segmentation

# 时间序列分割 Aeon 提供了将时间序列划分为具有不同特征区域的算法，用于识别变化点和边界。 ## 分割算法 ### 二分分割 - `BinSegmenter` - 递归二分分割 - 在最显著的变化点处迭代分割序列 - 参数：`n_segments`, `cost_function` - **适用场景**：已知段数，具有层级结构时 ### 基于分类的分割 - `ClaSPSegmenter` - 分类评分概况 (Classification Score Profile) - 使用分类性能来识别边界 - 发现分类器能区分邻域的段 - **适用场景**：各段具有不同时间模式时 ### 基于快速模式的分割 - `FLUSSSegmenter` - 快速低成本单能语义分割 - 使用弧交叉的高效语义分割 - 基于矩阵概况 (Matrix Profile) - **适用场景**：长序列，需要速度和模式发现时 ### 信息论 - `InformationGainSegmenter` - 信息增益最大化 - 寻找使信息增益最大化的边界 - **适用场景**：各段之间存在统计差异时 ### 高斯建模 - `GreedyGaussianSegmenter` - 贪婪高斯近似 - 将段建模为高斯分布 - 增量添加变化点 - **适用场景**：各段遵循高斯分布时 ### 层级聚合 - `EAggloSegmenter` - 自下而上的合并方法 - 通过聚合估计变化点 - **适用场景**：需要层级分割结构时 ### 隐马尔可夫模型 - `HMMSegmenter` - 带有 Viterbi 解码的 HMM - 基于概率状态的分割 - **适用场景**：各段代表隐藏状态时 ### 基于维度的分割 - `HidalgoSegmenter` - 异构内在维度算法 - 检测局部维度的变化 - **适用场景**：各段之间维度发生偏移时 ### 基准 - `RandomSegmenter` - 随机变化点生成 - **适用场景**：需要零假设基准时 ## 快速入门 python from aeon.segmentation import ClaSPSegmenter import numpy as np # 创建带有状态变化的时间序列 y = np.concatenate([ np.sin(np.linspace(0, 10, 100)), # 第 1 段 np.cos(np.linspace(0, 10, 100)), # 第 2 段 np.sin(2 * np.linspace(0, 10, 100)) # 第 3 段 ]) # 分割序列 segmenter = ClaSPSegmenter() change_points = segmenter.fit_predict(y) print(f"检测到的变化点: {change_points}") #