aeon 时间序列分类指南：从 11 大算法族到 ROCKET、HIVECOTEV2 的工程实践

导读

本文以 scientific-agent-skills 仓库中 skills/aeon/references/classification.md 为骨架，系统梳理 aeon（scikit-learn 兼容的时间序列机器学习工具包）在时间序列分类任务上的完整算法目录、各自的适用场景、快速上手路径与选型策略。读完本文，你将掌握 aeon 分类器家族的结构化视图（卷积、深度学习、字典、距离、特征、区间、shapelet、混合、早分类、序数分类与组合工具），能够在真实任务中根据数据规模、可解释性与算力约束做出合理选型，并借助仓库中配套的 SKILL.md 与各 references 文档落地可复现的分类实验。

一、先决条件：在动手分类前确认环境与数据形态

1.1 环境安装

根据 skills/aeon/SKILL.md 的说明，本技能面向 aeon 1.x（示例版本 v1.4.0，2026-03），要求 Python 3.10+（推荐 3.11+），安装时建议锁定 1.x 大版本以保证可复现性：

# 核心安装（分类、回归、聚类、距离、变换等稳定模块）
uv pip install "aeon>=1.4,<2"

# 深度学习分类器/预测器与可选扩展依赖
uv pip install "aeon[all_extras]>=1.4,<2"

使用 zsh 时需为 extras 加引号：uv pip install "aeon[all_extras]>=1.4,<2"。

需要注意的版本事实：aeon 0.x / sktime 时代的 import 路径在 1.0 之后做了重构，本文及仓库示例均以 aeon 1.x 的路径为准。

1.2 数据格式约定

分类器的输入遵循 aeon 的 collection 约定：

• 数据集集合（collection）：形状为 (n_cases, n_channels, n_timepoints)，即「样本数 × 通道数 × 时间点数」；
• 单条序列：形状为 (n_channels, n_timepoints)。

这也是后续所有分类代码的前提——即使只含单通道（单变量）数据，仍需保留 channel 维度。常见操作（如 z-score 归一化）应通过 Normalizer 这类 collection 变换完成。

二、算法全景：aeon 时间序列分类器家族目录

原文档将 aeon 提供的分类算法组织为多个算法族，每个家族共享同一种方法论假设，便于根据数据特征快速收敛候选。以下逐一展开各族的核心成员与典型「何时使用」（Use when）判断。

2.1 卷积类分类器（Convolution-Based Classifiers）

通过随机卷积变换高效抽取特征，无需显式训练卷积核即可获得强判别表示，代表 aeon「快而准」的路线：

• Arsenal——使用多样核的 ROCKET 分类器集成（ensemble）；
• HydraClassifier——带膨胀的多分辨率卷积；
• RocketClassifier——随机卷积核 + 岭回归（ridge regression）分类；
• MiniRocketClassifier——面向速度优化的简化 ROCKET 变体；
• MultiRocketClassifier——融合多个 ROCKET 变体。

何时使用：需要快速、可扩展，且在多样化数据集上保持稳健性能的分类方案。

2.2 深度学习分类器（Deep Learning Classifiers）

面向时序专门优化的神经网络结构（详见 skills/aeon/references/networks.md）：

• FCNClassifier——全卷积网络；
• ResNetClassifier——带跳跃连接（skip connections）的残差网络；
• InceptionTimeClassifier——多尺度 inception 模块；
• TimeCNNClassifier——通用 CNN；
• MLPClassifier——多层感知机基线；
• EncoderClassifier——通用编码器封装；
• DisjointCNNClassifier——面向 shapelet 的架构。

何时使用：拥有大规模数据集、需要端到端学习，或数据蕴含复杂时序模式时。

2.3 字典类分类器（Dictionary-Based Classifiers）

把时间序列转换成符号化表示，再在符号空间上计数与投票：

• BOSSEnsemble——Bag-of-SFA-Symbols 集成投票；
• TemporalDictionaryEnsemble——组合多种字典方法；
• WEASEL——时间序列词抽取分类（Word ExtrAction for time SEries cLassification）；
• MrSEQLClassifier——多符号序列学习。

何时使用：需要可解释模型、稀疏模式，或适合符号化推理的场景。

2.4 距离类分类器（Distance-Based Classifiers）

基于专用时间序列距离度量做相似性决策（典型如 k-NN）：

• KNeighborsTimeSeriesClassifier——使用 DTW、LCSS、ERP 等时序距离的 k-NN；
• ElasticEnsemble——组合多种弹性距离度量；
• ProximityForest——基于距离切分的树集成。

何时使用：小数据集、需要基于相似度的分类、或要求决策可解释。

在 SKILL.md 的距离章节给出了该分类器的典型构造参数：通过 distance 与 distance_params 传入具体度量及其窗口等超参数：

from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier

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

aeon 可用的距离可归为三类，均可作为该分类器的候选度量：

• 弹性距离：DTW、DDTW、WDTW、ERP、EDR、LCSS、TWE、MSM；
• 锁步距离（lock-step）：Euclidean、Manhattan、Minkowski；
• 形状距离：Shape DTW、SBD。

其中基于 DTW 的 1-NN 常被用作分类性能的经典强基线（见 skills/aeon/references/datasets_benchmarking.md 的 Best Practices）。

2.5 特征类分类器（Feature-Based Classifiers）

先抽取统计与签名特征，再交给分类器：

• Catch22Classifier——22 个典型时间序列特征（canonical time-series characteristics）；
• TSFreshClassifier——借助 tsfresh 的自动化特征抽取；
• SignatureClassifier——路径签名（path signature）变换；
• SummaryClassifier——汇总统计量抽取；
• FreshPRINCEClassifier——组合多个特征抽取器。

何时使用：需要可解释特征、具备领域先验，或倾向显式特征工程的方案。

2.6 区间类分类器（Interval-Based Classifiers）

从随机或监督选定的区间内抽特征：

• CanonicalIntervalForestClassifier——随机区间特征 + 决策树；
• DrCIFClassifier——使用 catch22 特征的 Diverse Representation CIF；
• TimeSeriesForestClassifier——随机区间 + 汇总统计量；
• RandomIntervalClassifier——朴素区间方案；
• RandomIntervalSpectralEnsembleClassifier——从区间抽取谱特征；
• SupervisedTimeSeriesForest——有监督区间选择。

何时使用：判别模式仅出现在特定时间窗口内。

2.7 Shapelet 类分类器（Shapelet-Based Classifiers）

发现并利用有判别力的子序列（shapelet）：

• ShapeletTransformClassifier——发现并应用判别性 shapelet；
• LearningShapeletClassifier——通过梯度下降学习 shapelet；
• SASTClassifier——可扩展的近似 shapelet 变换；
• RDSTClassifier——随机膨胀 shapelet 变换。

何时使用：需要可解释的判别子序列模式或相位不变特征。

2.8 混合类分类器（Hybrid Classifiers）

组合多种分类范式以获得顶级精度：

• HIVECOTEV1——Hierarchical Vote Collective of Transformation-based Ensembles（第一版）；
• HIVECOTEV2——组件升级后的增强版本。

何时使用：追求最高精度、且算力资源充足时。

2.9 早期分类（Early Classification）

不等完整序列观测完毕即做预测：

• TEASER——Two-tier Early and Accurate Series Classifier；
• ProbabilityThresholdEarlyClassifier——当置信度超过阈值时做出预测。

何时使用：需要实时决策，或每次观测都有成本（如医疗监测、故障预警）。

2.10 序数分类（Ordinal Classification）

处理具有自然顺序的类别标签：

• OrdinalTDE——面向序数输出的时间字典集成。

何时使用：类别存在天然排序（如严重程度分级）。

2.11 组合工具（Composition Tools）

用于构建自定义流水线与集成：

• ClassifierPipeline——将变换器与分类器链接成流水线；
• WeightedEnsembleClassifier——分类器的加权组合；
• SklearnClassifierWrapper——把 sklearn 分类器适配到时间序列数据上（先用 aeon 变换抽取特征）。

何时使用：需要以可复用组件方式拼装「特征变换 + 分类」链路时。

三、Quick Start：20 秒跑通第一个分类器

原文档给出的最小可运行示例，覆盖「加载标准数据集 → 训练 → 打分」全流程：

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

# 加载 UCR 基准数据集（已内置 train/test 官方划分）
X_train, y_train = load_classification("GunPoint", split="train")
X_test, y_test = load_classification("GunPoint", split="test")

# 训练并预测
clf = RocketClassifier()
clf.fit(X_train, y_train)
accuracy = clf.score(X_test, y_test)

在 SKILL.md 中同一示例补充了核数量参数与显式预测：

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

两点实战提示：

1. 务必使用官方 train/test 划分而不是自行 train_test_split。UCR/UEA 基准的可比性建立在固定划分之上（datasets_benchmarking.md 明确建议采用标准划分以确保可复现）。
2. 除通用加载器 load_classification("GunPoint", split="train") 外，aeon 也提供数据集专属辅助函数（如 load_gunpoint(split="train")），二者等价。

GunPoint 属于内置的快速测试数据集（手势识别类），类似的还有 ArrowHead（形状分类）、ItalyPowerDemand（电力需求）、BasicMotions（运动分类），以及 UCR/UEA 档案中的 100+ 数据集。需要了解元信息（训练/测试样本数、序列长度、类别数）时可用 get_dataset_meta_data("GunPoint")。

四、更完整的实战：特征变换 + 传统机器学习 + 评测闭环

4.1 用 ROCKET 变换把「分类」交给任意 sklearn 分类器

卷积类分类器的底层机制是随机卷积特征抽取。这一机制在 aeon 中也被暴露为可独立使用的变换器，因此你可以把 ROCKET 当作特征工程步骤，再接入任意 sklearn 模型：

from aeon.transformations.collection.convolution_based import RocketTransformer
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier

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

clf = GradientBoostingClassifier()
clf.fit(X_train_features, y_train)
predictions = clf.predict(X_test_features)

同样地，Catch22（aeon.transformations.collection.feature_based）可以一次抽取 22 个时间序列特征，作为特征类分类器的同行组件。

4.2 端到端 Pipeline

既可以使用 aeon 的 sklearn 兼容 API 直接拼接 Pipeline：

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

pipeline = Pipeline([
    ('normalize', Normalizer()),      # Z-score 归一化
    ('classify', RocketClassifier())  # 卷积分类器
])

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

也可以在变换前加入缺失值插补，例如用 aeon.transformations.collection 中的 SimpleImputer(strategy='mean') 预处理后再进入分类链路。

4.3 评测与基准对比

仓库配套的 skills/aeon/references/datasets_benchmarking.md 提供了把「训练 + 评测 + 对齐发表结果」串起来的完整工作流：

from aeon.datasets import load_classification
from aeon.classification.convolution_based import RocketClassifier
from aeon.benchmarking import get_estimator_results
from sklearn.metrics import accuracy_score

dataset_name = "GunPoint"
X_train, y_train = load_classification(dataset_name, split="train")
X_test, y_test = load_classification(dataset_name, split="test")

clf = RocketClassifier(n_kernels=10000, random_state=42)
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.4f}")

# 与公开的 bake-off 发表结果对齐
published = get_estimator_results("ROCKET", dataset_name)
print(f"Published ROCKET accuracy: {published['accuracy']:.4f}")

评测环节的公认做法还包括：

• 设置随机种子：RocketClassifier(random_state=42) 保证实验可复现；
• 多指标报告：accuracy / weighted F1 / precision 同时给出；
• 小数据集用交叉验证：cross_val_score(clf, X_train, y_train, cv=5, scoring='accuracy')；
• 对比简单基线：例如 1-NN + Euclidean（KNeighborsTimeSeriesClassifier(n_neighbors=1, distance="euclidean")），确认模型提升是否真实；
• 显著性检验：对多个数据集上的成对结果跑 wilcoxon_test，多算法对比用 nemenyi_test（均位于 aeon.benchmarking）。

五、深入深度学习分类器：训练参数与架构选型

若数据量足够且追求端到端学习，深度学习分类器（详见 skills/aeon/references/networks.md）是核心候选。它们基于对应神经网络：FCNClassifier（全卷积）、ResNetClassifier（残差块 + 跳跃连接，缓解深网梯度消失）、InceptionTimeClassifier（并行多尺度卷积核捕捉不同时间尺度模式）、TimeCNNClassifier（标准 CNN）、MLPClassifier（展平后全连接，作为深度基线）。

使用入口示例：

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)

典型需调优的超参数包括：

• n_epochs——训练轮数，常见 50–200；
• batch_size——每批样本数，常见 16–64；
• learning_rate——学习率，常见 0.0001–0.01；
• 网络专属参数，如 kernel_size=[7, 5, 3]、n_filters=[128, 256, 128]（以 FCN 类为例）。

工程实践上还应注意：

• 先用验证集做早停：FCNClassifier(n_epochs=200) 配合 validation_data=(X_val, y_val)，并挂载 EarlyStopping(patience=20, restore_best_weights=True) 与 ReduceLROnPlateau(patience=10, factor=0.5) 回调；
• 数据归一化：深度网络普遍受益于 z-score 归一化，训练前用 Normalizer() 处理训练/测试集；
• GPU 加速：aeon 深度分类器底层基于深度学习后端，若 GPU 可用会自动利用；可用 CUDA_VISIBLE_DEVICES 选择设备；
• 复现性：为 numpy/random/深度学习框架设置同一随机种子；
• 选型顺序：先 MLPClassifier/FCNClassifier 起步，不足再上 ResNetClassifier/InceptionTimeClassifier，单模型不够再考虑集成。

按数据特性选型：长序列优先 TCN/膨胀卷积类架构，短序列用 MLP/FCN，多变量可用 Inception 或 FCN，多尺度模式优先 Inception 系（关于网络的进一步细节参见 skills/aeon/references/networks.md）。

六、算法选择速查

汇总原文档的选型经验并结合仓库配套资料，给出四类优先级下的推荐：

优先级	推荐分类器	理由
速度优先	MiniRocketClassifier、Arsenal	随机卷积无需梯度训练，核数可控、可扩展
精度优先	HIVECOTEV2、InceptionTimeClassifier	混合集成 / 深度架构，占用算力较高
可解释性优先	ShapeletTransformClassifier、Catch22Classifier	shapelet / catch22 特征可审计、可解释
小数据	KNeighborsTimeSeriesClassifier 与距离类方法	相似度决策在样本少时依然稳健；应避免需要大数据的深度模型
大数据	深度学习分类器、ROCKET 系	数据量足以支撑端到端学习 / 大规模特征变换

结合 SKILL.md 的最佳实践，建议的通用策略是：

1. 从简单开始：优先 ROCKET 系而非直接上深度学习；
2. 使用验证集：切分训练数据用于调参；
3. 对照基线：与 1-NN Euclidean、Naive 等简单方法比较；
4. 评估资源：ROCKET 适合追求速度，GPU 可用时才投入深度模型；
5. 官方划分 + 固定随机种子：保证结果可与 UCR/UEA 及公开 bake-off（2017 单变量、2021 多变量、2023 单变量等既有发表结果）对齐。

七、在本仓库中如何继续深入

本主题在仓库内的完整资料组织如下，可对照查阅：

• skills/aeon/SKILL.md：aeon 技能总入口，含安装、数据格式、距离目录、深度网络速览与最佳实践；
• skills/aeon/references/classification.md：本文的算法目录底稿（分类算法全集）；
• skills/aeon/references/networks.md：深度学习网络架构细节与训练调参；
• skills/aeon/references/datasets_benchmarking.md：数据集加载、文件格式读写（.ts/.tsf/.arff/.tsv）、评测指标与统计检验；
• skills/aeon/references/transformations.md：特征抽取与预处理变换；
• skills/aeon/references/distances.md：距离度量目录，供距离类分类器选型；
• 同一分类任务还可延伸到 skills/aeon/references/regression.md（连续值预测）与 skills/aeon/references/clustering.md（无监督分组）等姊妹主题。

在 scientific-agent-skills 这一 Agent 技能仓库中，aeon 技能（skills/aeon/SKILL.md）面向「时间序列机器学习任务」，适用于需要超越标准 ML 方法的时序数据场景；本文所整理的分类器目录即为该技能在分类任务上的落地清单。若任务目标是预测连续值、发现异常或做无监督分组，则应切换到上述对应的参考文档。