Aeon 時系列機械学習

概要

Aeon は時系列機械学習向けの scikit-learn 互換 Python ツールキットです。分類、回帰、クラスタリング、予測、異常検知、セグメンテーション、類似度検索のための最先端アルゴリズムを提供します。

このスキルを使う場合

以下の場合にこのスキルを適用してください：

• 時系列データから分類または予測を行う
• 時間シーケンス内の異常値または変化点を検出する
• 類似の時系列パターンをクラスタリングする
• 将来の値を予測する
• 繰り返しパターン (モチーフ) または異常な部分シーケンス (ディスコード) を見つける
• 特別な距離メトリクスを使用して時系列を比較する
• 時間データから特徴を抽出する

インストール

uv pip install aeon

コア機能

1. 時系列分類

時系列を定義済みのクラスに分類します。完全なアルゴリズムカタログについては references/classification.md を参照してください。

クイックスタート:

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

# データを読み込む
X_train, y_train = load_classification("GunPoint", split="train")
X_test, y_test = load_classification("GunPoint", split="test")

# 分類器を訓練する
clf = RocketClassifier(n_kernels=10000)
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)

アルゴリズムの選択:

• 速度 + パフォーマンス: MiniRocketClassifier, Arsenal
• 最大精度: HIVECOTEV2, InceptionTimeClassifier
• 解釈可能性: ShapeletTransformClassifier, Catch22Classifier
• 小規模データセット: DTW距離を用いた KNeighborsTimeSeriesClassifier

2. 時系列回帰

時系列から連続値を予測します。アルゴリズムについては references/regression.md を参照してください。

クイックスタート:

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. 時系列クラスタリング

ラベルなしで類似の時系列をグループ化します。メソッドについては references/clustering.md を参照してください。

クイックスタート:

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. 予測

将来の時系列値を予測します。予測器については references/forecasting.md を参照してください。

クイックスタート:

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. 異常検知

異常パターンまたは外れ値を識別します。検出器については references/anomaly_detection.md を参照してください。

クイックスタート:

from aeon.anomaly_detection import STOMP

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

# スコアが高いほど異常である可能性が高い
threshold = np.percentile(anomaly_scores, 95)
anomalies = anomaly_scores > threshold

6. セグメンテーション

時系列を変化点を持つ領域に分割します。詳細については references/segmentation.md を参照してください。

クイックスタート:

from aeon.segmentation import ClaSPSegmenter

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

7. 類似度検索

時系列内または複数の時系列間で類似パターンを検出します。詳細については references/similarity_search.md を参照してください。

クイックスタート:

from aeon.similarity_search import StompMotif

# 繰り返しパターンを検出
motif_finder = StompMotif(window_size=50, k=3)
motifs = motif_finder.fit_predict(y)

特徴抽出と変換

特徴エンジニアリング用に時系列を変換します。詳細については references/transformations.md を参照してください。

ROCKET 特徴:

from aeon.transformations.collection.convolution_based import RocketTransformer

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

# sklearn の任意の分類器で特徴を使用
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier()
clf.fit(X_features, y_train)

統計的特徴:

from aeon.transformations.collection.feature_based import Catch22

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

前処理:

from aeon.transformations.collection import MinMaxScaler, Normalizer

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

距離メトリクス

特別な時間距離測度です。完全なカタログについては references/distances.md を参照してください。

使用方法:

from aeon.distances import dtw_distance, dtw_pairwise_distance

# 単一の距離
distance = dtw_distance(x, y, window=0.1)

# ペアワイズ距離
distance_matrix = dtw_pairwise_distance(X_train)

# 分類器で使用
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier

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

利用可能な距離:

• エラスティック: DTW, DDTW, WDTW, ERP, EDR, LCSS, TWE, MSM
• ロック・ステップ: ユークリッド, マンハッタン, ミンコフスキー
• 形状ベース: Shape DTW, SBD

ディープラーニングネットワーク

時系列用のニューラルアーキテクチャです。詳細については references/networks.md を参照してください。

アーキテクチャ:

• 畳み込み: FCNClassifier, ResNetClassifier, InceptionTimeClassifier
• 再帰: RecurrentNetwork, TCNNetwork
• オートエンコーダ: AEFCNClusterer, AEResNetClusterer

使用方法:

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)

データセットとベンチマーク

標準ベンチマークを読み込みパフォーマンスを評価します。詳細については references/datasets_benchmarking.md を参照してください。

データセットを読み込む:

from aeon.datasets import load_classification, load_regression

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

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

ベンチマーク:

from aeon.benchmarking import get_estimator_results

# 公開結果と比較
published = get_estimator_results("ROCKET", "GunPoint")

一般的なワークフロー

分類パイプライン

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)

特徴抽出 + 従来の機械学習

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

# 特徴を抽出
rocket = RocketTransformer()
X_train_features = rocket.fit_transform(X_train)
X_test_features = rocket.transform(X_test)

# 従来の機械学習を訓練
clf = GradientBoostingClassifier()
clf.fit(X_train_features, y_train)
predictions = clf.predict(X_test_features)

異常検知と可視化

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()

ベストプラクティス

データ準備

1. 正規化: ほとんどのアルゴリズムは z-正規化の利益を得る

   from aeon.transformations.collection import Normalizer
   normalizer = Normalizer()
   X_train = normalizer.fit_transform(X_train)
   X_test = normalizer.transform(X_test)
   

2. 欠損値の処理: 分析前に代入する

   from aeon.transformations.collection import SimpleImputer
   imputer = SimpleImputer(strategy='mean')
   X_train = imputer.fit_transform(X_train)
   

3. データ形式の確認: Aeon は (n_samples, n_channels, n_timepoints) 形状を想定しています

モデル選択

1. シンプルから始める: ディープラーニング前に ROCKET バリアントから始める
2. 検証を使用: ハイパーパラメータ調整のためにトレーニングデータを分割する
3. ベースラインと比較: シンプルなメソッド (1-NN ユークリッド、ナイーブ) に対してテストする
4. リソースを考慮: 速度を求めるなら ROCKET、GPU が利用可能ならディープラーニング

アルゴリズム選択ガイド

迅速なプロトタイピング用:

• 分類: MiniRocketClassifier
• 回帰: MiniRocketRegressor
• クラスタリング: ユークリッド距離の TimeSeriesKMeans

最大精度を求める場合:

• 分類: HIVECOTEV2, InceptionTimeClassifier
• 回帰: InceptionTimeRegressor
• 予測: ARIMA, TCNForecaster

解釈可能性を求める場合:

• 分類: ShapeletTransformClassifier, Catch22Classifier
• 特徴: Catch22, TSFresh

小規模データセット用:

• 距離ベース: DTW を用いた KNeighborsTimeSeriesClassifier
• 避けるべき: ディープラーニング (大規模データが必要)

リファレンスドキュメント

詳細情報は references/ に利用可能です：

• classification.md - すべての分類アルゴリズム
• regression.md - 回帰メソッド
• clustering.md - クラスタリングアルゴリズム
• forecasting.md - 予測アプローチ
• anomaly_detection.md - 異常検知メソッド
• segmentation.md - セグメンテーションアルゴリズム
• similarity_search.md - パターンマッチングとモチーフ検出
• transformations.md - 特徴抽出と前処理
• distances.md - 時系列距離メトリクス
• networks.md - ディープラーニングアーキテクチャ
• datasets_benchmarking.md - データ読み込みと評価ツール

追加リソース

• ドキュメント: https://www.aeon-toolkit.org/
• GitHub: https://github.com/aeon-toolkit/aeon
• 例: https://www.aeon-toolkit.org/en/stable/examples.html
• API リファレンス: https://www.aeon-toolkit.org/en/stable/api_reference.html