NVIDIA 发布 Kumo Forecast 时间序列预测模型，融合历史模式检索与可解释性

OmniTools 10月21日消息，Hugging Face 博客 10 月 21 日消息，NVIDIA 发布 Kumo Forecast（原 NV-Tesseract Forecasting），这是一款多变量时间序列预测模型。该模型将预训练 Transformer 骨干与 Domain-Aware Representation and Retrieval（DARR）结合，在直接预测之外，通过最近邻从历史数据检索相关模式，并提供可解释结果。模型以 Apache 2.0 许可开放。

Kumo Forecast 基于 MOMENT-1-large 骨干，使用约 3.4 亿参数的基础编码器加可训练预测头；编码器和嵌入器权重保持冻结，训练预测头。直接预测头将模型表示映射到目标预测窗口，超出原生能力时支持自回归扩展。DARR 通过独立的 context_df 参数接收历史上下文，使用 k 近邻检索并与直接预测融合，开发者可配置两条路径的依赖权重。其解释框架可生成每个预测窗口的滞后与特征归因、语义流诊断、轨迹稳定性诊断，以及可选的嵌入 Integrated Gradients。

使用限制包括：数据须为数值型时间序列，支持 256、512、1024、2048 个观测的输入长度；输入由时间戳列和一个或多个数值列组成，格式为 pandas DataFrame 或 CSV/JSON；DARR 模式下上下文维度需与输入上下文相似。模型代码位于 NVIDIA/Kumo-TS，权重为 nvidia/Kumo-Forecast，仓库还提供基于用户 CSV 的微调示例。原文同时展示了预测性维护与平台集成演示。