NVIDIA, 다변량 시계열 예측 모델 Kumo Forecast 공개

NVIDIA는 2026년 10월 21일 Kumo Forecast를 발표했다. 이 오픈소스 다변량 시계열 예측 모델은 사전 학습된 MOMENT-1-large Transformer 백본과 과거 데이터에 대한 선택적 검색 기능, 모델에 구애받지 않는 해석 가능성 프레임워크를 결합한다. 이전에 NV-Tesseract Forecasting으로 알려졌던 이 모델은 Apache 2.0 라이선스로 제공되며, NVIDIA는 Hugging Face 블로그의 공식 게시물에서 자세한 내용을 공개했다.

이 게시물은 NVIDIA의 Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz, Viraj P Modak이 작성했다. 모델 코드는 오픈소스 시계열 라이브러리인 NVIDIA/Kumo-TS GitHub 저장소에서 배포된다. 이 라이브러리에는 확산 모델 기반 Kumo-Anomaly 패키지도 포함되어 있다. 사전 학습된 가중치는 Hugging Face의 nvidia/Kumo-Forecast 모델 카드를 통해 제공된다. 모델 카드에는 Hugging Face 공개일이 04/07/2026으로 기재되어 있으며, 전 세계 배포와 함께 기업, 기관, 연구 허브가 시계열 데이터에 대해 장기 또는 단기 예측을 수행하는 용도를 명시하고 있다.

사전 학습된 백본과 직접 예측

Kumo Forecast는 MOMENT-1-large Transformer 인코더를 백본으로 사용하며, 약 3억 4천만 개의 매개변수로 구성된 기본 인코더와 학습 가능한 예측 헤드를 갖춘다. 학습 중에는 인코더와 임베더의 가중치를 고정하고 예측 헤드만 학습하므로, 사전 학습된 표현 모델과 작업별 예측 계층이 분리된다. 직접 예측 경로에서는 헤드가 모델의 표현을 요청된 예측 구간의 미래 값으로 변환한다. 모델의 기본 처리 범위를 넘어서는 예측 구간에는 예측값을 재귀적으로 확장하는 자기회귀 확장 기능을 지원한다.

이 라이브러리는 예측 구간을 설정할 수 있고 검색에 과거 데이터를 선택적으로 활용하는 DataFrame 중심 API를 제공한다. 입력은 타임스탬프 열과 하나 이상의 숫자형 값 열로 이루어진 숫자 시계열 데이터여야 하며, pandas DataFrame이나 CSV/JSON 형식으로 제공해야 한다. 지원되는 입력 시퀀스 길이는 관측값 256개, 512개, 1024개, 2048개다. 출력은 지정된 예측 구간의 타임스탬프와 예측값을 담은 pandas DataFrame이다.

DARR 검색 및 해석 가능성

직접 예측 외에도 Kumo Forecast는 도메인 인식 표현 및 검색(Domain-Aware Representation and Retrieval, DARR)을 포함한다. 이 모드는 과거 데이터에서 k-최근접 이웃 검색을 수행해 예측을 보강한다. SDK는 별도의 context_df 인수를 통해 과거 데이터를 받으므로, 최근 관측값을 제공하는 모델 입력 구간과 추가 패턴을 제공하는 검색 컨텍스트가 구분된다. 개발자는 라이브러리의 설정 옵션을 사용해 최종 예측에서 각 경로에 부여하는 비중을 조정할 수 있다. NVIDIA는 검색 컨텍스트의 차원이 입력 컨텍스트의 차원과 비슷해야 한다는 점을 한계로 명시한다.

저장소의 DARR 예제에서는 alpha를 0.2로 설정한다. 코드 주석에 따르면 이는 직접 예측 20%와 kNN 검색 80%의 비중을 뜻하며, k는 64, 온도는 0.05로 설정한다. 이 모드에 대한 자세한 내용은 NVIDIA가 개발자에게 안내하는 논문 시공간 도메인 전반의 확장성과 일반화를 위한 메모리 증강 예측에서 확인할 수 있다. 저장소의 참고 문헌 목록에 따르면 이 논문은 2025년 IEEE 국제 빅데이터 학회 논문집에 수록됐다.

해석 가능성 프레임워크는 모델에 구애받지 않으며 기본 예측 모델을 수정하지 않고 작동한다. 이 기능을 켜면 예측 구간별 시차 및 특성 기여도, 의미 흐름 진단, 궤적 안정성 진단, 선택적 임베딩 Integrated Gradients를 담은 설명 자료 묶음이 생성된다. SDK에서 interpretability=True를 전달하면 예측 결과와 함께 JSON 및 CSV 파일과 PDF 보고서로 자료 묶음이 저장된다.

이 프레임워크는 Muyan Anna Li, Manikandan Ravikiran, Aditi Gautam이 작성해 2026년 8월 25일 arXiv에 제출한 사전 공개 논문 NVExplain: 잠재 궤적 분석과 구조 보존 대리 모델을 통한 시계열 예측 설명을 따른다. 이 논문은 예측을 잠재 궤적으로 모델링하고, 모델의 내부 표현에서 정보가 시간에 따라 어떻게 변화하는지 정량화하는 의미 흐름을 도입한다. 이어 흐름을 시차-예측 구간 기여도 행렬로 통합하고, 구조를 보존하는 교란 기법과 희소 국소 대리 모델을 적용해 사람이 이해할 수 있는 설명을 생성한다. 저자들은 의미 흐름 방식이 표준 사후 분석 기준선과 비교해 충실도가 대등하거나 더 우수하면서도 계산 효율이 크게 높다고 보고한다. 또한 안정성 분석을 통해 해석을 신중하게 적용해야 하는 조건을 밝혀냈다고 설명한다.

학습 데이터, 실행 요구 사항 및 통합

모델 카드에 따르면, 학습에는 데이터 세트별로 80/20 비율로 나눈 300만 개의 데이터 포인트가 사용됐으며, 결측값이 있는 다양한 변형을 포함한 30개의 주요 데이터 세트로 구성된 다채로운 모음집인 Monash Time Series Forecasting Archive가 그 시작점이었습니다. 카드에 명시된 평가 데이터 세트는 다음과 같습니다. ECL은 2011년부터 2014년까지 15분마다 기록한 370개 고객의 전력 소비 데이터이고, Traffic은 샌프란시스코 베이 지역 고속도로의 센서가 측정한 도로 점유율 데이터이며, ETTh는 2년에 걸쳐 매시간 수집한 변압기 오일 온도와 6개의 전력 부하 특성 데이터입니다. ILI는 인플루엔자 유사 질환 환자가 전체 환자에서 차지하는 비율을 보여 주는 미국 질병통제센터의 주간 데이터입니다. 또한 카드에서는 MOMENT, TimeRAF, Beyond MAE의 시계열 의존성 오류 관련 논문을 참고 문헌으로 인용합니다.

Kumo-Forecast는 Linux에서 NVIDIA Ampere 및 Hopper 마이크로아키텍처를 지원하는 PyTorch 기반으로 실행되며, 모델 카드에 따르면 GPU 8개를 탑재한 A100 및 H100 시스템에서 추론 테스트를 진행했습니다. 저장소에는 Kumo-Forecast의 요구 사항으로 Python 3.10 이상, PyTorch 2.7 이상, pandas, numpy가 명시되어 있습니다. GPU 사용을 권장하지만 GPU가 없으면 자동으로 CPU로 전환하며, Hugging Face에서 사전 학습된 가중치를 자동으로 내려받습니다. 모델 카드에는 이 모델들이 NVIDIA GPU 가속 시스템에 맞춰 설계되고 최적화됐으며, AI 시스템에 통합하려면 V-모델 방법론에 따라 사용 사례별 추가 테스트를 해야 한다고 명시되어 있습니다.

NVIDIA는 애플리케이션별 평가를 위해 동일한 홀드아웃 예측 구간에서 직접 구성과 검색 증강 구성을 비교하고, 목표 예측 기간 및 운영 조건 전반에서 예측 품질을 검증할 것을 권고합니다. Kumo-TS 저장소에는 사용자가 제공한 CSV를 이용해 Kumo-Forecast를 미세 조정하는 예시도 포함되어 있어, 개발자는 사전 학습 모델의 추론 워크플로와 자체 데이터에 맞게 모델을 조정하기 위한 문서화된 출발점을 모두 활용할 수 있습니다. 배포 측면에서 Factory Operations Blueprint에는 예측 유지보수 모듈 얼리 액세스가 포함되어 있습니다. 이 모듈은 Kumo Anomaly와 Kumo Forecast를 사용해 실시간 데이터를 분석하고 향후 이상 징후를 예측하며, NVIDIA의 게시물에는 플랫폼 통합을 다루는 GTC San Jose 2026 세션 링크가 있습니다.