Salesforce 的時間序列智慧庫 Merlion 引發了資料科學家和開發者的討論，許多人指出其與競爭解決方案的比較分析存在顯著缺口。這個支援預測、異常檢測和變化點檢測等任務的機器學習庫，旨在成為時間序列分析的綜合解決方案，但在其基準比較中可能忽略了幾個重要的競爭對手。
 |
|---|
| Merlion：GitHub 上的時間序列智慧機器學習框架 |
不完整的競爭格局分析
社群已經確認 Merlion 的與相關庫的比較部分存在幾個明顯的遺漏。使用者特別指出比較表中缺少 aeon、sktime、tsai 和 Uber 的 Orbit。這些庫也旨在提供與 Merlion 類似的全面時間序列分析功能，對於試圖做出明智決策的從業者來說，這些庫的排除尤為顯著。
「我也沒有在其中看到
tsai」
除了簡單的遺漏之外，使用者還質疑比較本身的質量，指出它缺乏每個庫支援的具體模型的詳細資訊——這是選擇預測工具時的關鍵因素。一位評論者特別提到對比較中提及的 Nixtla 產品感到困惑，指出 TimeGPT（Nixtla 的產品之一）確實支援外生迴歸變數，這與比較所表明的相反。
Merlion 比較中缺少的重要庫
- aeon：時間序列機器學習庫
- sktime：時間序列機器學習的統一框架
- tsai：用於時間序列分析的深度學習庫
- Uber 的 Orbit：貝葉斯時間序列建模
- AutoGluon 的時間序列 AutoML：時間序列的自動化機器學習
社群對 Merlion 比較表的關注點
- 缺乏每個庫的具體模型列表
- 對引用的 Nixtla 產品存在混淆
- 功能支援資訊不準確（例如，TimeGPT 支援外生迴歸器）
- 關於與監控工具整合能力的資訊有限
使用者強調的整合需求
- 與 Prometheus 更好的整合
- 與 Graphite 更好的整合
- 對 Grafana 的 Augurs 作為潛在解決方案的興趣
與監控工具的整合挑戰
另一個重要的討論點集中在整合能力上。使用者表達了希望在像 Merlion 這樣的時間序列分析庫與流行的監控工具（如 Prometheus 和 Graphite）之間實現更好整合的願望。這兩個監控平臺都提供基本的預測功能，但使用者發現它們的引數化選項有限，正在尋找可以與這些廣泛使用的監控系統無縫連線的更復雜解決方案。
這種整合差距代表了開源領域的一個機會，一些開發者認為這一領域目前被忽視了。一位評論者提到 Grafana 的 Augurs 可能是這一領域的潛在解決方案，表明社群正在積極尋找更好的工具來彌合複雜時間序列分析與實際監控應用之間的差距。
在新興 AI 模型中的定位
社群還提出了關於 Merlion 如何與更新的、專門的時間序列模型（如 Google 的 TimeFM）相比較的問題。一位評論者提供了有用的澄清，解釋說 TimeFM 是一個專門用於時間序列預測的單一預訓練的僅解碼器模型，而 Merlion 則為各種時間序列任務提供了一系列模型——包括神經網路和傳統模型。
這一區別突顯了時間序列分析工具的快速發展格局，一些工具專注於專業的預訓練模型，而其他工具（如 Merlion）則採用更全面的工具包方法。另一位使用者在這一背景下提到了 Salesforce 的 Moirai 專案，暗示該公司正在時間序列領域開發多種產品。
這些討論揭示了一個充滿活力的時間序列分析工具生態系統，具有不同的方法和優勢。對於處理時間序列資料的資料科學家和工程師來說，在專業模型如 TimeFM、綜合庫如 Merlion 或使用者友好的選項如 Darts（一位評論者特別稱讚其易用性和積極響應的開發團隊）之間的選擇仍然複雜，並高度依賴於特定用例。
隨著時間序列智慧的不斷發展，社群顯然重視比較的透明度、實用的整合能力，以及在這一領域不斷增長的專業和通用工具之間的明確區分。