NVIDIA julkistaa avoimen Kumo Forecast -monimuuttujaisen aikasarjamallin

NVIDIA julkisti Kumo Forecastin 21. lokakuuta 2026. Se on avoin monimuuttujainen aikasarjojen ennustemalli, jossa yhdistyvät esikoulutettu MOMENT-1-large-Transformer-runko, valinnainen historialliseen dataan perustuva haku ja mallista riippumaton tulkittavuuskehys. Aiemmin nimellä NV-Tesseract Forecasting tunnettu malli on saatavilla Apache 2.0 -lisenssillä, ja NVIDIA esitteli sen Hugging Face -blogin virallisessa julkaisussa.

Julkaisun kirjoittivat NVIDIAn Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz ja Viraj P Modak. Mallin koodi jaetaan NVIDIAn Kumo-TS GitHub -tietovarastossa, joka on avoimen lähdekoodin aikasarjakirjasto ja sisältää myös diffuusiopohjaisen Kumo-Anomaly-paketin. Esikoulutetut painot ovat saatavilla Hugging Facessa olevan nvidia/Kumo-Forecast-mallikortin kautta. Mallikortin mukaan julkaisuajankohta Hugging Facessa on 04/07/2026, käyttöönottoalue on maailmanlaajuinen, ja käyttötapaukseksi mainitaan yritykset, organisaatiot ja tutkimuskeskukset, jotka ennustavat aikasarjadataa pitkällä tai lyhyellä aikavälillä.

Esikoulutettu runko ja suora ennustaminen

Kumo Forecast käyttää runkonaan MOMENT-1-large-Transformer-enkooderia, jossa on noin 340 miljoonan parametrin perusenkooderi ja koulutettava ennustuspää. Enkooderin ja upottimen painot pidetään koulutuksen aikana jäädytettyinä, ja vain ennustuspäätä koulutetaan. Näin esikoulutettu esitysmalli erotetaan tehtäväkohtaisesta ennustekerroksesta. Suorassa ennustamisessa ennustuspää muuntaa mallin esitykset tuleviksi arvoiksi pyydetylle ennustehorisontille. Jos horisontti ylittää mallin natiivin kyvykkyyden, kirjasto tukee autoregressiivistä laajennusta, jossa ennusteita jatketaan rekursiivisesti.

Kirjasto tarjoaa DataFrame-keskeisen ohjelmointirajapinnan, jossa ennustehorisonttia voi säätää ja haussa voi käyttää valinnaista historiallista kontekstia. Syötteenä on oltava numeerista aikasarjadataa, jossa on aikaleimasarake ja vähintään yksi numeerinen arvosarake. Data annetaan pandas DataFrame-, CSV- tai JSON-muodossa, ja tuetut syötesarjan pituudet ovat 256, 512, 1024 ja 2048 havaintoa. Tulosteina saadaan pandas DataFrame -taulukoita, jotka sisältävät aikaleimat ja määritetyn ennustehorisontin ennustetut arvot.

DARR-haku ja tulkittavuus

Suoran ennustamisen lisäksi Kumo Forecast sisältää DARR-menetelmän (toimialatietoinen esitysten muodostus ja haku), joka täydentää ennusteita historialliseen dataan perustuvalla k lähimmän naapurin haulla. SDK ottaa historiatiedot vastaan erillisen context_df-argumentin kautta. Näin erotetaan toisistaan mallin syöteikkuna, joka sisältää viimeaikaiset havainnot, ja hakukonteksti, joka tuo mukaan lisäkuvioita. Kehittäjät voivat säätää kirjaston asetuksista, kuinka paljon lopullinen ennuste perustuu kumpaankin menetelmään. NVIDIA mainitsee rajoituksena, että hakukontekstin ulottuvuuksien on oltava samankaltaiset kuin syötteen kontekstin.

Tietovaraston DARR-esimerkissä alfa-arvoksi asetetaan 0,2. Koodikommentin mukaan tämä vastaa 20:tä prosenttia suorasta ennustamisesta ja 80:tä prosenttia kNN-hausta. Lisäksi k:n arvoksi asetetaan 64 ja lämpötilaksi 0,05. NVIDIA ohjaa kehittäjät tutustumaan menetelmästä tarkemmin artikkeliin Muistiavusteinen ennustaminen: skaalautuvuus ja yleistettävyys eri aika-alueilla, joka tietovaraston lähdeluettelon mukaan sisältyy vuoden 2025 IEEE International Conference on Big Data -konferenssijulkaisuun.

Tulkittavuuskehys ei ole sidoksissa tiettyyn malliin, ja se toimii muuttamatta varsinaista ennustemallia. Kun kehys otetaan käyttöön, se tuottaa selityspaketin, joka sisältää viiveiden ja piirteiden osuudet ennustehorisonteittain, semanttisen virtauksen diagnostiikan, kehityskulun vakauden diagnostiikan sekä valinnaiset upotusten integroidut gradientit. Kun SDK:ssa asetetaan interpretability=True, selityspaketti tallennetaan ennusteen yhteyteen JSON- ja CSV-tiedostoina sekä PDF-raporttina.

Kehys perustuu esijulkaisuun NVExplain: Aikasarjojen ennustamisen selittäminen latenttien kehityskulkujen analyysillä ja rakenteen säilyttävillä korvaavilla malleilla, jonka ovat kirjoittaneet Muyan Anna Li, Manikandan Ravikiran ja Aditi Gautam ja joka lähetettiin arXiviin 25. elokuuta 2026. Artikkelissa ennustaminen mallinnetaan latenttina kehityskulkuna. Siinä esitellään semanttinen virtaus, jolla mitataan tiedon kehittymistä ajan kuluessa mallin sisäisissä esityksissä, kootaan virtaus viive-horisontti-attribuutiomatriisiksi ja käytetään rakenteen säilyttäviä häiriöitä harvojen paikallisten korvaavien mallien kanssa ymmärrettävien selitysten tuottamiseen. Kirjoittajien mukaan semanttiseen virtaukseen perustuva menetelmä on uskollisuudeltaan kilpailukykyinen tai parempi kuin tavanomaiset jälkikäteiset vertailumenetelmät ja samalla huomattavasti laskennallisesti tehokkaampi. Heidän vakausanalyysinsa myös tunnistaa tilanteet, joissa tulkintoja tulee käyttää varoen.

Koulutusdata, ajoitusvaatimukset ja integraatiot

Mallikortin mukaan koulutuksessa käytettiin 3 miljoonaa datapistettä siten, että jokainen aineisto jaettiin suhteessa 80/20. Koulutusaineistona käytettiin aluksi Monash Time Series Forecasting Archivea, jota kuvaillaan monipuoliseksi 30 ensisijaisen aineiston kokoelmaksi, johon sisältyy myös puuttuvia arvoja sisältäviä muunnelmia. Mallikortissa lueteltuihin arviointiaineistoihin kuuluvat ECL, 370 asiakkaan sähkönkulutustiedot, joita kerättiin 15 minuutin välein vuosina 2011–2014; Traffic, San Franciscon lahden alueen moottoriteiden antureilla mitatut tieosuuksien käyttöasteet; ETTh, muuntajaöljyn lämpötila ja kuusi sähkökuormitusta kuvaavaa ominaisuutta, joita kerättiin tunnin välein kahden vuoden ajan; sekä ILI, Yhdysvaltain tautien torjunta- ja ehkäisykeskusten viikoittaiset tiedot, jotka kuvaavat influenssan kaltaisia oireita potevien potilaiden osuutta kaikista potilaista. Mallikortissa mainitaan lähteinä myös MOMENT-, TimeRAF- ja Beyond MAE -tutkimukset, jotka käsittelevät ajallisen riippuvuuden virheitä.

Kumo-Forecast toimii PyTorchilla Linuxissa ja tukee NVIDIA Ampere- ja Hopper-mikroarkkitehtuureja. Mallikortin mukaan päättelyä testattiin A100- ja H100-järjestelmissä, joissa kummassakin oli kahdeksan grafiikkasuoritinta. Kumo-Forecastin repositoriossa ilmoitetaan vaatimuksiksi Python 3.10 tai uudempi, PyTorch 2.7 tai uudempi, pandas ja numpy. Lisäksi suositellaan grafiikkasuoritinta, mutta sen puuttuessa käyttö siirtyy automaattisesti keskusyksikölle, ja esikoulutetut painot ladataan automaattisesti Hugging Facesta. Mallikortin mukaan mallit on suunniteltu ja optimoitu NVIDIA:n grafiikkasuorittimilla kiihdytettäville järjestelmille. Niiden integrointi tekoälyjärjestelmiin edellyttää lisäksi käyttötapauskohtaista testausta V-mallin mukaisesti.

NVIDIA suosittelee sovelluskohtaisessa arvioinnissa vertaamaan suoraa kokoonpanoa ja hakua hyödyntävää kokoonpanoa samoilla ennustejaksoilla, joita ei ole käytetty mallin koulutukseen, sekä validoimaan ennusteiden laadun suunnitelluilla ennustehorisonteilla ja käyttöolosuhteissa. Kumo-TS-repositoriossa on lisäksi esimerkki Kumo-Forecastin hienosäätämisestä käyttäjän toimittamalla CSV-tiedostolla. Näin kehittäjät saavat sekä valmiiksi koulutetun mallin päättelytyönkulun että dokumentoidun lähtökohdan mallin mukauttamiseen omaan dataansa. Käyttöönottoa käsittelevä Factory Operations Blueprint sisältää ennakkokäyttöoikeuden ennakoivan kunnossapidon moduuliin, joka analysoi reaaliaikaista dataa Kumo Anomalyn ja Kumo Forecastin avulla ja ennustaa tulevia poikkeamia. Lisäksi NVIDIAn julkaisussa on linkki GTC San Jose 2026 -sessioon, jossa käsitellään alustan integrointia.