Hugging Face Blog · 2026/10/21 20:51:24
NVIDIA 发布 Kumo Forecast 融合预训练与时序检索
NVIDIA 推出多变量时序预测模型 Kumo Forecast，该模型基于预训练 Transformer 骨干网络。其核心创新在于引入领域感知表示与检索（DARR）机制，将直接模型预测与历史数据模式检索相结合，显著提升了预测的可解释性与准确性。
报道全文原始报道全文
本文目录8 个章节
NVIDIA Kumo Forecast 将预训练时间序列表征与历史模式检索及可解释性相结合
企业 + 文章 发布于 2026 年 10 月 21 日 点赞 2
Saira Qureshi sairaq nvidia Aditi Gautam adgautam nvidia Manikandan Ravikiran mravikirannvidia nvidia Sena Ekiz neptunel1 nvidia Viraj P Modak vmodak nvidia
核心亮点 (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 主干网络与领域感知表征和检索（DARR）相结合。DARR 是一种上下文增强型预测模式，它将模型的直接预测结果与从历史数据中检索到的模式进行融合，并包含对结果的可解释性分析。Kumo Forecast 基于 MOMENT-1-large 主干网络构建，使用一个约 3.4 亿参数的基础编码器加上一个可训练的预测头。
该库提供了以 DataFrame 为核心的 API、可配置的预测范围、用于检索的可选历史上下文，以及一个可解释性框架，该框架能够在不修改底层预测器的情况下生成针对特定预测范围的解释。
Kumo-Forecast 采用 Apache 2.0 许可证发布。
模型代码：NVIDIA/Kumo-TS 模型权重：nvidia/Kumo-Forecast
向上下文增强型时间序列预测的转变
预测系统可以利用两种不同的信息来源：在预训练过程中学习到的表征，以及当前应用中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个针对历史上下文的可选检索路径，将这两者结合起来。
在直接预测路径中，Kumo-Forecast 使用基于 MOMENT 的 Transformer 和一个经过训练的预测头来预测未来值。在领域感知表示与检索（DARR）模式下，它还利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相结合。
这在模型的输入窗口和检索上下文之间建立了区分。输入窗口为预测提供近期的观测数据；而一个独立的历史 DataFrame 可以为模式检索提供额外的上下文信息。开发者可以通过库的配置选项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，请参阅已发表的论文 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。
预训练时间表示：该模型以 MOMENT-1-large Transformer 编码器作为骨干网络。在架构上，它在训练预测头时保持编码器和嵌入层的权重冻结，从而将预训练的表示模型与任务特定的预测层分离开来。
直接预测：预测头将模型的表示映射到所请求时间范围的未来值。对于超出模型原生能力的时间范围，支持自回归扩展。这区分了直接生成的预测与通过递归方式延长预测得到的更长时间范围的预测。
领域感知表示与检索：DARR 通过对历史上下文数据进行 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 通过独立的 context_df 参数接受历史上下文数据。
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间范围的滞后和特征归因、语义流诊断、轨迹稳定性诊断以及可选的嵌入积分梯度（Integrated Gradients）。这些输出伴随预测结果一同产生，无需采用不同的预测架构。
关于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
数据必须为数值型时间序列数据。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，表示为 pandas DataFrame 或 CSV/JSON 格式。在使用 DARR 模式时，上下文的维度必须与输入的上下文维度相似。
演示：预测性维护
Factory Operations (FOX) Blueprint 包含预测性维护模块的早期访问权限，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。您的浏览器不支持视频标签。
演示：平台集成
请点击下方图片以访问 GTC San Jose 2026 的相关会议内容
开始使用 Kumo Forecast 构建
对于特定应用的评估，请在相同的保留测试窗口上比较直接配置和检索增强配置。在预期的预测范围和运行条件下验证预测质量，这符合 NVIDIA 对特定用例测试的要求。
模型代码：NVIDIA/Kumo-TS 模型权重：nvidia/Kumo-Forecast
Kumo-TS 仓库还提供了一个示例，用于在用户提供的 CSV 数据上微调 Kumo-Forecast。因此，开发人员既拥有预训练推理工作流，也有将模型适配到自身数据的文档化起点。