NVIDIA ประกาศโมเดลพยากรณ์อนุกรมเวลาหลายตัวแปรแบบเปิด Kumo Forecast

NVIDIA ประกาศเปิดตัว Kumo Forecast เมื่อวันที่ 21 ตุลาคม 2026 ซึ่งเป็นโมเดลพยากรณ์อนุกรมเวลาหลายตัวแปรแบบเปิดที่ผสานโครงข่าย Transformer MOMENT-1-large ซึ่งผ่านการฝึกไว้ล่วงหน้า เข้ากับตัวเลือกสำหรับดึงข้อมูลย้อนหลังมาใช้ และกรอบงานด้านการตีความที่ไม่ยึดติดกับโมเดลใดโมเดลหนึ่ง โมเดลนี้ซึ่งเดิมรู้จักกันในชื่อ NV-Tesseract Forecasting เผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 และ NVIDIA ได้ให้รายละเอียดเกี่ยวกับโมเดลนี้ใน โพสต์อย่างเป็นทางการบนบล็อก Hugging Face

โพสต์นี้เขียนโดย Saira Qureshi, Aditi Gautam, Manikandan Ravikiran, Sena Ekiz และ Viraj P Modak จาก NVIDIA เผยแพร่โค้ดของโมเดลผ่าน คลัง GitHub NVIDIA/Kumo-TS ซึ่งเป็นไลบรารีอนุกรมเวลาแบบโอเพนซอร์สที่มีแพ็กเกจ Kumo-Anomaly ซึ่งใช้วิธีการแพร่กระจาย (diffusion) รวมอยู่ด้วย ส่วนค่าน้ำหนักที่ผ่านการฝึกไว้ล่วงหน้าเผยแพร่ผ่าน บัตรโมเดล nvidia/Kumo-Forecast บน Hugging Face บัตรโมเดลระบุวันเผยแพร่บน Hugging Face เป็น 04/07/2026 การนำไปใช้งานทั่วโลก และกรณีใช้งานที่ระบุไว้สำหรับบริษัท องค์กร และศูนย์วิจัยที่พยากรณ์ข้อมูลตามเวลาในระยะยาวหรือระยะสั้น

โครงข่ายหลักที่ผ่านการฝึกไว้ล่วงหน้าและการพยากรณ์โดยตรง

Kumo Forecast ใช้ตัวเข้ารหัส Transformer MOMENT-1-large เป็นโครงข่ายหลัก โดยมีตัวเข้ารหัสพื้นฐานที่มีพารามิเตอร์ประมาณ 340 ล้านตัว พร้อมหัวพยากรณ์ที่ฝึกได้ ระหว่างการฝึก น้ำหนักของตัวเข้ารหัสและตัวฝังจะคงที่ โดยฝึกเฉพาะหัวพยากรณ์เท่านั้น ทำให้แยกโมเดลตัวแทนข้อมูลที่ผ่านการฝึกไว้ล่วงหน้าออกจากชั้นพยากรณ์ที่จำเพาะกับงานได้ ในกระบวนการพยากรณ์โดยตรง หัวพยากรณ์จะแปลงตัวแทนข้อมูลของโมเดลเป็นค่าในอนาคตตามระยะพยากรณ์ที่กำหนด ส่วนกรณีที่ระยะพยากรณ์เกินขีดความสามารถดั้งเดิมของโมเดล ไลบรารีรองรับการต่อขยายแบบอัตถดถอย ซึ่งขยายผลการพยากรณ์ต่อเนื่องแบบวนซ้ำ

ไลบรารีมี API ที่ออกแบบให้ใช้ DataFrame เป็นหลัก พร้อมกำหนดระยะพยากรณ์ได้ และเลือกใช้บริบทข้อมูลย้อนหลังสำหรับการดึงข้อมูลมาเสริมได้ ข้อมูลนำเข้าต้องเป็นข้อมูลตามเวลาที่มีค่าเป็นตัวเลข ประกอบด้วยคอลัมน์เวลาประทับและคอลัมน์ค่าตัวเลขอย่างน้อยหนึ่งคอลัมน์ โดยส่งมาในรูป pandas DataFrame หรือ CSV/JSON ได้ ความยาวลำดับข้อมูลนำเข้าที่รองรับคือ 256, 512, 1024 และ 2048 ข้อมูล ผลลัพธ์เป็น pandas DataFrame ที่มีเวลาประทับและค่าพยากรณ์ตามระยะพยากรณ์ที่กำหนด

การดึงข้อมูลด้วย DARR และการตีความ

นอกเหนือจากการพยากรณ์โดยตรงแล้ว Kumo Forecast ยังมี Domain-Aware Representation and Retrieval (DARR) ซึ่งเป็นโหมดเสริมบริบทที่เพิ่มข้อมูลจากการดึงข้อมูลย้อนหลังด้วยวิธีเพื่อนบ้านใกล้สุด k รายให้กับผลพยากรณ์ SDK รับข้อมูลย้อนหลังดังกล่าวผ่านอาร์กิวเมนต์ context_df ที่แยกต่างหาก จึงแยกหน้าต่างข้อมูลนำเข้าของโมเดล ซึ่งให้ข้อมูลสังเกตการณ์ล่าสุด ออกจากบริบทสำหรับการดึงข้อมูล ซึ่งให้รูปแบบเพิ่มเติมได้ นักพัฒนาสามารถปรับระดับการพึ่งพาข้อมูลจากแต่ละแนวทางในผลพยากรณ์สุดท้ายได้ผ่านตัวเลือกการกำหนดค่าของไลบรารี NVIDIA ระบุข้อจำกัดไว้ว่ามิติของบริบทสำหรับการดึงข้อมูลต้องใกล้เคียงกับบริบทของข้อมูลนำเข้า

ตัวอย่าง DARR ในคลังโค้ดกำหนดค่า alpha ไว้ที่ 0.2 โดยมีคำอธิบายในคอมเมนต์ของโค้ดว่าเป็นการพยากรณ์โดยตรง 20 เปอร์เซ็นต์ และการดึงข้อมูลด้วย kNN 80 เปอร์เซ็นต์ พร้อมกำหนดค่า k เป็น 64 และอุณหภูมิเป็น 0.05 หากต้องการรายละเอียดเพิ่มเติมเกี่ยวกับโหมดนี้ NVIDIA แนะนำให้นักพัฒนาอ่านบทความ การพยากรณ์เสริมด้วยหน่วยความจำ: ความสามารถในการขยายขนาดและการสรุปทั่วไปข้ามโดเมนตามเวลา ซึ่งรายการเอกสารอ้างอิงในคลังโค้ดระบุว่าตีพิมพ์ในเอกสารประกอบการประชุม IEEE International Conference on Big Data ปี 2025

กรอบงานด้านการตีความนี้ไม่ยึดติดกับโมเดลใดโมเดลหนึ่ง และทำงานได้โดยไม่ต้องแก้ไขตัวพยากรณ์ที่อยู่เบื้องหลัง เมื่อเปิดใช้งาน ระบบจะสร้างชุดคำอธิบายที่ประกอบด้วยการระบุส่วนสนับสนุนของ lag และคุณลักษณะสำหรับแต่ละระยะพยากรณ์ การวินิจฉัย semantic flow การวินิจฉัยเสถียรภาพของวิถี และ Integrated Gradients สำหรับ embedding ซึ่งเป็นตัวเลือกเสริม เมื่อกำหนด interpretability=True ใน SDK ระบบจะบันทึกชุดข้อมูลนี้พร้อมกับผลพยากรณ์เป็นไฟล์ JSON และ CSV รวมถึงรายงาน PDF

กรอบงานนี้พัฒนาตามเอกสารฉบับก่อนตีพิมพ์ NVExplain: การอธิบายการพยากรณ์อนุกรมเวลาด้วยการวิเคราะห์วิถีแฝงและตัวแทนที่รักษาโครงสร้าง โดย Muyan Anna Li, Manikandan Ravikiran และ Aditi Gautam ซึ่งส่งให้ arXiv เมื่อวันที่ 25 สิงหาคม 2026 บทความนี้จำลองการพยากรณ์เป็นวิถีแฝง นำเสนอ semantic flow เพื่อวัดว่าข้อมูลเปลี่ยนแปลงไปตามเวลาอย่างไรภายในตัวแทนข้อมูลของโมเดล จากนั้นรวบรวม semantic flow เป็นเมทริกซ์ระบุส่วนสนับสนุนตาม lag และระยะพยากรณ์ และใช้การรบกวนที่รักษาโครงสร้างร่วมกับโมเดลตัวแทนเฉพาะที่แบบเบาบาง เพื่อสร้างคำอธิบายที่มนุษย์อ่านเข้าใจได้ ผู้เขียนรายงานว่า semantic flow รุ่นนี้ให้ความเที่ยงตรงในระดับแข่งขันได้หรือดีกว่า เมื่อเทียบกับวิธีพื้นฐานมาตรฐานที่ใช้วิเคราะห์ภายหลัง ขณะเดียวกันก็มีประสิทธิภาพด้านการคำนวณสูงกว่ามาก และการวิเคราะห์เสถียรภาพของพวกเขายังระบุสภาวะที่ควรใช้การตีความด้วยความระมัดระวัง

ข้อมูลฝึก ข้อกำหนดขณะประมวลผล และการผสานการทำงาน

ตามข้อมูลใน model card การฝึกใช้จุดข้อมูล 3 ล้านจุด โดยแบ่งข้อมูลของแต่ละชุดในสัดส่วน 80/20 เริ่มจาก Monash Time Series Forecasting Archive ซึ่งอธิบายว่าเป็นแหล่งรวมชุดข้อมูลหลัก 30 ชุดที่หลากหลาย รวมถึงรูปแบบที่มีค่าขาดหายด้วย ชุดข้อมูลที่ระบุไว้สำหรับการประเมินประกอบด้วย ECL ซึ่งเป็นข้อมูลการใช้ไฟฟ้าของลูกค้า 370 รายที่บันทึกทุก 15 นาที ตั้งแต่ปี 2011 ถึง 2014; Traffic ซึ่งเป็นอัตราการครองพื้นที่ถนนที่วัดโดยเซ็นเซอร์บนทางด่วนในเขตอ่าวซานฟรานซิสโก; ETTh ซึ่งเป็นอุณหภูมิน้ำมันของหม้อแปลงไฟฟ้าและคุณลักษณะภาระโหลดไฟฟ้า 6 รายการที่เก็บข้อมูลทุกชั่วโมงตลอด 2 ปี; และ ILI ซึ่งเป็นข้อมูลรายสัปดาห์ของศูนย์ควบคุมโรคแห่งสหรัฐฯ ที่แสดงอัตราส่วนระหว่างผู้ป่วยที่มีอาการคล้ายไข้หวัดใหญ่กับผู้ป่วยทั้งหมด นอกจากนี้ model card ยังอ้างอิงเอกสารวิจัยเรื่องข้อผิดพลาดจากการพึ่งพากันตามเวลา ได้แก่ MOMENT, TimeRAF และ Beyond MAE

Kumo-Forecast ทำงานบน PyTorch และรองรับไมโครสถาปัตยกรรม NVIDIA Ampere และ Hopper บน Linux โดย model card ระบุว่ามีการทดสอบการอนุมานบนระบบ A100 และ H100 ซึ่งแต่ละระบบมี GPU 8 ตัว ที่เก็บโค้ดระบุว่าต้องใช้ Python 3.10 ขึ้นไป พร้อม PyTorch 2.7 ขึ้นไป, pandas และ numpy สำหรับ Kumo-Forecast แนะนำให้ใช้ GPU โดยระบบจะสลับไปใช้ CPU โดยอัตโนมัติหากไม่มี GPU และจะดาวน์โหลดน้ำหนักโมเดลที่ฝึกไว้ล่วงหน้าจาก Hugging Face โดยอัตโนมัติ model card ระบุว่าโมเดลได้รับการออกแบบและปรับแต่งให้เหมาะกับระบบที่เร่งการประมวลผลด้วย GPU ของ NVIDIA และการผสานรวมเข้ากับระบบ AI จำเป็นต้องผ่านการทดสอบเพิ่มเติมที่เจาะจงตามกรณีใช้งาน โดยใช้ระเบียบวิธีแบบ V-model

สำหรับการประเมินให้สอดคล้องกับการใช้งานเฉพาะด้าน NVIDIA แนะนำให้เปรียบเทียบการตั้งค่าแบบตรงกับแบบเสริมการดึงข้อมูล โดยใช้ช่วงเวลาพยากรณ์ที่กันไว้สำหรับทดสอบชุดเดียวกัน และตรวจสอบคุณภาพการพยากรณ์ในช่วงเวลาล่วงหน้าและสภาวะการทำงานที่ต้องการใช้งาน ที่เก็บโค้ด Kumo-TS ยังมีตัวอย่างการปรับแต่ง Kumo-Forecast เพิ่มเติมด้วยไฟล์ CSV ที่ผู้ใช้จัดเตรียมไว้ ช่วยให้นักพัฒนามีทั้งเวิร์กโฟลว์สำหรับอนุมานด้วยโมเดลที่ฝึกไว้ล่วงหน้า และจุดเริ่มต้นที่มีเอกสารกำกับสำหรับปรับโมเดลให้เข้ากับข้อมูลของตนเอง ในด้านการนำไปใช้งาน Factory Operations Blueprint มีโมดูล Predictive Maintenance ที่เปิดให้เข้าถึงล่วงหน้า ซึ่งใช้ Kumo Anomaly และ Kumo Forecast วิเคราะห์ข้อมูลแบบเรียลไทม์และคาดการณ์ความผิดปกติในอนาคต นอกจากนี้ โพสต์ของ NVIDIA ยังมีลิงก์ไปยังเซสชัน GTC San Jose 2026 ที่กล่าวถึงการผสานรวมแพลตฟอร์ม