NVIDIA Kumo Forecast объединяет предобученные представления временных рядов с извлечением исторических паттернов и интерпретируемостью
Основные моменты (кратко)
NVIDIA Kumo Forecast (ранее известная как NV-Tesseract Forecasting) — это многомерная модель прогнозирования временных рядов, которая объединяет предварительно обученный базовый Transformer с предметно-ориентированным представлением и извлечением (DARR) — режимом прогнозирования с расширенным контекстом, сочетающим прямые предсказания модели с закономерностями, извлечёнными из исторических данных. Это также обеспечивает интерпретируемость результатов. Построенная на базе MOMENT-1-large, модель Kumo Forecast использует базовый энкодер примерно с 340 миллионами параметров и обучаемую голову прогнозирования.
Библиотека предоставляет API, ориентированный на DataFrame, настраиваемые горизонты прогнозирования, необязательный исторический контекст для извлечения данных и фреймворк интерпретируемости, который создаёт объяснения для каждого горизонта без изменения базового прогнозировщика.
Kumo-Forecast доступна по лицензии Apache 2.0.
Код модели: NVIDIA/Kumo-TS
Веса модели: nvidia/Kumo-Forecast
Переход к прогнозированию временных рядов с расширенным контекстом
Система прогнозирования может использовать два разных источника информации: представления, изученные во время предварительного обучения, и исторические наблюдения, доступные для текущего приложения. Kumo-Forecast объединяет их с помощью предварительно обученной модели прогнозирования и дополнительного пути извлечения данных из исторического контекста.
В режиме прямого прогнозирования Kumo-Forecast использует Transformer на базе MOMENT и обученную голову прогнозирования для предсказания будущих значений. В режиме предметно-ориентированного представления и извлечения (DARR) модель также извлекает связанные закономерности из исторических данных с помощью подхода ближайших соседей и объединяет эту информацию с прямым прогнозом.
Это создаёт различие между входным окном модели и контекстом извлечения. Входное окно предоставляет недавние наблюдения для прогноза, а отдельный исторический DataFrame может предоставлять дополнительный контекст для извлечения закономерностей. Разработчики могут настраивать степень зависимости итогового прогноза от каждого из этих путей с помощью параметров конфигурации библиотеки.
Дополнительная информация о режиме DARR представлена в опубликованной статье Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains
Как работает Kumo Forecast
Kumo-Forecast объединяет четыре основных компонента: предварительно обученный временной энкодер, обучаемую голову прогнозирования, механизм извлечения исторических закономерностей и фреймворк интерпретируемости.
Предварительно обученные временные представления: модель использует энкодер Transformer MOMENT-1-large в качестве базовой архитектуры. При обучении головы прогнозирования веса энкодера и эмбеддера остаются замороженными, что отделяет предварительно обученную модель представлений от специфичного для задачи слоя предсказания.
Прямое прогнозирование: голова прогнозирования преобразует представления модели в будущие значения для запрошенного горизонта. Для горизонтов, выходящих за пределы исходных возможностей модели, поддерживается авторегрессионное расширение. Это позволяет отличать прогноз, сгенерированный напрямую, от более длинного прогноза, который расширяет предсказания рекурсивно.
Предметно-ориентированное представление и извлечение: DARR дополняет прямое прогнозирование извлечением методом k ближайших соседей из данных исторического контекста. Этот процесс объединяет прямые прогнозы с извлечением исторических закономерностей, а SDK принимает исторический контекст через отдельный аргумент context_df.
Интерпретируемость: Kumo-Forecasting также включает не зависящий от модели фреймворк интерпретируемости. При включении он создаёт пакет объяснений, содержащий атрибуции лагов и признаков для каждого горизонта прогнозирования, диагностику семантического потока, диагностику стабильности траекторий и дополнительные интегрированные градиенты эмбеддингов. Эти результаты сопровождают прогноз и не требуют другой архитектуры прогнозирования.
Дополнительные сведения об интерпретируемости представлены в статье NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
Ограничения
Данные должны быть числовыми и временными. Поддерживаемая длина входной последовательности включает 256, 512, 1024 и 2048 наблюдений. Входные данные состоят из столбца временных меток и одного или нескольких столбцов числовых значений, представленных в виде DataFrame pandas или входных данных CSV/JSON. При использовании режима DARR размерности контекста должны быть схожи с размерностями входного контекста.
Демонстрация: предиктивное обслуживание
Blueprint Factory Operations (FOX) предоставляет ранний доступ к модулю предиктивного обслуживания, который использует Kumo Anomaly и Kumo Forecast. Он анализирует данные в реальном времени для прогнозирования будущих аномалий.
Демонстрация: интеграция с платформой
Нажмите на изображение ниже, чтобы получить доступ к сессии GTC San Jose 2026
Начните разработку с Kumo Forecast
Для оценки в конкретном приложении сравните конфигурации с прямым прогнозированием и прогнозированием с улучшенным извлечением на одинаковых отложенных окнах прогнозирования. Проверьте качество прогнозов на заданных горизонтах и в рабочих условиях в соответствии с требованием NVIDIA проводить тестирование для конкретного варианта использования
Код модели: NVIDIA/Kumo-TS
Веса модели: nvidia/Kumo-Forecast
Репозиторий Kumo-TS также содержит пример дообучения Kumo-Forecast на предоставленном пользователем CSV-файле. Таким образом, разработчики получают как рабочий процесс вывода с предварительно обученной моделью, так и документированную отправную точку для адаптации модели к собственным данным.
Модели, упомянутые в этой статье 1
Сообщество
· Зарегистрируйтесь или войдите, чтобы оставить комментарий
Модели, упомянутые в этой статье 1
Переведено автоматически с английского. Оригинал статьи — по ссылке ниже.