NVIDIA kunngjør åpen multivariat tidsseriemodell for Kumo Forecast

NVIDIA kunngjorde Kumo Forecast 21. oktober 2026. Dette er en åpen modell for multivariat tidsserieprognostisering som kombinerer en forhåndstrent MOMENT-1-large-Transformer-grunnmodell med valgfri gjenfinning fra historiske data og et modelluavhengig rammeverk for tolkbarhet. Modellen, tidligere kjent som NV-Tesseract Forecasting, er tilgjengelig under Apache 2.0-lisensen, og NVIDIA presenterte den nærmere i et offisielt innlegg på Hugging Face-bloggen.

Innlegget er skrevet av Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz og Viraj P Modak fra NVIDIA. Modellkoden distribueres gjennom GitHub-arkivet NVIDIA/Kumo-TS, et åpen kildekode-bibliotek for tidsserier som også inneholder den diffusjonsbaserte Kumo-Anomaly-pakken. De forhåndstrente vektene leveres via modellkortet nvidia/Kumo-Forecast på Hugging Face. Modellkortet oppgir 04/07/2026 som utgivelsesdato på Hugging Face, global utrulling og en oppgitt bruk for bedrifter, organisasjoner og forskningssentre som lager prognoser for lange eller korte tidshorisonter basert på tidsdata.

Forhåndstrent grunnmodell og direkte prognostisering

Kumo Forecast bruker MOMENT-1-large-Transformer-enkoderen som grunnmodell, med en grunnleggende enkoder med omtrent 340 millioner parametere og et trenbart prognosehode. Vektene i enkoderen og innbyggingslaget holdes fryst under treningen, mens bare prognosehodet trenes. Dermed skilles den forhåndstrente representasjonsmodellen fra det oppgavespesifikke prediksjonslaget. I den direkte prognosebanen omsetter hodet modellens representasjoner til framtidige verdier for den forespurte tidshorisonten. For tidshorisonter som går utover modellens innebygde kapasitet, støtter biblioteket autoregressiv utvidelse, der prognosene forlenges rekursivt.

Biblioteket tilbyr et DataFrame-basert API med konfigurerbare prognosehorisonter og valgfri historisk kontekst for gjenfinning. Inndataene må være numeriske tidsdata med en tidsstempelkolonne og én eller flere kolonner med numeriske verdier. De kan leveres som en pandas-DataFrame eller som CSV/JSON, og støttede lengder på inndatasekvenser er 256, 512, 1024 og 2048 observasjoner. Utdataene er pandas-DataFrame-er med tidsstempler og predikerte verdier for den angitte prognosehorisonten.

DARR-gjenfinning og tolkbarhet

I tillegg til direkte prognostisering omfatter Kumo Forecast Domain-Aware Representation and Retrieval (DARR), en kontekstforsterket modus som forbedrer prognosene ved å hente informasjon fra historiske data ved hjelp av k-nærmeste naboer. SDK-et tar imot historikken gjennom et separat argument, context_df. Dette skiller mellom modellens inndatavindu, som inneholder nylige observasjoner, og gjenfinningskonteksten, som tilfører flere mønstre. Utviklere kan justere hvor stor vekt den endelige prognosen legger på hver av disse banene, ved hjelp av bibliotekets konfigurasjonsalternativer. NVIDIA oppgir som en begrensning at dimensjonene i gjenfinningskonteksten må ligne dimensjonene i inndatakonteksten.

DARR-eksemplet i arkivet bruker alfa på 0,2, som i en kodekommentar beskrives som 20 prosent direkte prognostisering og 80 prosent gjenfinning med kNN, sammen med k på 64 og en temperatur på 0,05. For mer informasjon om modusen viser NVIDIA utviklere til artikkelen Prognostisering med minnestøtte: skalerbarhet og generalisering på tvers av tidsdomener, som referanselisten i arkivet fører opp i konferansepublikasjonen fra 2025 IEEE International Conference on Big Data.

Rammeverket for tolkbarhet er modelluavhengig og fungerer uten å endre den underliggende prognosemodellen. Når funksjonen er aktivert, genererer den en pakke med forklaringer som inneholder tilordninger av betydning til tidsforsinkelser og egenskaper for hver prognosehorisont, diagnostikk av semantisk informasjonsflyt, diagnostikk av banestabilitet og valgfritt Integrated Gradients for innbygginger. Når interpretability=True angis i SDK-et, lagres pakken sammen med prognosen som JSON- og CSV-filer samt en PDF-rapport.

Rammeverket bygger på fortrykket NVExplain: Forklaring av tidsserieprognostisering med analyse av latente baner og strukturbevarende surrogatmodeller, skrevet av Muyan Anna Li, Manikandan Ravikiran og Aditi Gautam og sendt inn til arXiv 25. august 2026. Artikkelen modellerer prognostisering som en latent bane, introduserer semantisk informasjonsflyt for å måle hvordan informasjon utvikler seg over tid i modellens interne representasjoner, samler denne informasjonsflyten i en matrise som tilordner betydning til tidsforsinkelser og prognosehorisonter, og bruker strukturbevarende perturbasjoner sammen med sparsomme lokale surrogatmodeller for å lage forklaringer som er forståelige for mennesker. Forfatterne rapporterer at varianten med semantisk informasjonsflyt oppnår konkurransedyktig eller bedre forklaringstrofasthet enn standardmetoder for etterfølgende evaluering, samtidig som den er betydelig mer beregningsmessig effektiv. De rapporterer også at stabilitetsanalysen identifiserer regimer der tolkning bør brukes med forsiktighet.

Treningsdata, kjøretidskrav og integrasjoner

Ifølge modellkortet ble treningen utført med 3 millioner datapunkter og en 80/20-fordeling per datasett, med utgangspunkt i Monash Time Series Forecasting Archive, som beskrives som en mangfoldig samling av 30 primære datasett som omfatter variasjoner med manglende verdier. Evalueringsdatasettene som er oppført i kortet, omfatter ECL, data om strømforbruk hos 370 kunder, registrert hvert 15. minutt fra 2011 til 2014; Traffic, data om veibanebelegg målt av sensorer på motorveiene i San Francisco Bay-området; ETTh, data om oljetemperaturen i elektrisitetstransformatorer og seks egenskaper ved effektbelastning, samlet inn hver time over to år; og ILI, ukentlige data fra USAs Centers for Disease Control som beskriver forholdet mellom antallet pasienter med influensalignende sykdom og det totale antallet pasienter. Kortet viser også til artiklene MOMENT, TimeRAF og Beyond MAE om feil knyttet til tidsavhengighet.

Kumo-Forecast kjører på PyTorch med støtte for NVIDIA Ampere- og Hopper-mikroarkitekturer på Linux, og modellkortet oppgir at inferens er testet på A100- og H100-systemer med åtte GPU-er hver. Kumo-Forecast-repositoriet angir Python 3.10 eller nyere, PyTorch 2.7 eller nyere, pandas og numpy, anbefaler en GPU med automatisk overgang til CPU som reserve og laster automatisk ned forhåndstrente vekter fra Hugging Face. Modellkortet opplyser at modellene er utformet og optimalisert for NVIDIA-systemer med GPU-akselerasjon, og at integrering i AI-systemer krever ytterligere testing tilpasset det aktuelle bruksområdet, i tråd med V-modellmetodikken.

For evaluering av spesifikke bruksområder anbefaler NVIDIA å sammenligne direkte konfigurasjoner med konfigurasjoner forsterket med informasjonsinnhenting på de samme prognosevinduene som er holdt utenfor treningen, og å validere prognosekvaliteten for de aktuelle tidshorisontene og driftsforholdene. Kumo-TS-repositoriet inneholder også et eksempel på finjustering av Kumo-Forecast med en CSV-fil levert av brukeren. Dermed får utviklere både en arbeidsflyt for inferens med en forhåndstrent modell og et dokumentert utgangspunkt for å tilpasse modellen til sine egne data. Når det gjelder utrulling, omfatter Factory Operations Blueprint tidlig tilgang til en modul for prediktivt vedlikehold som bruker Kumo Anomaly og Kumo Forecast til å analysere sanntidsdata og forutsi framtidige anomalier, og NVIDIAs innlegg lenker til en økt under GTC San Jose 2026 om plattformintegrering.