NVIDIA представляет открытую мультвариантную модель Kumo Forecast для прогнозирования временных рядов

21 октября 2026 года NVIDIA представила Kumo Forecast — открытую модель для прогнозирования мультвариантных временных рядов, которая объединяет предварительно обученную архитектуру на основе Transformer MOMENT-1-large с возможностью поиска по историческим данным и не зависящей от модели системой интерпретации. Модель, ранее известная как NV-Tesseract Forecasting, распространяется по лицензии Apache 2.0. NVIDIA подробно рассказала о ней в официальной публикации в блоге Hugging Face.

Авторами публикации стали Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz и Viraj P Modak из NVIDIA. Код модели распространяется через репозиторий NVIDIA/Kumo-TS на GitHub — библиотеку с открытым исходным кодом для работы с временными рядами, в которой также находится пакет Kumo-Anomaly на основе диффузионной модели. Предварительно обученные веса доступны в карточке модели nvidia/Kumo-Forecast на Hugging Face. В карточке указаны дата выпуска на Hugging Face — 04/07/2026, возможность глобального развертывания и предполагаемый вариант использования: прогнозирование временных данных на короткий и длинный горизонты для компаний, организаций и исследовательских центров.

Предварительно обученная архитектура и прямое прогнозирование

В основе Kumo Forecast лежит кодировщик Transformer MOMENT-1-large: базовый кодировщик примерно с 340 миллионами параметров и обучаемая головка прогнозирования. Во время обучения веса кодировщика и модуля встраивания остаются замороженными, а обучается только головка прогнозирования. Благодаря этому предварительно обученная модель представлений отделена от слоя предсказаний, предназначенного для конкретной задачи. При прямом прогнозировании головка преобразует представления модели в будущие значения для заданного горизонта. Для горизонтов, превышающих изначально поддерживаемые моделью, библиотека позволяет выполнять авторегрессионное расширение, рекурсивно продолжая прогноз.

В библиотеке предусмотрен API, ориентированный прежде всего на DataFrame, с настраиваемыми горизонтами прогнозирования и возможностью передавать исторические данные для поиска. На вход подаются числовые временные данные: столбец с временными отметками и один или несколько столбцов с числовыми значениями. Данные можно передать в виде pandas DataFrame или файла CSV/JSON. Поддерживаются входные последовательности длиной 256, 512, 1024 и 2048 наблюдений. На выходе формируются pandas DataFrame с временными отметками и прогнозируемыми значениями для заданного горизонта.

Поиск с помощью DARR и интерпретация

Помимо прямого прогнозирования, в Kumo Forecast реализован режим Domain-Aware Representation and Retrieval (DARR), который дополняет прогнозы поиском ближайших соседей в исторических данных. SDK принимает эти данные через отдельный аргумент context_df, разделяя входное окно модели, в которое входят недавние наблюдения, и контекст поиска, содержащий дополнительные закономерности. Разработчики могут настраивать с помощью параметров библиотеки, насколько итоговый прогноз зависит от каждого из этих путей. NVIDIA указывает, что одним из ограничений является необходимость сходства размерностей контекста поиска и контекста входных данных.

В примере DARR из репозитория указано значение alpha, равное 0.2; в комментарии к коду поясняется, что это соответствует 20 процентам прямого прогнозирования и 80 процентам поиска методом kNN. Там же заданы k, равное 64, и температура 0.05. Чтобы узнать больше об этом режиме, NVIDIA рекомендует разработчикам статью «Прогнозирование с расширением памяти: масштабируемость и обобщение в различных временных областях». В списке литературы репозитория указано, что она опубликована в материалах конференции 2025 IEEE International Conference on Big Data.

Система интерпретации не зависит от модели и работает, не изменяя базовый алгоритм прогнозирования. При ее включении формируется пакет с объяснениями: оценками влияния лагов и признаков для каждого горизонта прогноза, диагностикой семантических потоков и устойчивости траектории, а также, при необходимости, результатами метода интегрированных градиентов для эмбеддингов. Если в SDK передать параметр interpretability=True, пакет сохраняется вместе с прогнозом в виде файлов JSON и CSV, а также отчета PDF.

Система основана на препринте «NVExplain: объяснение прогнозирования временных рядов с помощью анализа латентных траекторий и суррогатных моделей, сохраняющих структуру», подготовленном Muyan Anna Li, Manikandan Ravikiran и Aditi Gautam и отправленном на arXiv 25 августа 2026 года. В статье прогнозирование рассматривается как латентная траектория; авторы вводят понятие семантического потока, позволяющего количественно оценить, как информация со временем меняется во внутренних представлениях модели, и сводят этот поток в матрицу атрибуции «лаг — горизонт». Затем для получения понятных человеку объяснений применяются возмущения, сохраняющие структуру, и разреженные локальные суррогатные модели. По словам авторов, вариант с семантическим потоком по достоверности объяснений не уступает стандартным методам постфактум или превосходит их, при этом требует значительно меньше вычислительных ресурсов. Анализ устойчивости также выявляет режимы, в которых интерпретацию следует применять с осторожностью.

Данные для обучения, требования к среде выполнения и интеграции

Согласно карточке модели, для обучения использовались 3 миллиона точек данных с разделением 80/20 для каждого набора данных. Обучение началось с Monash Time Series Forecasting Archive — разнообразной коллекции из 30 основных наборов данных, включающей варианты с пропущенными значениями. В перечисленные в карточке наборы данных для оценки входят ECL — данные о потреблении электроэнергии 370 абонентами, зафиксированные каждые 15 минут с 2011 по 2014 год; Traffic — данные о загруженности дорог, измеренной датчиками на автомагистралях в районе залива Сан-Франциско; ETTh — данные о температуре трансформаторного масла и шести характеристиках нагрузки на электросеть, собираемые ежечасно на протяжении двух лет; и ILI — еженедельные данные Центров по контролю и профилактике заболеваний США, отражающие долю пациентов с гриппоподобными симптомами среди всех пациентов. В качестве источников в карточке также указаны статьи MOMENT, TimeRAF и Beyond MAE об ошибках, связанных с временной зависимостью.

Kumo-Forecast работает на PyTorch и поддерживает микроархитектуры NVIDIA Ampere и Hopper в Linux; в карточке модели сообщается об испытаниях инференса на системах A100 и H100, каждая из которых оснащена восемью графическими процессорами. В репозитории для Kumo-Forecast указаны Python версии 3.10 или новее, PyTorch версии 2.7 или новее, pandas и numpy; рекомендуется использовать графический процессор, а при его отсутствии система автоматически переключается на центральный процессор. Предварительно обученные веса автоматически загружаются с Hugging Face. В карточке модели сказано, что модели разработаны и оптимизированы для систем с ускорением на графических процессорах NVIDIA, а для интеграции в системы ИИ необходимы дополнительные испытания с учетом конкретного сценария использования, проводимые по методологии V-модели.

Для оценки применительно к конкретным задачам NVIDIA рекомендует сравнивать прямую конфигурацию и конфигурацию с дополнением на основе поиска на одних и тех же отложенных временных интервалах прогнозирования, а также проверять качество прогнозов на всех предполагаемых горизонтах и в рабочих условиях. В репозитории Kumo-TS также приведен пример дообучения Kumo-Forecast на предоставленном пользователем файле CSV. Таким образом, разработчики получают и рабочий процесс инференса с предварительно обученной моделью, и документированную отправную точку для адаптации модели к собственным данным. Что касается развертывания, Factory Operations Blueprint предусматривает ранний доступ к модулю прогнозного обслуживания, который использует Kumo Anomaly и Kumo Forecast для анализа данных в реальном времени и прогнозирования будущих аномалий; кроме того, в публикации NVIDIA дана ссылка на сессию GTC San Jose 2026, посвященную интеграции с платформой.