scientific-agent-skills 中的 Aeon 异常检测：集合级与序列级检测器选型、STOMP 快速上手与 Range 评估指标全解
【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills
本文以 scientific-agent-skills 仓库中skills/aeon技能为蓝本，围绕其异常检测参考文档展开，完整覆盖 Aeon 提供的集合级（Collection）与序列级（Series）两类异常检测器目录、STOMP 矩阵谱快速上手代码、点异常/子序列异常/集体异常的区分方法，以及range_precision等窗口感知评估指标的使用方式。读完后你可以按数据形态（单条长序列、时间序列集合、流式数据、多维信号）直接选型算法，并复现一套可运行的异常检测与评估流程。
1. 背景：aeon 技能中的异常检测定位与版本前提
skills/aeon是仓库中面向"时间序列机器学习"的 Agent 技能，其入口文件 SKILL.md 声明该技能适用于时间序列分类、回归、聚类、预测、异常检测、分割与相似性搜索等任务，核心能力是提供scikit-learn 兼容接口（fit / predict / transform 一致 API）的时间序列专用算法库。异常检测是其中 7 大能力模块之一，详细目录即本文主体来源 references/anomaly_detection.md。
在动手之前，需要先确认三条适用前提（均来自 SKILL.md）：
- 运行环境：要求 Python 3.10+（推荐 3.11+），通过
uv pip install "aeon>=1.4,<2"安装 1.x 稳定版本；深度学习和扩展估计器需aeon[all_extras]>=1.4,<2； - 实验性模块警告：上游将
forecasting、anomaly_detection、segmentation、similarity_search、visualisation列为实验性（experimental）模块，接口可能在次版本间变动。因此生产管道应优先使用稳定模块，除非你的任务就是异常检测——本文场景恰好属于后者，但升级 aeon 小版本时需注意接口兼容性； - 示例版本基线：技能文档明确示例针对aeon 1.x（v1.4.0，2026 年 3 月稳定文档）。v1.0 重写了预测与变换模块的导入路径，aeon 0.x / sktime 时代的旧代码导入路径不同，直接套用旧博客代码容易踩坑。
从仓库的测试基建看，tests/skill-requirements.toml 中为 aeon 技能单独声明了隔离测试环境：
[skills.aeon] packages = ["aeon", "matplotlib", "numpy", "scikit-learn"]也就是说，运行本文所有示例只需aeon + matplotlib + numpy + scikit-learn四件套；仓库通过 tests/run_all.py 的--isolated模式为每个技能构建一次性 uv 环境来验证技能可用性，aeon 技能与其他技能（如 opentrons、molfeat 等有冲突依赖的技能）互不干扰。
2. 集合级异常检测器（Collection Anomaly Detectors）
Aeon 把"异常"分两个层级：在时间序列集合中找出异常的那条序列，以及在单条时间序列内部找出异常的点或子序列。前者的两个适配器如下（引自 anomaly_detection.md）：
ClassificationAdapter：分类器即异常检测器
- 作用：把标准分类器改造成异常检测器——只用正常数据训练，在预测阶段把被判为"非常规类"的样本标记为异常；
- 适用场景：手里有标注好的正常数据，想走分类路线。其本质是单类学习思路：训练集只喂正常样本，预测时分类器的输出置信度（或被判到少数类/拒绝类）作为异常信号。这种方式的好处是可以直接复用 Aeon 分类模块中全部算法（ROCKET 系、距离系、深度网络系），把"分类精度"转化为"异常分数"。
OutlierDetectionAdapter：桥接 sklearn 离群点检测器
- 作用：包装 scikit-learn 的离群检测器，使其能作用于时间序列集合；
- 支持算法：
IsolationForest、LOF（Local Outlier Factor）、OneClassSVM； - 适用场景：想直接把 sklearn 生态的成熟异常检测器用在时间序列集合上。由于 sklearn 原生只懂二维表格数据，该适配器负责把时间序列"摊平"为样本特征，再交给 sklearn 检测器，预测阶段反向映射回序列级别。
从源码结构看（依据技能文档的目录组织），这两个适配器与序列级检测器并列于aeon.anomaly_detection命名空间下，共享同一套 scikit-learn 风格的估计器 API，可以无缝放进sklearn.pipeline.Pipeline——这与 SKILL.md 中"分类管道"工作流展示的组合方式一致。
3. 序列级异常检测器：按方法论划分的完整目录
序列级检测的目标是找出单条时间序列内部的异常点或异常子序列。文档按方法论分为四类，选型时先定"异常长什么样"，再定"数据有什么特点"。
3.1 距离类方法（Distance-Based）
利用相似度/距离度量识别异常：
| 检测器 | 原理 | 适用场景（Use when） |
|---|---|---|
CBLOF | 基于聚类的局部离群因子：先聚类，再依据簇的属性（半径、密度）识别离群者 | 异常点自身形成了稀疏簇 |
KMeansAD | K-means 距离法：样本到最近簇中心的距离即为异常度 | 正常模式聚集良好（簇结构清晰） |
LeftSTAMPi | 左半 STAMP 增量矩阵谱，支持在线计算 | 流式数据、需要在线检测 |
STOMP | 可扩展矩阵谱算法（STOMP），计算子序列的矩阵谱 | 失配（discord）发现、基序（motif）检测 |
MERLIN | 矩阵谱的高效变体 | 大型时间序列、追求可扩展性 |
LOF | 面向时间序列适配的局部离群因子，基于密度判断 | 异常落在低密度区域 |
ROCKAD | 基于 ROCKET 特征的半监督检测 | 有部分标注数据、想用特征化路线 |
其中矩阵谱三兄弟（STOMP / MERLIN / LeftSTAMPi）的原理值得单独展开，见第 5 节。
3.2 分布类方法（Distribution-Based）
分析统计分布形态：
COPOD（Copula-Based Outlier Detection）：分别建模边际分布与联合分布，把两者信息融合成离群分数。适用场景：多维时间序列、变量间存在复杂依赖关系。它是目录中少数能天然处理多通道信号的点级方法；DWT_MLEAD（Discrete Wavelet Transform Multi-Level Anomaly Detection）：用离散小波变换把序列分解到多个频带，在各层级上识别异常。适用场景：异常集中在特定频率成分（例如传感器在某一频段出现毛刺）。
3.3 孤立类方法（Isolation-Based）
利用"异常更容易被隔离"的原则：
IsolationForest：随机森林式随机切分，异常点路径更短、更易孤立。适用场景：高维数据、且对数据分布形态无假设——是无监督场景下的稳健默认项；OneClassSVM：学习一个包住正常数据边界的超平面，界外即异常。适用场景：正常区域边界定义清晰、需要鲁棒的边界刻画（半监督/单类学习）；STRAY：面向流式的鲁棒异常检测，对数据分布漂移不敏感。适用场景：流式数据 + 分布随时间变化（如漂移的传感器读数）。
3.4 外部库桥接：PyODAdapter
PyODAdapter：把 PyOD 生态接入 Aeon 估计器体系，一次性获得 40+ 个 PyOD 异常检测算法，且仍保持 fit/predict 风格 API。适用场景：需要某个特定的 PyOD 算法，同时不想脱离 Aeon 的接口约定。
选型速查（继承自原文档 "Algorithm Selection" 小节）：
| 优先目标 | 推荐算法 |
|---|---|
| 速度优先 | KMeansAD、IsolationForest |
| 精度优先 | STOMP、COPOD |
| 流式数据 | LeftSTAMPi、STRAY |
| Discord 发现 | STOMP、MERLIN |
| 多维数据 | COPOD、PyODAdapter |
| 半监督 | ROCKAD、OneClassSVM |
| 无训练数据 | IsolationForest、STOMP |
4. 快速上手：完整复现 STOMP 示例并可视化
4.1 最小可运行示例
以下代码完整继承自 anomaly_detection.md 的 Quick Start，构造一条含单点尖峰异常的正弦序列并用 STOMP 检测。逐行注释如下：
from aeon.anomaly_detection import STOMP import numpy as np # 构造含异常的时间序列：两段正弦中间插一个 5.0 的尖峰 y = np.concatenate([ np.sin(np.linspace(0, 10, 100)), [5.0], # 人为注入的异常尖峰 np.sin(np.linspace(10, 20, 100)) ]) # 实例化 STOMP：window_size 即矩阵谱滑窗长度（关键超参数） detector = STOMP(window_size=10) anomaly_scores = detector.fit_predict(y) # 分数越高越异常；这里用 95 分位数作为经验阈值 threshold = np.percentile(anomaly_scores, 95) anomalies = anomaly_scores > threshold参数要点说明：
window_size：STOMP 的滑窗长度。窗口太小会捕捉噪声，太大则错过细粒度模式；参考 references/similarity_search.md 的经验法则，可取序列长度的 10%–20%。示例中序列长 201，窗口取 10 恰好是"短窗口对长序列"的保守配置，能把尖峰附近的局部失配放大为高分；fit_predict(y)：输入 1-D 数组即单条序列（Aeon 约定：集合为(n_cases, n_channels, n_timepoints)，单序列为(n_channels, n_timepoints)，1-D 可视为单通道特例）；- 阈值策略：示例采用95 分位数这一基于分位数的经验阈值。若领域内对异常率有先验（如"异常占比不超过 1%"），应改用分领域阈值而非固定分位数。
4.2 加上可视化验证
SKILL.md 的 "Anomaly Detection with Visualization" 工作流给出了标准双图验证法（上图原序列、下图异常分数 + 阈值线）：
from aeon.anomaly_detection import STOMP import matplotlib.pyplot as plt import numpy as np detector = STOMP(window_size=50) scores = detector.fit_predict(y) plt.figure(figsize=(15, 5)) plt.subplot(2, 1, 1) plt.plot(y, label='Time Series') plt.subplot(2, 1, 2) plt.plot(scores, label='Anomaly Scores', color='red') plt.axhline(np.percentile(scores, 95), color='k', linestyle='--') plt.show()这一步对应原文档最佳实践第 4 条"可视化验证检测结果是否有意义"——矩阵谱方法输出的高分位置应对应图中肉眼可见的形态突变，否则大概率是窗口参数或归一化出了问题。
5. 原理纵深：STOMP 为什么能检测异常——矩阵谱（Matrix Profile）
STOMP、MERLIN、LeftSTAMPi 共享同一数学基础。references/similarity_search.md 对矩阵谱数据结构有权威定义，可直接作为异常检测的理论注脚：
- Distance Profile（距离谱）：一个查询子序列到其余所有子序列的距离曲线；
- Matrix Profile（矩阵谱）：每个子序列到"任意其他子序列"的最近邻距离，构成一条与序列等长的距离曲线；
- Motif（基序）：距离最小的子序列对——即重复出现的模式；
- Discord（失配）：距离最大的子序列——即异常。
关键洞察在此：在矩阵谱语境下，异常检测与基序发现是同一枚硬币的两面。Motif 找的是argmin(profile)，Discord 找的是argmax(profile)。相似性搜索参考文档给出了同一数据的基序侧用法：
from aeon.similarity_search import StompMotif mp = StompMotif(window_size=50) mp.fit(y) # 访问矩阵谱及其最近邻索引 profile = mp.matrix_profile_ profile_indices = mp.matrix_profile_index_ # 找失配（异常）：距离谱的最大值位置 discord_idx = np.argmax(profile)也就是说，异常检测侧的STOMP与相似性搜索侧的StompMotif底层都是矩阵谱计算：前者把矩阵谱值直接当作异常分数输出（分数越高，该窗口越"找不到邻居"，即越异常），后者把矩阵谱最小值当作基序对。理解了这一点，就能解释第 3.1 节中 STOMP/MERLIN 被同时列入"Discord 发现"和"精度优先"两个选型档次的理由。STOMP 名字中的 "Scalable Time series Ordered-search Matrix Profile" 指其用有序搜索 + 傅里叶加速把朴素 O(n²) 的矩阵谱计算大幅压缩，这正是 MERLIN（同属矩阵谱家族的高效变体）面向"大型时间序列、追求可扩展性"场景存在的原因；而 LeftSTAMPi 的 "Left" 与 "incremental" 后缀则对应只做左半距离谱、支持增量更新，从而适应流式场景。
6. 三种异常形态：点、子序列、集体
选算法前先判断异常属于哪种形态，原文档给出了清晰的三分法与对应算法：
- 点异常（Point anomalies）：单个异常取值。典型表现是传感器瞬时毛刺。推荐：
COPOD、DWT_MLEAD、IsolationForest——这些都是逐点评分的方法，且对"单点偏离"敏感； - 子序列异常（Subsequence anomalies / discords）：一段不寻常的模式。典型表现是设备进入短暂异常工况后恢复。推荐：
STOMP、LeftSTAMPi、MERLIN——矩阵谱方法天然是滑窗粒度评分，输出的 discord 就是"整段不对劲"； - 集体异常（Collective anomalies）：一组点共同构成反常形态（如本该平滑的曲线出现整段平台）。推荐：矩阵谱方法 + 聚类类方法（如
CBLOF、KMeansAD）联合使用——前者定位失配窗口，后者刻画"整体偏离正常簇"的集体行为。
这个区分直接决定阈值语义：点异常场景下"超过阈值的点数"即异常量；子序列场景下应把相邻高分窗口合并成区间再评估（这也引出下文的 range 指标）。
7. 评估指标：窗口感知的 range 指标族
异常检测评估不同于分类：真实异常往往是一段区间，预测也往往是一段区间，逐点比对会高估或低估性能。Aeon 在aeon.benchmarking.metrics.anomaly_detection下提供了专为窗口检测设计的指标族。
7.1 基本用法
完整继承自原文档：
from aeon.benchmarking.metrics.anomaly_detection import ( range_precision, range_recall, range_f_score, roc_auc_score ) # range 系列指标考虑窗口重叠（alpha 为重叠容忍度） precision = range_precision(y_true, y_pred, alpha=0.5) recall = range_recall(y_true, y_pred, alpha=0.5) f1 = range_f_score(y_true, y_pred, alpha=0.5)alpha=0.5的含义是：预测区间与真实区间重叠达到一半即计为命中——这正是"区间级"评估与逐点 F1 的本质区别。
7.2 补充：AUC 与真实数据集
仓库内 references/datasets_benchmarking.md 给出了同一指标族的另一种导入，其中 AUC 变体的完整名为range_roc_auc_score：
from aeon.benchmarking.metrics.anomaly_detection import ( range_precision, range_recall, range_f_score, range_roc_auc_score ) auc = range_roc_auc_score(y_true, y_scores) # 注意传入的是连续分数注意区分两个输入：range_precision/recall/f_score 接收二值化后的预测（第 4 节阈值化后的结果），AUC 类指标接收连续异常分数（第 4 节阈值化之前的结果）。若你在不同文档间核对导入名，roc_auc_score与range_roc_auc_score分别出现在两份参考文档中，建议以你实际安装的 aeon 1.x 版本的 API 为准做from aeon.benchmarking.metrics.anomaly_detection import ...验证。
要拿真实标注数据做评估，同一个 benchmarking 参考文档记录了异常检测专用数据集加载器：
from aeon.datasets import load_anomaly_detection X, y = load_anomaly_detection("NAB_realKnownCause")即 NAB（Nist Anomaly Detection Benchmark）realKnownCause 数据集：加载后把第 4 节的检测流程跑在X上、用y标注做 range 指标评估，就构成一条完整的"检测 + 评估"闭环。
8. 五条最佳实践（含参数依据）
原文档 Best Practices 的五条建议，逐条补充了可操作的落地细节：
- 归一化数据：多数方法对尺度敏感。矩阵谱方法内部对子序列做 z 归一化（关注形状而非幅值），但 COPOD、DWT_MLEAD、IsolationForest 等逐点/逐特征方法不会替你归一化，输入前应统一量纲；
- 选对窗口大小：对矩阵谱方法，
window_size是最关键超参数——太小捕捉噪声、太大错过细节，经验值取序列长度的 10%–20%（出自相似性搜索参考文档的窗口选型经验）；对非窗口方法（如KMeansAD），则关注簇数与距离核； - 设置阈值：二选一——基于分位数（如 95/99 分位）适合无先验的探索期；基于领域知识的固定阈值适合生产期，此时应同时报告 range 指标防止"阈值漂移"；
- 验证结果：用第 4.2 节的双图法目视检查，检测位置必须对应肉眼可辨的形态变化，否则回到第 2 条调参；
- 处理季节性：有强季节成分（日周期、年周期）的序列，先做去趋势/去季节化再检测，否则季节重复形态会被矩阵谱误判为"正常基序"，真正的异常反而淹没在季节波动里。
9. 延伸阅读：技能内的完整能力地图
本文聚焦异常检测，但 skills/aeon/SKILL.md 把异常检测放在更大的能力矩阵中：分类（RocketClassifier等）、回归、聚类（TimeSeriesKMeans）、预测（NaiveForecaster、ARIMA）、分割（ClaSPSegmenter）、相似性搜索（StompMotif）共享同一套 scikit-learn 风格 API 与数据格式约定，references/目录下每类任务都有对应的算法目录文档。典型组合场景：用相似性搜索的StompMotif找基序、用本文的STOMP找失配、用load_anomaly_detection+ range 指标评估——三者共同构成 Aeon 在"模式发现 + 异常定位 + 量化评估"上的完整工具链。
最后重申适用限制：aeon 上游将anomaly_detection标记为实验性模块，本文所有示例与 API 均以aeon 1.x（1.4 基线）为准；在跨版本迁移代码或把检测器投入生产管道前，应先在你锁定的版本上跑通第 4 节的快速示例与第 7 节的评估代码，确认接口未被变动。
【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
