AI Skill 大全

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、聚类或异常检测方法,得到模型结果、未来数值或可疑时间段。

功能与用途

用于分析按时间记录的数据,覆盖分类、回归、聚类、预测、异常检测、变化点分段、相似片段搜索和特征提取。提供时间序列数据或说明分析目标后,可获得算法选择建议、数据预处理与建模代码,以及预测值、类别、分组或异常位置等结果。使用需要具备基本 Python 知识,并安装 aeon;数据通常需整理为样本、通道和时间点等结构。

适用场景

  • 预测设备传感器读数:用历史温度、压力或振动序列拟合预测模型,估计后续时间点的数值。
  • 发现运行异常与变化点:分析设备或服务的连续监测数据,识别异常片段及状态发生变化的位置。
  • 按波形识别事件类别:将带标签的传感器或生理信号序列训练为分类模型,判断新序列所属类别。
  • 聚类并检索相似序列:把无标签的时间序列按形态分组,或在历史记录中查找重复模式和相似片段。

适用人群

  • 使用 Python 分析传感器数据的数据科学家
  • 需要预测业务指标的机器学习工程师
  • 研究生与时间序列研究人员
  • 负责设备监测和异常诊断的工程师

使用步骤

  1. 说明时间序列数据的字段、形状和时间间隔。
  2. 描述目标:分类、预测、聚类或检测异常。
  3. 提供标签情况、数据规模及计算资源限制。
  4. 按建议整理数据并运行 aeon 建模代码。
  5. 检查评估指标、预测结果或异常区间。

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。

查看 MCP 接入说明

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.

同类 Skill