scientific-agent-skills 中的 Aeon 时间序列聚类实战：从距离度量、均值方法到深度聚类器

本篇围绕 scientific-agent-skills 仓库中 aeon 技能的聚类参考文档 clustering.md 展开，系统讲解 Aeon 为时间序列定制的聚类算法族——分区算法、大规模数据集方法、弹性距离聚类、谱聚类、深度聚类器与特征型聚类器——并逐一说明其适用场景、距离度量与均值方法的选择依据。读完本文后，你可以针对"时间序列已对齐 / 存在时间偏移 / 数据量巨大 / 需要可解释特征"等不同数据特征，快速选定合适的聚类方案，并基于 fit_predict、cluster_centers_ 等标准接口搭建可复现的聚类流水线。

1. 技能背景与运行环境

aeon 技能位于仓库的 skills/aeon/SKILL.md，是面向时间序列机器学习的 Agent 技能，覆盖分类、回归、聚类、预测、异常检测、分割与相似性搜索等任务。其 Front Matter 声明了明确的适用边界：

• 适用于时序数据、序列模式或时间索引观测，且需要超越标准 ML 方法的专用算法的场景；
• 要求 Python 3.10+，依赖 aeon 包（通过 uv pip install 安装），深度学习及扩展依赖需要 aeon[all_extras]；
• 技能版本基于 aeon 1.x（文档对标 v1.4.0），1.0 版本重构了预测与变换模块，导入路径与 0.x/sktime 时代不同。

在测试侧，tests/skill-requirements.toml 中声明了该技能的最小运行包集合：

[skills.aeon]
packages = ["aeon", "matplotlib", "numpy", "scikit-learn"]

安装命令（引自 SKILL.md，zsh 下需给 extras 加引号）：

uv pip install "aeon>=1.4,<2"
# 需要深度学习估计器时：
uv pip install "aeon[all_extras]>=1.4,<2"

SKILL.md 同时提示：上游将 forecasting、anomaly_detection、segmentation、similarity_search、visualisation 视为实验性模块，而 clustering 属于稳定模块，可以放心用于生产流水线——这正是本文聚焦聚类的原因。

2. 聚类算法族总览

Aeon 的核心价值在于为时序数据提供了专用距离度量与均值方法，使其聚类算法不再是把时间序列摊平后做普通 k-means，而是真正在"形状空间"上运算。参考文档将算法划分为六类，下面逐类说明。

2.1 分区算法（Partitioning）

标准 k-means/k-medoids 的时序适配版：

算法	说明
TimeSeriesKMeans	支持时序距离度量（DTW、Euclidean 等）的 K-means
TimeSeriesKMedoids	以真实时间序列作为聚类中心（medoid 语义，中心必然可解释）
TimeSeriesKShape	基于形状的聚类算法
TimeSeriesKernelKMeans	核方法变体，适合非线性模式

适用条件：已知聚类数目、预期簇形状近似球形。

2.2 大规模数据集方法

• TimeSeriesCLARA —— Clustering LARge Applications，通过采样逼近 k-medoids；
• TimeSeriesCLARANS —— CLARA 的随机化搜索变体。

适用条件：数据集大到标准 k-medoids 无法承受，需要可扩展性。

2.3 弹性距离聚类

专为对齐型相似度设计：

• KASBA —— 带平移不变弹性均值（shift-invariant elastic averaging）的 K-means；
• ElasticSOM —— 使用弹性距离的自组织映射（Self-Organizing Map）。

适用条件：时间序列之间存在时间平移或形变（warping）。这类算法在步态、心电、工业信号等"同一模式、不同相位"的数据上尤为合适。

2.4 谱方法（Spectral Methods）

• KSpectralCentroid —— 带质心计算的谱聚类。

适用条件：簇形状非凸、需要基于图的聚类思路时。

2.5 深度学习聚类

基于自编码器的神经网络聚类，通过学到的低维表示做聚类：

聚类器	编码器结构
AEFCNClusterer	全卷积自编码器（Fully Convolutional）
AEResNetClusterer	残差网络自编码器
AEDCNNClusterer	膨胀卷积（Dilated CNN）自编码器
AEDRNNClusterer	膨胀 RNN 自编码器
AEBiGRUClusterer	双向 GRU 自编码器
AEAttentionBiGRUClusterer	注意力增强的 BiGRU 自编码器

适用条件：大数据集、需要学习式表示、或存在复杂非线性模式。注意这类估计器属于可选扩展，需要 aeon[all_extras] 提供的深度学习依赖。

2.6 基于特征的聚类（Feature-Based）

先把时间序列变换到特征空间，再在特征上聚类：

• Catch22Clusterer —— 基于 22 个经典时序特征（Catch22）；
• SummaryClusterer —— 基于描述性统计量；
• TSFreshClusterer —— 基于 tsfresh 自动特征。

适用条件：原始序列难以直接刻画、需要可解释特征时。这与 transformations.md 中介绍的 Catch22、TSFresh、SevenNumberSummary 等 CollectionTransformer 一脉相承——特征型聚类器本质上是"变换器 + 常规聚类器"的组合封装。

2.7 组合：ClustererPipeline

ClustererPipeline 允许把变换器与聚类器串联，搭建自定义聚类流水线，例如先 Normalizer 归一化再交给 TimeSeriesKMeans。

3. 快速上手：DTW + 重心均值的 KMeans

参考文档给出的 Quick Start 完整继承如下。这里用 GunPoint 手势识别数据集的训练集做无监督聚类（以分类数据充当聚类输入），距离选用 DTW，均值方法选用重心平均（barycentric averaging）：

from aeon.clustering import TimeSeriesKMeans
from aeon.datasets import load_classification

# 加载数据（借用分类数据集做聚类演示）
X_train, _ = load_classification("GunPoint", split="train")

# 对时间序列做聚类
clusterer = TimeSeriesKMeans(
    n_clusters=3,
    distance="dtw",        # 使用 DTW 距离
    averaging_method="ba"  # 重心平均（barycentric averaging）
)
labels = clusterer.fit_predict(X_train)
centers = clusterer.cluster_centers_

要点解读：

1. distance="dtw"：让簇内距离计算走弹性对齐路径，而非逐点比较，适合存在相位偏移的序列；
2. averaging_method="ba"：决定 cluster_centers_ 如何由簇成员"平均"得到，这是时序聚类与普通 k-means 最本质的差异点（见第 5 节）；
3. fit_predict / cluster_centers_：与 scikit-learn 生态完全一致的估计器 API，可直接接入 Pipeline、交叉验证等既有工具。

数据加载方面，datasets_benchmarking.md 说明自 aeon 1.4 起多数分类/回归归档托管在 Zenodo，首次使用时自动下载并缓存；也可用 get_dataset_meta_data("GunPoint") 查看样本数、长度、类别数等元数据，用于评估数据规模是否适合所选算法。

4. 距离度量：聚类质量的底层决定因素

聚类文档列出的兼容距离度量分为四组，与 distances.md 的完整目录相互印证：

类别	度量	特点
Lock-step（逐点）	Euclidean、Manhattan、Minkowski	无对齐，速度最快；要求序列已对齐
弹性（带对齐）	DTW、DDTW、WDTW	允许时间轴形变；DDTW 比较导数，对幅度偏移更稳健
编辑型	ERP、EDR、LCSS	容忍缺失/插入型差异；LCSS 对离群点鲁棒性最高
专用弹性	MSM、TWE	针对特定形变模式设计

从 distances.md 的复杂度分析看，距离选择直接决定聚类的可扩展性：Euclidean 为 O(n)，带窗口约束的 DTW 为 O(nw)（w 为窗口宽度），全量 DTW 为 O(n²)。因此在大集合上聚类时，实践中应给 DTW 加 Sakoe-Chiba 窗口约束：

# 窗口约束（序列长度的 10%），兼顾速度并抑制病理性形变
clusterer = TimeSeriesKMeans(n_clusters=3, distance="dtw",
                             distance_params={"window": 0.1})

同时，多数距离对尺度敏感，聚类前建议做 z 归一化（SKILL.md 的 Best Practices 亦将此列为第一建议）：

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

此外，distances.md 还提供了 get_distance_function_names() 与 get_distance_function("dtw") 两个动态查询入口，可以在运行时枚举并获取可用距离函数，便于脚本化地做度量对比实验。

5. 均值方法（Averaging Methods）：如何得到"簇中心"

时序聚类中最容易被忽视、却直接影响 cluster_centers_ 含义的设计是簇中心的计算方式。参考文档列出四种均值方法：

均值方法	说明
mean_average	逐点算术平均，最快但忽略形变
ba_average	基于 DTW 的重心平均（barycentric averaging），是弹性距离下的经典选择
kasba_average	平移不变的弹性平均
shift_invariant_average	通用的平移不变平均

适用条件（原文档归纳）：当你需要用于可视化或初始化的代表性簇中心时，需要显式选择均值方法。理解要点在于：

• 使用 mean_average 时，DTW 距离下的簇中心只是逐点平均，可能不落在任何"典型形状"上；
• 使用 ba_average 时，中心是通过 DTW 重心对齐迭代得到的时序，更适合作为聚类原型展示；
• 若数据主要是相位平移关系，kasba_average / shift_invariant_average 这类平移不变方法能避免中心被不同相位"平均成噪声"。

这与算法选型一致：KASBA 本身就是"K-means + 平移不变弹性均值"的组合，适合时间平移显著的场景。

6. 算法选型决策表

综合参考文档的 Algorithm Selection 与距离/均值分析，可以整理成如下决策表（原文档六条优先级策略完整保留并补注）：

首要诉求	推荐算法	依据
速度优先	TimeSeriesKMeans + Euclidean	Lock-step 距离 O(n)，无对齐开销
需要对齐时间形变	KASBA、TimeSeriesKMeans + DTW	弹性距离 + 合适的均值方法
大数据集	TimeSeriesCLARA、TimeSeriesCLARANS	采样/随机搜索保证可扩展性
复杂非线性模式	深度聚类器（AE*Clusterer 系列）	自编码器学习表示
可解释性	Catch22Clusterer、SummaryClusterer	特征空间可直接命名每个维度
非凸簇形状	KSpectralCentroid	基于图的谱方法不受球形假设约束

7. 评估：从内部指标到带标签数据

参考文档的评估部分建议使用 sklearn 或 aeon benchmarking 的聚类指标：

• 轮廓系数（Silhouette score）：簇内紧密度与簇间分离度的综合度量；
• Davies-Bouldin 指数：越小越好，衡量簇间可分离性；
• Calinski-Harabasz 指数：越大越好，衡量簇间/簇内方差比。

from sklearn.metrics import silhouette_score, davies_bouldin_score, calinski_harabasz_score
# 需要基于所选距离度量重建距离矩阵后再计算（如 DTW 距离矩阵）
print(silhouette_score(X, labels, metric="precomputed"))

当手头有真实标签时（例如直接用 GunPoint 的类别标签评估无监督结果），还可以用 aeon benchmarking 提供的聚类专用指标——datasets_benchmarking.md 中给出了带标签匹配的聚类准确率：

from aeon.benchmarking.metrics.clustering import clustering_accuracy
accuracy = clustering_accuracy(y_true, y_pred)

实践建议：无标签场景用内部指标对比不同（距离, 均值方法）组合；有标签场景用 clustering_accuracy 校验，并以简单基线（Euclidean KMeans）作为参照，避免仅凭单一指标下结论。

8. 小结与延伸阅读

aeon 技能中的聚类参考文档以"距离度量 × 均值方法 × 算法族"三个维度组织了完整的时序聚类选型空间：分区算法处理常规场景，CLARA/CLARANS 处理规模，KASBA/ElasticSOM 处理相位形变，谱方法处理非凸结构，自编码器聚类器处理复杂模式，特征型聚类器则换取可解释性。所有算法共享 scikit-learn 风格 API，可直接与仓库其他技能文档中的变换器（transformations.md）、距离函数（distances.md）和数据加载工具（datasets_benchmarking.md）自由组合成完整流水线。

延伸阅读路径：

• skills/aeon/SKILL.md —— 技能总览、安装与数据格式规范（集合为 (n_cases, n_channels, n_timepoints)，单序列为 (n_channels, n_timepoints)）；
• skills/aeon/references/distances.md —— 全部距离度量、窗口约束参数与复杂度对照表；
• tests/skill-requirements.toml —— 技能测试所需的最小依赖声明。