sktime

sktime 是一个用于时间序列分析和机器学习的开源 Python 库。其核心思想是为若干相关的时间序列学习任务提供统一接口，从而使为某一任务设计的算法和工具可以复用于另一任务。该项目采用 BSD 3-clause 许可证发布，并通过 pip 和 conda-forge 分发。 支持的任务包括预测、时间序列分类、时间序列回归、变换、检测任务（异常检测和变点检测）、参数拟合、时间序列聚类、时间序列距离与核、时间序列对齐以及时间序列切分器。部分模块被描述为稳定（预测、分类、回归、变换），另一些被描述为趋于成熟（检测、参数拟合、聚类、距离/核、切分器），还有一些被描述为实验性（对齐、分布与模拟）。 除专门的时间序列算法外，sktime 还提供用于复合模型构建的工具，例如流水线、集成、调优和归约。它还提供与相关库的接口，包括 scikit-learn、statsmodels、tsfresh、PyOD 和 fbprophet，使用户能够将现有估计器与 sktime 的时间序列机制相结合。 README 包含预测的快速入门示例（在 airline 数据集上使用 ThetaForecaster，采用时间训练/测试划分和 MAPE 评估）以及时间序列分类的快速入门示例（在 arrow head 数据集上使用 TimeSeriesForestClassifier，采用准确率评分）。安装支持 macOS、Linux 和 Windows 8.1+，Python 3.10 至 3.14（64 位），并提供诸如 forecasting、transformations、classification、regression、clustering、param_est、networks、detection 和 alignment 等依赖集，以及 all_extras 选项。 README 中链接了文档、教程、Binder notebook、扩展模板、API 参考、变更日志和路线图。社区渠道包括 GitHub issues 和 discussions、Stack Overflow、Discord 以及定期聚会。该项目遵循 all-contributors 规范，欢迎非代码贡献，并描述了指导、治理和增强提案流程。所述愿景强调社区发展、为正确任务选择正确工具、与既有生态系统的互操作性、丰富的模型组合、清晰的规范语法、公平的模型评估以及通过模板实现轻松扩展。