  • Regressão: MiniRocketRegressor
  • Clustering: TimeSeriesKMeans com Euclidiana

Para Máxima Acurácia:

  • Classificação: HIVECOTEV2, InceptionTimeClassifier
  • Regressão: InceptionTimeRegressor
  • Forecasting: ARIMA, TCNForecaster

Para Interpretabilidade:

  • Classificação: ShapeletTransformClassifier, Catch22Classifier
  • Features: Catch22, TSFresh

Para Datasets Pequenos:

  • Baseado em distância: KNeighborsTimeSeriesClassifier com DTW
  • Evitar: Deep learning (requer muitos dados)

Documentação de Referência

Informações detalhadas disponíveis em references/:

  • classification.md - Todos os algoritmos de classificação
  • regression.md - Métodos de regressão
  • clustering.md - Algoritmos de clustering
  • forecasting.md - Abordagens de forecasting
  • anomaly_detection.md - Métodos de detecção de anomalias
  • segmentation.md - Algoritmos de segmentação
  • similarity_search.md - Busca de padrões e descoberta de motifs
  • transformations.md - Extração de features e pré-processamento
  • distances.md - Métricas de distância para séries temporais
  • networks.md - Arquiteturas de deep learning
  • datasets_benchmarking.md - Ferramentas de carregamento e avaliação de dados

Recursos Adicionais