NVIDIA Kumo Forecast：結合預訓練時間序列模型、歷史模式檢索與可解釋性

NVIDIA Kumo Forecast（前身為 NV-Tesseract Forecasting）是一個多變量時間序列預測模型，它將預訓練的 Transformer 骨幹模型與領域感知表示及檢索（DARR）功能結合。DARR 是一種情境增強的預測模式，能將模型的直接預測與從歷史資料中檢索到的模式融合，並提供結果的可解釋性。

Kumo Forecast 以 MOMENT-1-large 骨幹模型為基礎，使用約 3.4 億個參數的基礎編碼器，加上一個可訓練的預測頭。該函式庫提供以 DataFrame 為優先的 API、可配置的預測範圍、用於檢索的選用歷史情境，以及一個無需修改底層預測器即可產生特定預測範圍解釋的可解釋性框架。

Kumo-Forecast 採用 Apache 2.0 授權。模型程式碼可在 NVIDIA/Kumo-TS 找到，模型權重則在 nvidia/Kumo-Forecast。

一個預測系統可以利用兩種不同的資訊來源：預訓練期間學習到的表示，以及應用程式可用的歷史觀測資料。Kumo-Forecast 透過預訓練的預測模型和選用的歷史情境檢索路徑，將這兩者結合起來。

在其直接預測路徑中，Kumo-Forecast 使用基於 MOMENT 的 Transformer 模型和一個已訓練的預測頭來預測未來值。在領域感知表示及檢索（DARR）模式下，它還會使用最近鄰方法從歷史資料中檢索相關模式，並將該資訊與直接預測結果結合。

這在模型的輸入視窗和其檢索情境之間建立了區別。輸入視窗提供最近的觀測值用於預測；一個單獨的歷史 DataFrame 可以為模式檢索提供額外的情境。開發人員可以透過函式庫的配置選項，調整最終預測對每個路徑的依賴程度。

有關 DARR 模式的更多資訊，請參閱已發表的論文《Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains》。

Kumo-Forecast 結合了四個主要元件：預訓練的時間編碼器、可訓練的預測頭、歷史模式檢索機制和可解釋性框架。

預訓練時間表示：該模型使用 MOMENT-1-large Transformer 編碼器作為其骨幹模型。該架構在訓練預測頭時保持編碼器和嵌入器權重凍結，將預訓練的表示模型與特定任務的預測層分開。

直接預測：預測頭將模型的表示映射到所請求預測範圍的未來值。對於超出模型原生能力的預測範圍，支援自動迴歸擴展。這區分了直接生成的預測與遞迴擴展的較長預測。

領域感知表示及檢索：DARR 透過從歷史情境資料中進行 k-最近鄰檢索來增強直接預測。此過程將直接預測與歷史模式檢索結合，而 SDK 則透過單獨的 context_df 參數接受歷史情境。

可解釋性：Kumo-Forecasting 還包含一個模型無關的可解釋性框架。啟用時，它會產生一個解釋包，其中包含每個預測範圍的滯後和特徵歸因、語義流診斷、軌跡穩定性診斷，以及選用的嵌入式整合梯度。這些輸出伴隨預測結果，而無需不同的預測架構。

有關可解釋性的更多細節，請參閱論文《NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates》。

資料必須是數值型的時間資料。支援的輸入序列長度包括 256、512、1024 和 2048 個觀測值。輸入由一個時間戳欄和一個或多個數值欄組成，表示為 pandas DataFrame 或 CSV/JSON 輸入。當利用 DARR 模式時，情境的維度必須與輸入的情境相似。

Factory Operations (FOX) Blueprint 包含預測性維護模組的搶先體驗，該模組利用 Kumo Anomaly 和 Kumo Forecast。它分析即時資料以預測未來的異常。

請點擊下方圖片以觀看 GTC San Jose 2026 的會議內容。

對於特定應用程式的評估，請在相同的保留預測視窗上比較直接預測和檢索增強的配置。根據 NVIDIA 對特定使用案例測試的要求，驗證預測品質在預期預測範圍和操作條件下的表現。

模型程式碼可在 NVIDIA/Kumo-TS 找到，模型權重則在 nvidia/Kumo-Forecast。Kumo-TS 儲存庫還提供了一個範例，說明如何在使用者提供的 CSV 上微調 Kumo-Forecast。因此，開發人員既有預訓練的推論工作流程，也有一個有文件記錄的起點，可以根據自己的資料調整模型。