NVIDIA发布开源Kumo Forecast多变量时间序列模型

NVIDIA于2026年10月21日发布了Kumo Forecast。这是一款开源多变量时间序列预测模型，结合了预训练的MOMENT-1-large Transformer骨干网络、可选的历史数据检索功能，以及与模型无关的可解释性框架。该模型此前名为NV-Tesseract Forecasting，采用Apache 2.0许可证。NVIDIA在Hugging Face博客的一篇官方文章中详细介绍了该模型。

这篇文章由NVIDIA的Saira Qureshi、Aditi Gautam、Manikandan Ravikiran、Sena Ekiz和Viraj P Modak撰写。模型代码通过NVIDIA/Kumo-TS GitHub代码仓库发布。这个开源时间序列库还包含基于扩散模型的Kumo-Anomaly软件包；预训练权重则通过Hugging Face上的nvidia/Kumo-Forecast模型卡提供。模型卡列出的Hugging Face发布日期为04/07/2026，部署范围为全球，所述适用场景是企业、组织和研究中心利用时间数据进行长时域或短时域预测。

预训练骨干网络与直接预测

Kumo Forecast以MOMENT-1-large Transformer编码器为骨干网络，包含一个约有3.4亿个参数的基础编码器，以及一个可训练的预测头。训练期间，编码器和嵌入器的权重保持冻结，只有预测头接受训练，从而将预训练的表征模型与针对特定任务的预测层区分开来。在直接预测路径中，预测头将模型表征映射为指定预测时域内的未来值；对于超出模型原生能力范围的预测时域，该库支持自回归扩展，通过递归方式延长预测结果。

该库提供以DataFrame为核心的API，可配置预测时域，并可选择加入用于检索的历史上下文。输入必须是数值型时间数据，包含一列时间戳和一列或多列数值，可通过pandas DataFrame或CSV/JSON文件提供；支持的输入序列长度为256、512、1024和2048个观测值。输出为pandas DataFrame，其中包含时间戳以及指定预测时域内的预测值。

DARR检索与可解释性

除直接预测外，Kumo Forecast还包含领域感知表征与检索（DARR）功能。这种增强上下文的模式通过从历史数据中进行K近邻检索来补充预测结果。SDK通过单独的context_df参数接收这些历史数据，从而区分模型的输入窗口和检索上下文：前者提供近期观测值，后者则提供额外模式。开发者可以通过该库的配置选项调整最终预测对这两种路径的依赖程度。NVIDIA指出，该功能的一项限制是，检索上下文的维度必须与输入上下文的维度相近。

代码仓库中的DARR示例将alpha设为0.2；代码注释称，这对应于20%的直接预测和80%的kNN检索，同时将k设为64、温度设为0.05。如需进一步了解这一模式，NVIDIA建议开发者参阅论文《记忆增强预测：时间领域间的可扩展性与泛化能力》。代码仓库的参考文献列表将该论文列入2025年IEEE国际大数据会议论文集。

该可解释性框架与模型无关，运行时无需修改底层预测器。启用后，它会生成一套解释材料，其中包含各预测时域的滞后项和特征归因、语义流诊断、轨迹稳定性诊断，以及可选的嵌入积分梯度。在SDK中传入interpretability=True后，该套材料会与预测结果一并写入JSON和CSV文件，并生成一份PDF报告。

该框架遵循由Muyan Anna Li、Manikandan Ravikiran和Aditi Gautam撰写的预印本《NVExplain：通过潜在轨迹分析和保结构代理模型解释时间序列预测》。该论文于2026年8月25日提交至arXiv。论文将预测建模为一条潜在轨迹，并提出语义流这一概念，用于量化信息如何随时间在模型的内部表征中演变；随后，论文将这种信息流汇总为滞后项—预测时域归因矩阵，并运用保结构扰动和稀疏局部代理模型，生成易于人理解的解释。作者报告称，与标准事后基线方法相比，语义流变体的忠实度具有竞争力或更优，同时计算效率显著更高；他们还指出，稳定性分析识别出了应谨慎应用解释方法的情形。

训练数据、运行要求与集成

根据模型卡，训练使用了 300 万个数据点，并按每个数据集以 80/20 的比例划分；训练数据首先采用 Monash Time Series Forecasting Archive。模型卡将其描述为一个多样化的数据集集合，包含 30 个主要数据集，并涵盖缺失值变体。模型卡列出的评估数据集包括：ECL，即来自 370 个用户的用电数据，记录时间为 2011 年至 2014 年，每 15 分钟采集一次；Traffic，即旧金山湾区高速公路上由传感器测得的道路占用率；ETTh，即连续两年按小时采集的电力变压器油温和六项负载特征；以及 ILI，即美国疾病控制与预防中心按周发布的数据，描述流感样疾病患者占患者总数的比例。模型卡还将 MOMENT、TimeRAF 和 Beyond MAE 的时间依赖误差论文列为参考文献。

Kumo-Forecast 在 PyTorch 上运行，支持 Linux 系统上的 NVIDIA Ampere 和 Hopper 微架构；模型卡报告称，已在每台配备八块 GPU 的 A100 和 H100 系统上进行了推理测试。该代码库声明，Kumo-Forecast 需要 Python 3.10 或更高版本、PyTorch 2.7 或更高版本、pandas 和 numpy；它建议使用 GPU，并会在 GPU 不可用时自动回退到 CPU，还会自动从 Hugging Face 下载预训练权重。模型卡指出，这些模型专为 NVIDIA GPU 加速系统设计并进行优化；将其集成到 AI 系统中，还需要按照 V 模型方法进行额外的、针对具体用例的测试。

对于特定应用的评估，NVIDIA 建议在相同的留出预测时间窗口上比较直接配置和检索增强配置，并针对预期的预测时距和运行条件验证预测质量。Kumo-TS 代码库还提供了一个示例，演示如何使用用户提供的 CSV 文件对 Kumo-Forecast 进行微调，使开发者既能使用预训练模型开展推理，也能参考有文档说明的起点，根据自己的数据调整模型。在部署方面，Factory Operations Blueprint 提供了预测性维护模块的早期访问权限；该模块使用 Kumo Anomaly 和 Kumo Forecast 分析实时数据并预测未来的异常情况。NVIDIA 发布的文章还链接到 GTC 圣何塞 2026 的一场会议，内容涉及平台集成。