NVIDIA představuje otevřený vícerozměrný model Kumo Forecast pro prognózování časových řad

NVIDIA představila 21. října 2026 model Kumo Forecast, otevřený vícerozměrný model pro prognózování časových řad, který kombinuje předtrénovaný základní model Transformer MOMENT-1-large s volitelným vyhledáváním v historických datech a rámcem interpretovatelnosti nezávislým na modelu. Model, dříve známý jako NV-Tesseract Forecasting, je dostupný pod licencí Apache 2.0 a NVIDIA jej podrobně představila v oficiálním příspěvku na blogu Hugging Face.

Příspěvek napsali Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz a Viraj P Modak ze společnosti NVIDIA. Kód modelu je distribuován prostřednictvím repozitáře NVIDIA/Kumo-TS na GitHubu, knihovny časových řad s otevřeným zdrojovým kódem, která obsahuje také balíček Kumo-Anomaly založený na difuzním modelu. Předtrénované váhy jsou k dispozici prostřednictvím modelové karty nvidia/Kumo-Forecast na Hugging Face. Karta uvádí datum vydání na Hugging Face 04/07/2026, globální nasazení a deklarovaný účel použití: prognózování časových dat s dlouhým i krátkým horizontem ve firmách, organizacích a výzkumných centrech.

Předtrénovaný základní model a přímé prognózování

Kumo Forecast využívá jako základní model kodér Transformer MOMENT-1-large, jehož základem je kodér s přibližně 340 miliony parametrů a trénovatelnou prognostickou hlavou. Váhy kodéru a embedderu zůstávají během trénování zmrazené a trénuje se pouze prognostická hlava, čímž se předtrénovaný model reprezentací odděluje od predikční vrstvy specifické pro danou úlohu. Při přímém prognózování hlava převádí reprezentace modelu na budoucí hodnoty pro požadovaný horizont; pro horizonty přesahující nativní schopnosti modelu knihovna podporuje autoregresivní prodloužení, které rekurzivně rozšiřuje prognózy.

Knihovna nabízí rozhraní API založené především na DataFrame, s nastavitelnými prognostickými horizonty a volitelným využitím historického kontextu při vyhledávání. Vstupem musí být číselná časová data tvořená sloupcem s časovými značkami a jedním či více sloupci s číselnými hodnotami. Data se předávají jako pandas DataFrame nebo soubor CSV/JSON. Podporované délky vstupních sekvencí jsou 256, 512, 1024 a 2048 pozorování. Výstupem jsou pandas DataFrame obsahující časové značky a predikované hodnoty pro zadaný prognostický horizont.

Vyhledávání DARR a interpretovatelnost

Kromě přímého prognózování zahrnuje Kumo Forecast také režim Domain-Aware Representation and Retrieval (DARR), který rozšiřuje predikce o vyhledávání historických dat pomocí algoritmu k nejbližších sousedů. SDK přijímá tato historická data prostřednictvím samostatného argumentu context_df, čímž se odlišuje vstupní okno modelu, které poskytuje nedávná pozorování, od kontextu pro vyhledávání, který dodává další vzorce. Vývojáři mohou v možnostech konfigurace knihovny nastavit, jakou váhu má mít každá z těchto cest při tvorbě výsledné predikce. NVIDIA jako omezení uvádí, že rozměry kontextu pro vyhledávání musí být podobné rozměrům vstupního kontextu.

Příklad DARR v repozitáři nastavuje hodnotu alpha na 0.2, což je v komentáři kódu popsáno jako 20 procent přímého prognózování a 80 procent vyhledávání pomocí kNN; dále nastavuje k na 64 a teplotu na 0.05. Podrobnější informace o tomto režimu najdou vývojáři v článku Předpovídání s podporou paměti: škálovatelnost a zobecnění napříč časovými doménami, který je v seznamu referencí repozitáře uveden ve sborníku konference IEEE International Conference on Big Data 2025.

Rámec interpretovatelnosti je nezávislý na modelu a funguje bez úprav základního prognostického modelu. Je-li zapnutý, vytváří soubor vysvětlení obsahující atribuce zpoždění a příznaků pro každý prognostický horizont, diagnostiku sémantického toku, diagnostiku stability trajektorie a volitelnou metodu Integrated Gradients pro embeddingy. Předáním hodnoty interpretability=True v SDK se soubor s vysvětleními uloží vedle prognózy jako soubory JSON a CSV a zpráva ve formátu PDF.

Rámec vychází z preprintu NVExplain: Vysvětlování prognózování časových řad pomocí analýzy latentních trajektorií a náhradních modelů zachovávajících strukturu, jehož autory jsou Muyan Anna Li, Manikandan Ravikiran a Aditi Gautam. Článek byl odeslán na arXiv 25. srpna 2026. Autoři modelují prognózování jako latentní trajektorii, zavádějí sémantický tok pro kvantifikaci vývoje informací v čase v interních reprezentacích modelu, agregují tento tok do matice atribucí zpoždění a horizontu a používají perturbace zachovávající strukturu spolu se řídkými lokálními náhradními modely k vytváření vysvětlení srozumitelných lidem. Autoři uvádějí, že varianta se sémantickým tokem dosahuje srovnatelné nebo vyšší věrnosti než standardní následné výchozí metody a zároveň je podstatně výpočetně efektivnější. Jejich analýza stability navíc identifikuje režimy, v nichž je třeba interpretaci používat obezřetně.

Trénovací data, požadavky na běh a integrace

Podle karty modelu se při trénování použily 3 miliony datových bodů, přičemž každý soubor dat byl rozdělen v poměru 80/20. Jako první byl použit Monash Time Series Forecasting Archive, popsaný jako rozmanitá kolekce 30 hlavních souborů dat, která zahrnuje i varianty s chybějícími hodnotami. Mezi soubory dat uvedené na kartě pro vyhodnocení patří ECL, data o spotřebě elektřiny od 370 odběratelů zaznamenávaná každých 15 minut v letech 2011 až 2014; Traffic, míra obsazenosti silnic měřená senzory na dálnicích v oblasti zálivu San Francisca; ETTh, teplota oleje v elektrických transformátorech a šest charakteristik elektrického zatížení zaznamenávaných každou hodinu po dobu dvou let; a ILI, týdenní data amerického Centers for Disease Control popisující poměr pacientů s onemocněním podobným chřipce k celkovému počtu pacientů. Karta jako zdroje uvádí také studie MOMENT, TimeRAF a Beyond MAE věnované chybám v časové závislosti.

Kumo-Forecast běží na PyTorch a v systému Linux podporuje mikroarchitektury NVIDIA Ampere a Hopper. Karta modelu uvádí, že inference byla testována na systémech A100 a H100, z nichž každý měl osm GPU. Úložiště pro Kumo-Forecast stanovuje jako požadavky Python 3.10 nebo novější, PyTorch 2.7 nebo novější, pandas a numpy; doporučuje GPU s automatickým přechodem na CPU a předtrénované váhy automaticky stahuje z Hugging Face. Karta modelu uvádí, že modely jsou navrženy a optimalizovány pro systémy s akcelerací GPU NVIDIA a že jejich integrace do systémů umělé inteligence vyžaduje další testování přizpůsobené konkrétnímu případu použití podle metodiky V-modelu.

Pro vyhodnocení konkrétní aplikace NVIDIA doporučuje porovnat přímou konfiguraci s konfigurací rozšířenou o vyhledávání na stejných vyhrazených oknech pro předpovídání a ověřit kvalitu předpovědí v zamýšlených časových horizontech a provozních podmínkách. Úložiště Kumo-TS navíc obsahuje příklad doladění Kumo-Forecast na souboru CSV dodaném uživatelem, takže vývojáři mají k dispozici jak postup pro inferenci s předtrénovaným modelem, tak zdokumentovaný výchozí bod pro přizpůsobení modelu vlastním datům. Pokud jde o nasazení, Factory Operations Blueprint zahrnuje předběžný přístup k modulu Predictive Maintenance, který pomocí Kumo Anomaly a Kumo Forecast analyzuje data v reálném čase a předpovídá budoucí anomálie. Příspěvek společnosti NVIDIA také odkazuje na přednášku na GTC San Jose 2026 věnovanou integraci platformy.