NVIDIA kondigt open multivariaat tijdreeksvoorspellingsmodel Kumo Forecast aan

NVIDIA kondigde Kumo Forecast aan op 21 oktober 2026: een open model voor multivariate tijdreeksvoorspellingen dat een vooraf getrainde MOMENT-1-large-Transformer als basis combineert met de mogelijkheid om historische gegevens op te halen en een modelagnostisch interpretatiekader. Het model, voorheen bekend als NV-Tesseract Forecasting, is beschikbaar onder de Apache 2.0-licentie. NVIDIA gaf er meer informatie over in een officieel bericht op de Hugging Face-blog.

Het bericht is geschreven door Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz en Viraj P Modak van NVIDIA. De modelcode wordt verspreid via de GitHub-repository NVIDIA/Kumo-TS, een opensourcebibliotheek voor tijdreeksen waarin ook het op diffusie gebaseerde pakket Kumo-Anomaly is ondergebracht. De vooraf getrainde gewichten zijn beschikbaar via de modelkaart nvidia/Kumo-Forecast op Hugging Face. De modelkaart vermeldt als releasedatum op Hugging Face 04/07/2026, wereldwijde inzetbaarheid en als beoogd gebruik bedrijven, organisaties en onderzoekscentra die tijdreeksgegevens gebruiken voor voorspellingen met een lange of korte tijdshorizon.

Vooraf getrainde basis en directe voorspellingen

Kumo Forecast gebruikt de MOMENT-1-large-Transformer-encoder als basis, met een basisencoder van ongeveer 340 miljoen parameters en een trainbare voorspellingskop. Tijdens de training blijven de gewichten van de encoder en de embedder bevroren; alleen de voorspellingskop wordt getraind. Zo blijft het vooraf getrainde representatiemodel gescheiden van de taakspecifieke voorspellingslaag. Bij directe voorspellingen zet de kop de representaties van het model om in toekomstige waarden voor de opgegeven tijdshorizon. Voor tijdshorizonten die verder reiken dan het model standaard aankan, ondersteunt de bibliotheek een autoregressieve uitbreiding waarbij voorspellingen recursief worden verlengd.

De bibliotheek biedt een API die is opgebouwd rond DataFrames, met instelbare voorspellingshorizonten en optionele historische context om gegevens op te halen. Invoer moet bestaan uit numerieke tijdreeksgegevens met een kolom voor tijdstempels en een of meer kolommen met numerieke waarden. De gegevens kunnen worden aangeleverd als pandas-DataFrame of als CSV/JSON. Ondersteunde lengtes van de invoerreeksen zijn 256, 512, 1024 en 2048 waarnemingen. De uitvoer bestaat uit pandas-DataFrames met tijdstempels en voorspelde waarden voor de opgegeven voorspellingshorizon.

DARR: gegevens ophalen en interpreteerbaarheid

Naast directe voorspellingen bevat Kumo Forecast Domain-Aware Representation and Retrieval (DARR), een modus met contextverrijking die voorspellingen aanvult met het ophalen van historische gegevens via de k dichtstbijzijnde buren. De SDK accepteert die historische gegevens via een afzonderlijk argument, context_df. Daarmee maakt het onderscheid tussen het invoervenster van het model, dat recente waarnemingen bevat, en de ophaalcontext, die aanvullende patronen aanlevert. Ontwikkelaars kunnen via de configuratieopties van de bibliotheek instellen hoe zwaar elke route meeweegt in de uiteindelijke voorspelling. NVIDIA noemt als beperking dat de dimensies van de ophaalcontext vergelijkbaar moeten zijn met die van de invoercontext.

In het DARR-voorbeeld in de repository is alpha ingesteld op 0.2. Volgens een codeopmerking komt dit neer op 20 procent directe voorspelling en 80 procent ophalen via kNN, met k ingesteld op 64 en de temperatuur op 0.05. Voor meer informatie over deze modus verwijst NVIDIA ontwikkelaars naar het artikel Voorspellen met geheugenondersteuning: schaalbaarheid en generaliseerbaarheid in verschillende tijdsdomeinen. De referentielijst van de repository vermeldt dat het is opgenomen in de proceedings van de 2025 IEEE International Conference on Big Data.

Het interpretatiekader is modelagnostisch en werkt zonder de onderliggende voorspeller aan te passen. Wanneer het is ingeschakeld, genereert het een verklaringspakket met toeschrijvingen aan vertragingen en kenmerken per voorspellingshorizon, diagnostiek van semantische stroming, diagnostiek van trajectstabiliteit en optioneel Integrated Gradients voor embeddings. Als interpretability=True wordt meegegeven aan de SDK, slaat deze het pakket naast de voorspelling op als JSON- en CSV-bestanden en als PDF-rapport.

Het kader is gebaseerd op de preprint NVExplain: tijdreeksvoorspellingen verklaren met analyse van latente trajecten en structuurbehoudende surrogaten van Muyan Anna Li, Manikandan Ravikiran en Aditi Gautam, die op 25 augustus 2026 bij arXiv is ingediend. Het artikel beschrijft voorspellen als een latent traject, introduceert semantische stroming om te kwantificeren hoe informatie zich in de tijd ontwikkelt binnen de interne representaties van een model, bundelt die stroming in een toeschrijvingsmatrix voor vertragingen en voorspellingshorizonten, en past structuurbehoudende verstoringen toe met schaarse lokale surrogaatmodellen om begrijpelijke verklaringen te genereren. De auteurs melden dat de variant met semantische stroming qua getrouwheid kan wedijveren met of beter presteert dan gangbare baselines voor analyse achteraf, terwijl deze aanzienlijk minder rekenkracht vereist. Ook stellen ze dat hun stabiliteitsanalyse situaties aan het licht brengt waarin interpretatie met voorzichtigheid moet worden toegepast.

Trainingsgegevens, runtimevereisten en integraties

Volgens de modelkaart is voor de training gebruikgemaakt van 3 miljoen datapunten, met een verdeling van 80/20 per dataset. Daarbij is begonnen met de Monash Time Series Forecasting Archive, omschreven als een gevarieerde verzameling van 30 primaire datasets, inclusief varianten met ontbrekende waarden. De in de kaart genoemde evaluatiedatasets zijn ECL, elektriciteitsverbruiksgegevens van 370 klanten, geregistreerd elke 15 minuten van 2011 tot 2014; Traffic, wegbezettingspercentages gemeten door sensoren op snelwegen in de San Francisco Bay Area; ETTh, de olietemperatuur van elektriciteitstransformatoren en zes kenmerken van de vermogensbelasting, elk uur verzameld gedurende twee jaar; en ILI, wekelijkse Amerikaanse gegevens van de Centers for Disease Control over de verhouding tussen het aantal patiënten met influenza-achtige ziekteverschijnselen en het totale aantal patiënten. De kaart verwijst ook naar de papers MOMENT, TimeRAF en Beyond MAE over fouten in temporele afhankelijkheid.

Kumo-Forecast draait op PyTorch, ondersteunt de microarchitecturen NVIDIA Ampere en Hopper onder Linux, en volgens de modelkaart is de inferentie getest op A100- en H100-systemen met elk acht GPU’s. De repository vermeldt voor Kumo-Forecast Python 3.10 of hoger, PyTorch 2.7 of hoger, pandas en numpy, beveelt een GPU aan met automatische terugval op de CPU en downloadt automatisch vooraf getrainde gewichten van Hugging Face. Volgens de modelkaart zijn de modellen ontworpen en geoptimaliseerd voor systemen met GPU-versnelling van NVIDIA, en vereist integratie in AI-systemen aanvullende tests die zijn toegespitst op de toepassing en de V-modelmethodologie volgen.

Voor evaluatie per toepassing adviseert NVIDIA de configuraties met en zonder retrievalverrijking te vergelijken op dezelfde achtergehouden prognosevensters en de kwaliteit van de prognoses te valideren voor de beoogde prognosehorizonten en bedrijfsomstandigheden. De Kumo-TS-repository bevat daarnaast een voorbeeld voor het finetunen van Kumo-Forecast met een door de gebruiker aangeleverd CSV-bestand. Zo beschikken ontwikkelaars zowel over een vooraf getrainde inferentieworkflow als over een gedocumenteerd startpunt om het model aan hun eigen gegevens aan te passen. Voor de implementatie bevat de Factory Operations Blueprint vroegtijdige toegang tot een module voor voorspellend onderhoud, die Kumo Anomaly en Kumo Forecast gebruikt om realtimegegevens te analyseren en toekomstige afwijkingen te voorspellen. Ook bevat het bericht van NVIDIA een link naar een sessie tijdens GTC San Jose 2026 over platformintegratie.