Основные моменты (кратко)
NVIDIA Kumo Forecast (ранее известный как NV-Tesseract Forecasting) — это многомерная модель прогнозирования временных рядов, которая объединяет предобученную основу Transformer с методом Domain-Aware Representation and Retrieval (DARR). Последний представляет собой режим прогнозирования с расширенным контекстом, который сочетает прямые предсказания модели с паттернами, извлеченными из исторических данных. Это также включает интерпретируемость результатов. Созданный на базе MOMENT-1-large, Kumo Forecast использует базовый энкодер примерно с 340 миллионами параметров и обучаемую голову прогнозирования.
Библиотека предоставляет API, ориентированный на DataFrame, настраиваемые горизонты прогнозирования, опциональный исторический контекст для поиска и фреймворк интерпретируемости, который формирует объяснения для конкретных горизонтов без изменения лежащей в основе модели прогнозирования.
Kumo-Forecast доступен на Apache 2.0 license.
Код модели: NVIDIA/Kumo-TS Веса модели: nvidia/Kumo-Forecast
Переход к прогнозированию временных рядов с расширенным контекстом
Система прогнозирования может использовать два разных источника информации: представления, изученные во время предварительного обучения, и исторические наблюдения, доступные для текущего приложения. Kumo-Forecast объединяет их с помощью предобученной модели прогнозирования и опционального пути поиска по историческому контексту.
В своем пути прямого прогнозирования Kumo-Forecast использует трансформер на базе MOMENT и обученную голову прогнозирования для предсказания будущих значений. В режиме Domain Aware Representation and Retrieval (DARR) он также извлекает связанные паттерны из исторических данных с использованием метода k-ближайших соседей и объединяет эту информацию с прямым прогнозом.
Это создает разницу между входным окном модели и контекстом поиска. Входное окно предоставляет недавние наблюдения для прогноза; отдельный исторический DataFrame может предоставить дополнительный контекст для поиска паттернов. Разработчики могут настраивать степень влияния каждого пути на финальное предсказание с помощью параметров конфигурации библиотеки.
Дополнительную информацию о режиме DARR можно найти в этой опубликованной статье: Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains
Как работает Kumo Forecast
Kumo-Forecast объединяет четыре основных компонента: предобученный темпоральный энкодер, обучаемую голову прогнозирования, механизм поиска исторических паттернов и фреймворк интерпретируемости.
Предобученные темпоральные представления: модель использует энкодер-трансформер MOMENT-1-large в качестве основы. Архитектура сохраняет веса энкодера и эмбеддера замороженными во время обучения головы прогнозирования, отделяя модель предобученных представлений от слоя предсказаний для конкретной задачи.
Прямое прогнозирование: голова прогнозирования сопоставляет представления модели с будущими значениями для запрошенного горизонта. Для горизонтов, превышающих возможности модели по умолчанию, предусмотрена поддержка авторегрессионного расширения. Это отличает напрямую сгенерированный прогноз от более длинного прогноза, который расширяет предсказания рекурсивно.
Представление и поиск с учетом предметной области: DARR дополняет прямое прогнозирование поиском методом k-ближайших соседей по данным исторического контекста. Этот процесс объединяет прямые прогнозы с поиском исторических паттернов, в то время как SDK принимает исторический контекст через отдельный аргумент context_df.
Интерпретируемость: Kumo-Forecasting также включает в себя фреймворк интерпретируемости, не зависящий от конкретной модели. При включении он создает пакет объяснений, содержащий атрибуции лагов и признаков для каждого горизонта прогнозирования, диагностику семантического потока, диагностику стабильности траектории и опциональные градиенты с интегрированными эмбеддингами (Integrated Gradients). Эти результаты сопровождают прогноз, не требуя иной архитектуры прогнозирования.
Более подробную информацию об интерпретируемости можно найти в этой статье: NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
Ограничения
Данные должны быть числовыми и временными. Поддерживаемые длины входных последовательностей включают 256, 512, 1024 и 2048 наблюдений. Входные данные состоят из колонки временных меток и одной или нескольких колонок числовых значений, представленных в виде pandas DataFrame или ввода CSV/JSON. При использовании режима DARR размерности контекста должны быть близки к контексту входных данных.
Демонстрация: Предиктивное обслуживание
План фабричных операций (FOX) (Factory Operations (FOX) Blueprint) включает ранний доступ к модулю предиктивного обслуживания (Predictive Maintenance), который использует Kumo Anomaly и Kumo Forecast. Он анализирует данные в реальном времени для прогнозирования будущих аномалий. Ваш браузер не поддерживает тег video.
Демонстрация: Интеграция с платформой
Пожалуйста, нажмите на изображение ниже, чтобы получить доступ к сессии с GTC San Jose 2026
Начало работы с Kumo Forecast
Для оценки под конкретное приложение сравните конфигурации прямого прогнозирования и прогнозирования с поиском на одних и тех же отложенных окнах прогнозирования. Проверьте качество прогноза для предполагаемых горизонтов и условий работы в соответствии с требованиями NVIDIA к тестированию под конкретные сценарии использования.
Код модели: Веса модели: nvidia/Kumo-Forecast
Репозиторий Kumo-TS дополнительно содержит пример тонкиой настройки (fine-tuning) Kumo-Forecast на предоставленных пользователем CSV-данных. Таким образом, разработчики получают как рабочий процесс предобученного инференса, так и документированную отправную точку для адаптации модели под собственные данные.
