Aeon 转换

# 转换 (Transformations) Aeon 为时间序列数据的预处理、特征提取和表示学习提供了广泛的转换能力。 ## 转换类型 Aeon 区分以下类型： - **CollectionTransformers (集合转换器)**：转换多个时间序列（集合） - **SeriesTransformers (序列转换器)**：转换单个时间序列 ## 集合转换器 ### 基于卷积的特征提取 使用随机核进行快速、可扩展的特征生成： - `RocketTransformer` - 随机卷积核 - `MiniRocketTransformer` - 用于提速的简化版 ROCKET - `MultiRocketTransformer` - 增强版 ROCKET 变体 - `HydraTransformer` - 多分辨率扩张卷积 - `MultiRocketHydraTransformer` - 结合 ROCKET 和 Hydra - `ROCKETGPU` - GPU 加速变体 **适用场景**：需要为任何机器学习算法提供快速、可扩展的特征，以及强大的基准性能时。 ### 统计特征提取 基于时间序列特征的领域无关特征： - `Catch22` - 22 个规范的时间序列特征 - `TSFresh` - 全面的自动化特征提取（100+ 特征） - `TSFreshRelevant` - 带有相关性过滤的特征提取 - `SevenNumberSummary` - 描述性统计（均值、标准差、分位数） **适用场景**：需要可解释特征、领域无关方法或为传统机器学习提供输入时。 ### 基于字典的表示 用于离散表示的符号近似： - `SAX` - 符号聚合近似 (Symbolic Aggregate approXimation) - `PAA` - 分段聚合近似 (Piecewise Aggregate Approximation) - `SFA` - 符号傅里叶近似 (Symbolic Fourier Approximation) - `SFAFast` - 优化版 SFA - `SFAWhole` - 对整个序列进行 SFA（无窗口化） - `BORF` - 感受野词袋模型 (Bag-of-Receptive-Fields) **适用场景**：需要离散/符号表示、降维或可解释性时。 ### 基于 Shapelet 的特征 判别性子序列提取： - `RandomShapeletTransform` - 随机判别性 Shapelet - `RandomDilatedShapeletTransform` - 用于多尺度的扩张 Shapelet - `SAST` - 可扩展且精确的子序列转换 (Scalable And Accurate Subsequence Transform) - `RSAST` - 随机化 SAST **适用场景**：需要可解释的判别模式或相位不变特征时。 ### 基于区间的特征 来自时间区间的统计摘要： - `RandomIntervals` - 来自随机区间的特征 - `SupervisedIntervals` - 监督式区间选择 - `QUANTTransformer` - 基于分位数的区间特征 **适用场景**：预测模式局限于特定窗口时。 ### 预处理转换