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

亮点（TL;DR）

NVIDIA Kumo Forecast（原名 NV-Tesseract Forecasting）是一种多变量时间序列预测模型，它将预训练 Transformer 主干网络与领域感知表示和检索（DARR）相结合。DARR 是一种上下文增强预测模式，会融合模型直接预测结果与从历史数据中检索出的模式，并支持对结果进行解释。Kumo Forecast 基于 MOMENT-1-large 主干网络构建，使用一个约含 3.4 亿个参数的基础编码器，以及一个可训练的预测头。

该库提供以 DataFrame 为先的 API、可配置的预测范围、可选的历史上下文检索，以及一个可生成特定预测范围解释的可解释性框架，且不会修改底层预测器。

Kumo-Forecast 采用 Apache 2.0 许可证。

模型代码：NVIDIA/Kumo-TS
模型权重：nvidia/Kumo-Forecast

迈向上下文增强的时间序列预测

预测系统可以利用两种不同的信息来源：预训练期间学到的表示，以及当前应用可用的历史观测数据。Kumo-Forecast 通过预训练预测模型和可选的历史上下文检索路径，将二者结合起来。

在直接预测路径中，Kumo-Forecast 使用基于 MOMENT 的 Transformer 和经过训练的预测头来预测未来值。在领域感知表示和检索（DARR）模式下，它还会采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结果结合起来。

这使模型的输入窗口与检索上下文有所区别。输入窗口提供近期观测数据以进行预测；单独的历史 DataFrame 则可提供额外上下文，用于模式检索。开发者可以通过库的配置选项调整最终预测对各条路径的依赖程度。

有关 DARR 模式的更多信息，请参阅这篇已发表的论文：《记忆增强预测：跨时间领域的可扩展性与泛化能力》

Kumo Forecast 的工作原理

Kumo-Forecast 由四个主要组件构成：预训练时序编码器、可训练预测头、历史模式检索机制，以及可解释性框架。

预训练时序表示：该模型使用 MOMENT-1-large Transformer 编码器作为主干网络。该架构保持编码器和嵌入器权重冻结，同时训练预测头，从而将预训练表示模型与特定任务的预测层分离。

直接预测：预测头将模型的表示映射为指定预测范围内的未来值。对于超出模型原生能力的预测范围，模型支持自回归扩展。这一区分了直接生成的预测结果与通过递归扩展预测得出的较长范围预测结果。

领域感知表示和检索：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。该过程将直接预测结果与历史模式检索相结合，而 SDK 通过单独的 context_df 参数接收历史上下文。

可解释性：Kumo-Forecasting 还包含一个与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域的滞后项和特征归因、语义流诊断、轨迹稳定性诊断，以及可选的嵌入 Integrated Gradients。这些输出与预测结果一同提供，无需采用不同的预测架构。

关于可解释性的更多详情，请参阅这篇论文：NVExplain：通过潜在轨迹分析和保结构代理模型解释时间序列预测

局限性

数据必须是数值型时间数据。支持的输入序列长度包括 256、512、1024 和 2048 个观测值。输入由时间戳列和一个或多个数值列组成，格式可以是 pandas DataFrame，也可以是 CSV/JSON 输入。使用 DARR 模式时，上下文的维度必须与输入上下文相似。

演示：预测性维护

Factory Operations (FOX) Blueprint 包含可提前体验的预测性维护模块，该模块使用 Kumo Anomaly 和 Kumo Forecast。它会分析实时数据，以预测未来的异常情况。

演示：平台集成

请点击下方图片，观看 GTC San Jose 2026 的会议内容

开始使用 Kumo Forecast 进行开发

针对特定应用进行评估时，请在相同的留出预测窗口上比较直接配置与检索增强配置。根据 NVIDIA 对特定用例测试的要求，在预期的预测时域和运行条件下验证预测质量

模型代码：NVIDIA/Kumo-TS
模型权重：nvidia/Kumo-Forecast

Kumo-TS 仓库还提供了一个示例，演示如何使用用户提供的 CSV 对 Kumo-Forecast 进行微调。因此，开发者既可以使用预训练模型进行推理，也可以参考文档所提供的起点，根据自己的数据调整模型。