技能檔案

Research Time Series

Name: Research Time Series
Author: Mekann2904

時系列機械学習の専門ツールキット。分類、回帰、クラスタリング、予測、異常検出に対応。aeonライブラリをベース。

Mekann29040 星標2026年2月14日

職業: 數據科學家
分類: 機器學習

技能內容

統合スキル: このスキルは aeon をベースにした時系列機械学習ツールキットです。

概要

時系列データの機械学習に特化したツールキット。分類、回帰、クラスタリング、予測、異常検出、セグメンテーションをscikit-learn互換APIで提供。

主な機能:

時系列分類（TSC）
時系列回帰（TSR）
時系列クラスタリング（TSCL）
時系列予測（Forecasting）
異常検出（Anomaly Detection）
セグメンテーション

セットアップ

# aeon本體
uv pip install aeon

# 追加機能
uv pip install aeon[all_extras]

# 可視化
uv pip install matplotlib seaborn

使用タイミング

タスク	使用場面
分類	時系列パターンの識別

相關技能

Research Time Series | Skills Pool

from aeon.classification.interval_based import CanonicalIntervalForestClassifier
from aeon.datasets import load_basic_motions

# データ読み込み
X_train, y_train = load_basic_motions(split="train")
X_test, y_test = load_basic_motions(split="test")

# 分類器訓練
clf = CanonicalIntervalForestClassifier()
clf.fit(X_train, y_train)

# 予測
y_pred = clf.predict(X_test)

# 評価
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.3f}")

from aeon.clustering import TimeSeriesKMeans
from aeon.datasets import load_arrow_head

# データ
X, y = load_arrow_head()

# k-means クラスタリング
kmeans = TimeSeriesKMeans(n_clusters=3, metric="dtw")
kmeans.fit(X)

# クラスタ割り当て
clusters = kmeans.predict(X)

from aeon.forecasting import ARIMA, ExponentialSmoothing
from aeon.datasets import load_airline

# データ
y = load_airline()

# ARIMA モデル
forecaster = ARIMA(order=(1, 1, 1))
forecaster.fit(y)

# 予測
predictions = forecaster.predict(fh=[1, 2, 3, 4, 5])

from aeon.anomaly_detection import IsolationForest

# 異常検出器
detector = IsolationForest(contamination=0.1)
detector.fit(X_train)

# 異常スコア
scores = detector.predict_proba(X_test)

アルゴリズム	特徴	推奨用途
CanonicalIntervalForest	区間ベース	汎用
ROCKET	ランダムカーネル	高速
InceptionTime	ディープラーニング	複雑パターン
HIVE-COTE	アンサンブル	最高精度

# 単変量時系列: (n_samples, n_timepoints)
X_univariate = np.random.rand(100, 50)

# 多変量時系列: (n_samples, n_channels, n_timepoints)
X_multivariate = np.random.rand(100, 3, 50)

# 不等長時系列: list of arrays
X_unequal = [np.random.rand(30), np.random.rand(45), np.random.rand(35)]

from aeon.transformations.collection import Normalizer, Resizer

# 正規化
normalizer = Normalizer()
X_normalized = normalizer.fit_transform(X)

# リサイズ（等長化）
resizer = Resizer(length=100)
X_resized = resizer.fit_transform(X)

from aeon.classification import DummyClassifier
from aeon.classification.distance_based import KNeighborsTimeSeriesClassifier
from aeon.classification.dictionary_based import WEASEL

# ベースライン
dummy = DummyClassifier()

# k-NN（DTW）
knn = KNeighborsTimeSeriesClassifier(distance="dtw")

# 辞書ベース
weasel = WEASEL()

from sklearn.model_selection import cross_val_score
from aeon.classification.interval_based import TimeSeriesForestClassifier

clf = TimeSeriesForestClassifier()
scores = cross_val_score(clf, X, y, cv=5)
print(f"CV Accuracy: {scores.mean():.3f} (+/- {scores.std():.3f})")

問題	原因	解決策
遅い訓練	DTWの計算コスト	近似DTW、サンプリング
メモリエラー	大きなデータセット	バッチ処理
過学習	複雑なモデル	正則化、簡素なモデル
不等長エラー	形式不一致	Resizerで等長化

アルゴリズム	特徴	推奨用途
TimeSeriesKMeans	DTW距離	ベースライン
KShape	シェープベース	類似形状
KMedoids	メドイドベース	外れ値に強い

アルゴリズム	特徴	推奨用途
ARIMA	統計的	定常時系列
ExponentialSmoothing	統計的	トレンド・季節性
Prophet	加法モデル	実務データ
N-BEATS	ニューラル	高精度

Research Time Series

概要

セットアップ

使用タイミング

Research Time Series

概要

セットアップ

使用タイミング

ワークフロー

時系列分類

時系列クラスタリング

時系列予測

異常検出

主要アルゴリズム

分類

クラスタリング

予測

データ形式

ベストプラクティス

1. データ前処理

2. モデル選択

3. クロスバリデーション

トラブルシューティング

関連スキル

Continuous Learning V2

Continuous Learning V2

Continuous Learning V2

Continuous Learning

Continuous Learning

Pytorch Patterns