NVIDIA presenterar den öppna multivariata tidsseriemodellen Kumo Forecast

NVIDIA tillkännagav Kumo Forecast den 21 oktober 2026 – en öppen modell för multivariat tidsserieprognostisering som kombinerar en förtränad MOMENT-1-large Transformer-arkitektur med möjlighet att hämta information från historiska data och ett modelloberoende ramverk för tolkbarhet. Modellen, som tidigare gick under namnet NV-Tesseract Forecasting, är tillgänglig under licensen Apache 2.0, och NVIDIA beskrev den närmare i ett officiellt inlägg på Hugging Faces blogg.

Inlägget skrevs av Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz och Viraj P Modak på NVIDIA. Modellkoden distribueras via NVIDIA/Kumo-TS GitHub-arkivet, ett bibliotek med öppen källkod för tidsserier som även innehåller det diffusionsbaserade paketet Kumo-Anomaly. De förtränade vikterna tillhandahålls via modellkortet för nvidia/Kumo-Forecast på Hugging Face. På kortet anges 04/07/2026 som lanseringsdatum på Hugging Face, global driftsättning och att modellen är avsedd för företag, organisationer och forskningscentrum som gör prognoser med lång eller kort prognoshorisont utifrån tidsdata.

Förtränad grundmodell och direkt prognostisering

Kumo Forecast använder MOMENT-1-large Transformer-kodaren som grundmodell, med en grundkodare på cirka 340 miljoner parametrar och ett träningsbart prognoshuvud. Kodarens och inbäddningsmodulens vikter förblir frysta under träningen, medan endast prognoshuvudet tränas. Därmed skiljs den förtränade representationsmodellen från det uppgiftsspecifika prediktionslagret. Vid direkt prognostisering omvandlar huvudet modellens representationer till framtida värden för den begärda prognoshorisonten. För horisonter som överstiger modellens inbyggda kapacitet stöder biblioteket autoregressiv utökning, där prognoserna förlängs rekursivt.

Biblioteket har ett API där DataFrame är det primära formatet, med konfigurerbara prognoshorisonter och möjlighet att använda historisk kontext för informationshämtning. Indata måste bestå av numeriska tidsseriedata med en tidsstämpelkolumn och en eller flera numeriska värdekolumner, tillhandahållna som en pandas DataFrame eller i CSV-/JSON-format. Indatasekvenserna kan innehålla 256, 512, 1024 eller 2048 observationer. Utdata är pandas DataFrame-objekt som innehåller tidsstämplar och predikterade värden för den angivna prognoshorisonten.

DARR-hämtning och tolkbarhet

Utöver direkt prognostisering innehåller Kumo Forecast Domain-Aware Representation and Retrieval (DARR), ett kontextförstärkt läge som förbättrar prognoserna genom hämtning av k närmaste grannar från historiska data. SDK:t tar emot historiken via ett separat argument, context_df, vilket skiljer modellens indat fönster – som innehåller de senaste observationerna – från hämtningskontexten, som tillför ytterligare mönster. Med hjälp av bibliotekets konfigurationsalternativ kan utvecklare justera hur stor vikt den slutliga prognosen lägger vid respektive metod. NVIDIA anger som en begränsning att dimensionerna i hämtningskontexten måste likna dimensionerna i indatakonteksten.

I arkivets DARR-exempel anges alpha till 0.2, vilket i en kodkommentar beskrivs som 20 procent direkt prognostisering och 80 procent kNN-hämtning. Exemplet använder även ett k-värde på 64 och en temperatur på 0.05. För mer information om läget hänvisar NVIDIA utvecklare till artikeln Minneförstärkt prognostisering: skalbarhet och generalisering över tidsdomäner, som i arkivets referenslista anges vara publicerad i proceedings från 2025 års IEEE International Conference on Big Data.

Tolkningsramverket är modelloberoende och körs utan att den underliggande prognosmodellen ändras. När det aktiveras skapar det ett paket med förklaringar som innehåller tillskrivningar av betydelse till eftersläpningar och egenskaper för varje prognoshorisont, diagnostik av semantiskt informationsflöde, diagnostik av banstabilitet och, som tillval, Integrated Gradients för inbäddningar. Om interpretability=True anges i SDK:t sparas paketet tillsammans med prognosen som JSON- och CSV-filer samt en PDF-rapport.

Ramverket bygger på förhandsversionen NVExplain: Förklaring av tidsserieprognostisering med analys av latenta banor och strukturbevarande surrogatmodeller av Muyan Anna Li, Manikandan Ravikiran och Aditi Gautam, som skickades in till arXiv den 25 augusti 2026. Artikeln beskriver prognostisering som en latent bana, introducerar semantiskt flöde för att kvantifiera hur information utvecklas över tid i modellens interna representationer, sammanför flödet i en matris som tillskriver betydelse till eftersläpnings- och prognoshorisonter samt använder strukturbevarande störningar tillsammans med glesa lokala surrogatmodeller för att ta fram förklaringar som människor kan förstå. Författarna uppger att varianten med semantiskt flöde uppnår jämförbar eller bättre förklaringstrohet än vanliga baslinjer för efterhandsförklaringar, samtidigt som den är betydligt mer beräkningseffektiv. De uppger också att stabilitetsanalysen identifierar förhållanden där tolkningar bör användas med försiktighet.

Träningsdata, körningskrav och integrationer

Enligt modellkortet användes 3 miljoner datapunkter vid träningen, med en uppdelning på 80/20 för varje dataset. Träningen inleddes med Monash Time Series Forecasting Archive, som beskrivs som en varierad samling med 30 primära dataset, inklusive varianter med saknade värden. De utvärderingsdataset som anges i kortet omfattar ECL, data om elförbrukning från 370 kunder, registrerade var 15:e minut mellan 2011 och 2014; Traffic, beläggningsgrad på vägar uppmätt av sensorer på motorvägarna i San Francisco Bay-området; ETTh, oljetemperatur i eltransformatorer och sex funktioner för effektbelastning, insamlade varje timme under två år; samt ILI, veckovisa data från USA:s Centers for Disease Control som beskriver andelen patienter med influensaliknande sjukdom av det totala antalet patienter. Kortet hänvisar också till artiklarna om tidsberoende fel MOMENT, TimeRAF och Beyond MAE.

Kumo-Forecast körs på PyTorch och stöder NVIDIA:s mikroarkitekturer Ampere och Hopper på Linux. I modellkortet rapporteras inferenstester på A100- och H100-system med åtta GPU:er vardera. I kodarkivet anges Python 3.10 eller senare, PyTorch 2.7 eller senare, pandas och numpy för Kumo-Forecast. En GPU rekommenderas, med automatisk övergång till CPU om en GPU saknas, och förtränade vikter hämtas automatiskt från Hugging Face. Modellkortet anger att modellerna är utformade och optimerade för system med NVIDIA-GPU-acceleration och att integrering i AI-system kräver ytterligare tester som är specifika för användningsområdet och följer V-modellens metodik.

För utvärdering av specifika tillämpningar rekommenderar NVIDIA att de direkta konfigurationerna jämförs med de konfigurationer som förstärks med informationshämtning, med samma undanhållna prognosperioder, och att prognoskvaliteten valideras för de avsedda prognoshorisonterna och driftsförhållandena. Kumo-TS-kodarkivet innehåller dessutom ett exempel på hur Kumo-Forecast finjusteras med en CSV-fil som användaren tillhandahåller. Därmed får utvecklare både ett arbetsflöde för inferens med en förtränad modell och en dokumenterad utgångspunkt för att anpassa modellen till sina egna data. När det gäller driftsättning ger Factory Operations Blueprint tidig åtkomst till en modul för prediktivt underhåll, som använder Kumo Anomaly och Kumo Forecast för att analysera realtidsdata och förutsäga framtida avvikelser. NVIDIAs inlägg länkar också till ett sessionstillfälle på GTC San Jose 2026 som handlar om plattformsintegrering.