NVIDIA Kumo Forecast съчетава предварително обучени представяния на времеви редове с извличане на исторически модели и интерпретируемост
Акценти (накратко)
NVIDIA Kumo Forecast (преди известен като NV-Tesseract Forecasting) е многомерен модел за прогнозиране на времеви редове, който комбинира предварително обучен Transformer гръбнак с Domain-Aware Representation and Retrieval (DARR), режим за прогнозиране с обогатен контекст, който съчетава директни прогнози на модела с модели, извлечени от исторически данни. Това включва и интерпретируемост на резултатите. Изграден върху гръбнака MOMENT-1-large, Kumo Forecast използва базов енкодер с приблизително 340 милиона параметъра плюс обучаема глава за прогнозиране.
Библиотеката предоставя API, ориентиран към DataFrame, конфигурируеми хоризонти на прогнозиране, опционален исторически контекст за извличане и рамка за интерпретируемост, която генерира специфични за хоризонта обяснения, без да променя базовия прогностичен модел.
Kumo-Forecast е достъпен съгласно лиценза Apache 2.0.
Код на модела: NVIDIA/Kumo-TS
Тегла на модела: nvidia/Kumo-Forecast
Преходът към прогнозиране на времеви редове с обогатен контекст
Една система за прогнозиране може да използва два различни източника на информация: представяния, научени по време на предварителното обучение, и исторически наблюдения, налични за текущото приложение. Kumo-Forecast обединява тези източници чрез предварително обучен прогностичен модел и опционален път за извличане от исторически контекст.
В своя директен път за прогнозиране Kumo-Forecast използва Transformer на базата на MOMENT и обучена глава за прогнозиране, за да предсказва бъдещи стойности. В режим Domain Aware Representation and Retrieval (DARR) той извлича и свързани модели от исторически данни чрез подход на най-близкия съсед и комбинира тази информация с директната прогноза.
Това създава разграничение между входния прозорец на модела и неговия контекст за извличане. Входният прозорец предоставя скорошни наблюдения за прогнозата; отделен исторически DataFrame може да предостави допълнителен контекст за извличане на модели. Разработчиците могат да регулират доколко крайната прогноза разчита на всеки от двата пътя чрез опциите за конфигуриране на библиотеката.
Допълнителна информация за режима DARR можете да намерите в тази публикувана статия: Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains
Как работи Kumo Forecast
Kumo-Forecast комбинира четири основни компонента: предварително обучен времеви енкодер, обучаема глава за прогнозиране, механизъм за извличане на исторически модели и рамка за интерпретируемост.
Предварително обучени времеви представяния: Моделът използва Transformer енкодера MOMENT-1-large като свой гръбнак. Архитектурата запазва теглата на енкодера и вграждащия слой замразени, докато обучава главата за прогнозиране, като по този начин отделя предварително обучения модел за представяния от специфичния за задачата слой за предсказване.
Директно прогнозиране: Главата за прогнозиране преобразува представянията на модела в бъдещи стойности за заявения хоризонт. За хоризонти отвъд естествените възможности на модела се поддържа авторегресивно разширение. Това отличава директно генерираната прогноза от по-дълга прогноза, която разширява предсказанията рекурсивно.
Представяне и извличане, съобразени с домейна: DARR допълва директното прогнозиране с извличане чрез k-най-близки съседи от исторически контекстни данни. Този процес комбинира директни прогнози с извличане на исторически модели, докато SDK приема историческия контекст чрез отделен аргумент context_df.
Интерпретируемост: Kumo-Forecasting включва и независима от модела рамка за интерпретируемост. Когато е активирана, тя генерира пакет с обяснения, съдържащ приноси на лаговете и характеристиките за всеки хоризонт на прогнозиране, диагностика на семантичния поток, диагностика на стабилността на траекторията и опционални Integrated Gradients на вгражданията.Тези резултати придружават прогнозата, вместо да изискват различна прогностична архитектура.
Допълнителни подробности за интерпретируемостта можете да намерите в тази статия: NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
Ограничения
Данните трябва да са числови и времеви. Поддържаните дължини на входните последователности включват 256, 512, 1024 и 2048 наблюдения. Входовете се състоят от колона с времеви маркер и една или повече колони с числови стойности, представени като pandas DataFrame или CSV/JSON вход. При използване на режим DARR размерностите на контекста трябва да са сходни с тези на входа.
Демонстрация: Предсказуема поддръжка
Планът Factory Operations (FOX) включва ранен достъп до модула за предсказуема поддръжка, който използва Kumo Anomaly и Kumo Forecast. Той анализира данни в реално време, за да предсказва бъдещи аномалии.
Демонстрация: Интеграция на платформа
Кликнете върху изображението по-долу, за да получите достъп до сесията от GTC San Jose 2026
Започнете да създавате с Kumo Forecast
За оценка, специфична за дадено приложение, сравнете директните конфигурации и конфигурациите, обогатени с извличане, върху едни и същи задържани прозорци за прогнозиране. Проверете качеството на прогнозата за планираните хоризонти и работни условия в съответствие с изискването на NVIDIA за тестване, специфично за конкретния случай на употреба
Код на модела: NVIDIA/Kumo-TS
Тегла на модела: nvidia/Kumo-Forecast
Хранилището Kumo-TS допълнително предоставя пример за фино дообучаване на Kumo-Forecast върху предоставен от потребителя CSV файл. Така разработчиците разполагат както с предварително обучен работен процес за инференс, така и с документирана отправна точка за адаптиране на модела към собствените си данни.
Модели, споменати в тази статия 1
Общност
· Регистрирайте се или влезте, за да коментирате
Модели, споменати в тази статия 1
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.