时间序列机器学习分析
输入带时间顺序的单变量或多变量数据,选择分类、预测、聚类等分析方法,获得模型结果、异常提示或可用于传统机器学习的特征。
功能与用途
用于分析传感器读数、业务指标、设备日志等按时间排列的数据,覆盖分类、回归、聚类、预测、异常检测、变化点识别、相似片段搜索和特征提取。提供数据准备、算法选择、模型训练与评估的实现参考,适合使用 Python 和 Aeon 的用户。输入通常需整理为样本、通道和时间点构成的数据,并为监督学习任务准备标签;具体方法取决于数据规模、任务和计算资源。
适用场景
- 识别设备异常:输入设备传感器的连续读数,计算异常分数并定位可能偏离正常模式的时间片段。
- 预测未来指标:用历史销量、流量或能耗序列拟合预测模型,生成指定时间范围的未来值。
- 分类时间序列:提供带标签的动作、信号或设备运行序列,训练分类模型并评估测试集表现。
- 发现相似模式:在一条或多条序列中搜索重复片段,或按动态时间规整等距离度量比较序列。
适用人群
- 使用 Python 分析时序数据的数据科学家
- 开发预测与监控模型的机器学习工程师
- 处理设备或传感器数据的研究人员
使用步骤
- 说明分析目标,并提供数据形状、采样间隔和标签情况。
- 选择分类、预测、聚类或异常检测等任务。
- 确定预处理方式和适合数据规模的算法。
- 训练模型并用独立数据或基线方法评估。
- 查看预测、分组、异常位置或提取特征结果。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 编程
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes Agent、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-11-03
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
This skill should be used for time series machine learning tasks including classification, regression, clustering, forecasting, anomaly detection, segmentation, and similarity search. Use when working with temporal data, sequential patterns, or time-indexed observations requiring specialized algorithms beyond standard ML approaches. Particularly suited for univariate and multivariate time series analysis with scikit-learn compatible APIs.