aeon
aeon 是一个专为时间序列数据打造的开源机器学习工具包，旨在帮助用户轻松应对预测、聚类和分类等复杂任务。它完美兼容广受欢迎的 scikit-learn 生态，将前沿的深度学习方法与经典的传统算法融为一体，让用户无需在不同框架间切换，即可在一个统一的环境中完成从数据处理到模型构建的全流程。
对于经常受困于时间序列分析效率低下或算法复现困难的研究者和开发者而言，aeon 提供了一站式的解决方案。它不仅收录了大量业界领先的算法，还通过 Numba 技术进行了深度优化，显著提升了计算效率，让大规模数据处理变得更加流畅。此外，aeon 高度重视科研的可复现性，为学术探索提供了坚实可靠的基础。
目前，aeon 特别适合从事数据科学、人工智能研究的专业开发人员使用。虽然其异常检测、可视化等部分模块仍处于实验阶段，但核心功能已非常成熟稳定。无论你是希望快速验证新想法的科研人员，还是需要在生产环境中部署高效模型的工程师，aeon 都能成为你处理时间序列数据的得力助手，助你在这一充满挑战的领域中发现更多价值。
使用场景
某能源公司的数据科学团队正致力于构建工业传感器故障预测系统，需要从海量时序数据中精准识别异常模式并分类故障类型。
没有 aeon 时
- 团队需手动拼接多个零散库来处理时序数据，导致代码耦合度高且难以维护，经常因版本冲突引发报错。
- 缺乏统一接口，尝试不同分类算法（如动态时间规整与深度学习模型）时需重写大量数据预处理和评估代码。
- 传统 Python 实现的算法在长序列数据上运行极慢，单次实验耗时数小时，严重拖慢了模型迭代节奏。
- 难以复现论文中的前沿结果，因为缺少经过验证的标准实现，研究人员花费大量时间在调试基础算法而非优化业务逻辑。
使用 aeon 后
- 借助 aeon 与 scikit-learn 完全兼容的统一 API，团队能像调用普通分类器一样轻松切换数十种时序算法，代码结构清晰简洁。
- 内置基于 numba 加速的高效实现，将原本数小时的训练过程缩短至几分钟，显著提升了实验反馈速度。
- 直接调用库中集成的经典方法与最先进（SOTA）模型，无需重复造轮子，确保了实验结果的可复现性和可靠性。
- 利用其丰富的变换模块和可视化工具，快速完成特征工程并直观展示聚类效果，让非技术背景的运维人员也能理解模型决策。
aeon 通过提供高效、统一且全面的时序机器学习解决方案，将团队从繁琐的工程实现中解放出来，专注于核心业务价值的挖掘。
运行环境要求
未说明
未说明
快速开始
⌛ 欢迎使用 aeon
aeon 是一个用于时间序列机器学习的开源工具包。
它与 scikit-learn 完全兼容，将最新的机器学习方法与多种经典方法相结合，适用于预测、聚类和分类等任务。
我们的目标是提供一套全面且先进的时间序列算法，并借助 numba 实现高效运行，同时推动时间序列机器学习领域的可重复性研究。
aeon 的最新版本为 v1.4.0。您可以在这里查看完整的变更日志。
我们的官网和文档地址为：https://aeon-toolkit.org。
以下模块目前仍处于实验阶段，不适用弃用政策：
anomaly_detectionforecastingsegmentationsimilarity_searchvisualisationtransformations.collection.self_supervisedtransformations.collection.imbalance
⚙️ 安装
aeon 需要 Python 3.10 或更高版本。我们的完整安装指南可在 文档 中找到。
安装 aeon 的最简单方法是使用 pip：
pip install aeon
某些估计器需要安装额外的包。如果您希望安装包含所有可选依赖项的完整包，可以使用：
pip install aeon[all_extras]
从 GitHub 源代码 安装的说明可在 这里 找到。
⏲️ 入门
对于所有 aeon 包来说，最好的入门地点是我们的 入门指南。
下面我们提供一个关于如何使用 aeon 进行分类和聚类的快速示例。
分类/回归
时间序列分类旨在利用从一组时间序列中拟合出的模型，对未见过的序列进行类别标签预测。回归框架与此类似，只需将分类器替换为回归器，并将标签替换为连续值即可。
import numpy as np
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier
X = np.array([[[1, 2, 3, 4, 5, 5]], # 三维数组示例（单变量）
[[1, 2, 3, 4, 4, 2]], # 三个样本，单通道，
[[8, 7, 6, 5, 4, 4]]]) # 六个序列长度
y = np.array(['low', 'low', 'high']) # 每个样本的类别标签
clf = KNeighborsTimeSeriesClassifier(distance="dtw")
clf.fit(X, y) # 在训练数据上拟合分类器
>>> KNeighborsTimeSeriesClassifier()
X_test = np.array(
[[[2, 2, 2, 2, 2, 2]], [[5, 5, 5, 5, 5, 5]], [[6, 6, 6, 6, 6, 6]]]
)
y_pred = clf.predict(X_test) # 对新数据进行类别预测
>>> ['low' 'high' 'high']
聚类
时间序列聚类是从一组时间序列中将相似的时间序列分组在一起。
import numpy as np
from aeon.clustering import TimeSeriesKMeans
X = np.array([[[1, 2, 3, 4, 5, 5]], # 三维数组示例（单变量）
[[1, 2, 3, 4, 4, 2]], # 三个样本，单通道，
[[8, 7, 6, 5, 4, 4]]]) # 六个序列长度
clu = TimeSeriesKMeans(distance="dtw", n_clusters=2)
clu.fit(X) # 在训练数据上拟合聚类器
>>> TimeSeriesKMeans(distance='dtw', n_clusters=2)
clu.labels_ # 获取训练集的聚类标签
>>> array([0, 0, 1])
X_test = np.array(
[[[2, 2, 2, 2, 2, 2]], [[5, 5, 5, 5, 5, 5]], [[6, 6, 6, 6, 6, 6]]]
)
clu.predict(X_test) # 为新数据分配聚类
>>> array([1, 0, 0])
💬 提问渠道
| 类型 | 平台 |
|---|---|
| 🐛 Bug 报告 | GitHub Issue Tracker |
| ✨ 功能请求与建议 | GitHub Issue Tracker & Discord |
| 💻 使用问题 | GitHub Discussions & Discord |
| 💬 一般讨论 | GitHub Discussions & Discord |
| 🏭 贡献与开发 | Discord |
如需咨询项目或合作事宜，请发送邮件至 contact@aeon-toolkit.org。
🔨 参与 aeon 开发
如果您有兴趣参与 aeon 的开发，请参阅我们的 贡献指南，并在分配 issue 和创建 pull request 之前仔细阅读。请注意，文档的 latest 版本是开发版本，而 stable 版本则是最新发布的版本。
aeon 的开发者均为志愿者，因此请耐心等待对评论和 pull request 审查的回复。如有任何疑问，欢迎通过上述渠道提出。
📚 引用
如果您使用了 aeon，我们非常感谢您引用以下论文：
@article{aeon24jmlr,
author = {Matthew Middlehurst and Ali Ismail-Fawaz and Antoine Guillaume and Christopher Holder and David Guijo-Rubio and Guzal Bulatova and Leonidas Tsaprounis and Lukasz Mentel and Martin Walter and Patrick Sch{{\"a}}fer and Anthony Bagnall},
title = {aeon: a Python Toolkit for Learning from Time Series},
journal = {Journal of Machine Learning Research},
year = {2024},
volume = {25},
number = {289},
pages = {1--10},
url = {http://jmlr.org/papers/v25/23-1444.html}
}
如果您在论文中使用了 aeon，请告知我们，我们将很乐意将其列在 此处。
👥 更多信息
aeon 于 2022 年由最初的八位核心开发者从 sktime v0.16.0 分支而来。您可以在我们的 关于我们页面 中了解更多关于项目历史和治理结构的信息。
版本历史
v0.11.12024/09/07v0.11.02024/08/21v0.10.02024/07/11v0.9.02024/05/31v0.8.12024/04/25v0.8.02024/04/05v0.7.12024/03/04v0.7.02024/02/09v0.6.02023/12/12v0.5.02023/10/05v0.4.02023/07/29v0.3.02023/06/10v0.2.02023/05/12v0.1.02023/04/14v0.1.0rc02023/03/18v1.4.02026/03/23v1.3.02025/09/09v1.2.02025/06/23v1.1.02025/04/13v1.0.02024/11/28常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。