NVIDIA Kumo Forecast：结合预训练时间序列表示、历史模式检索与可解释性
NVIDIA Kumo Forecast Combines Pretrained Time-Series Representations with Historical Pattern Retrieval and Interpretability
NVIDIA 发布多元时间序列预测模型 Kumo Forecast（原名 NV-Tesseract Forecasting），基于约 3.4 亿参数的 MOMENT-1-large Transformer 编码器加可训练预测头，并通过 DARR 模式以 k 近邻检索历史模式增强直接预测。
要点速览（TL;DR）
NVIDIA Kumo Forecast（前身为 NV-Tesseract Forecasting）是一个多变量时间序列预测模型，它将预训练的 Transformer 骨干网络与领域感知表示与检索（DARR）相结合，这是一种上下文增强的预测模式，将模型的直接预测与从历史数据中检索到的模式融合在一起。这还包括结果的可解释性。Kumo Forecast 构建于 MOMENT-1-large 骨干网络之上，使用约 3.4 亿参数的基础编码器外加一个可训练的预测头。
该库提供 DataFrame 优先的 API、可配置的预测时间范围、可选的用于检索的历史上下文，以及一个可解释性框架，无需修改底层预测器即可生成针对特定时间范围的解释。
Kumo-Forecast 以 Apache 2.0 许可证发布。
模型代码：NVIDIA/Kumo-TS
模型权重：nvidia/Kumo-Forecast
向上下文增强的时间序列预测的转变
一个预测系统可以利用两种不同的信息来源：预训练期间学习到的表示，以及当前应用可用的历史观测数据。Kumo-Forecast 通过一个预训练的预测模型和一条可选的基于历史上下文的检索路径，将这两者结合在一起。
在其直接预测路径中，Kumo-Forecast 使用基于 MOMENT 的 Transformer 和训练好的预测头来预测未来值。在领域感知表示与检索（DARR）模式下，它还会使用最近邻方法从历史数据中检索相关模式，并将这些信息与直接预测相结合。
这在模型的输入窗口与其检索上下文之间形成了区分。输入窗口为预测提供近期的观测数据；而一个单独的历史 DataFrame 可以为模式检索提供额外的上下文。开发者可以通过该库的配置选项来调整最终预测对每条路径的依赖程度。
有关 DARR 模式的更多信息，可参见这篇已发表的论文：Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains
Kumo Forecast 的工作原理
Kumo-Forecast 结合了四个主要组件：预训练的时间编码器、可训练的预测头、历史模式检索机制以及可解释性框架。
预训练的时间表示：该模型使用 MOMENT-1-large Transformer 编码器作为其骨干网络。该架构在训练预测头时保持编码器和嵌入器的权重冻结，从而将预训练的表示模型与特定任务的预测层分离开来。
直接预测：预测头将模型的表示映射到所请求时间范围内的未来值。对于超出模型原生能力的时间范围，它支持自回归扩展。这将直接生成的预测与通过递归扩展预测得到的更长预测区分开来。
领域感知表示与检索：DARR 通过从历史上下文数据中进行 k 近邻检索来增强直接预测。这一过程将直接预测与历史模式检索相结合，同时 SDK 通过单独的 context_df 参数接收历史上下文。
可解释性：Kumo-Forecasting 还包含一个模型无关的可解释性框架。启用后，它会生成一个解释包，其中包含每个预测时间步的滞后归因和特征归因、语义流诊断、轨迹稳定性诊断，以及可选的嵌入 Integrated Gradients。这些输出随预测一同提供，而不需要使用不同的预测架构。
有关可解释性的更多细节，请参阅这篇论文：NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
局限性
数据必须是数值型的时间序列数据。支持的输入序列长度包括 256、512、1024 和 2048 个观测值。输入由一个时间戳列和一个或多个数值列组成，以 pandas DataFrame 或 CSV/JSON 输入的形式表示。在使用 DARR 模式时，上下文的维度必须与输入的上下文相似。
演示：预测性维护
Factory Operations (FOX) Blueprint 包含预测性维护模块的抢先体验，该模块利用了 Kumo Anomaly 和 Kumo Forecast。它分析实时数据以预测未来的异常。
演示：平台集成
请点击下方图片，访问来自 GTC San Jose 2026 的会议内容
开始使用 Kumo Forecast 构建
对于特定应用的评估，请在相同的保留预测窗口上比较直接配置和检索增强配置。在预期的时间范围和运行条件下验证预测质量，这符合 NVIDIA 对用例特定测试的要求
模型代码：NVIDIA/Kumo-TS
模型权重：nvidia/Kumo-Forecast
Kumo-TS 仓库还提供了一个在用户提供的 CSV 上微调 Kumo-Forecast 的示例。因此，开发者既拥有预训练推理工作流，也有一个将模型适配到自身数据的文档化起点。
来源： Hugging Face Blog · huggingface.co