NVIDIA Kumo Forecast поєднує попередньо навчені представлення часових рядів із пошуком історичних закономірностей та інтерпретованістю
Основні моменти (коротко)
NVIDIA Kumo Forecast (раніше відома як NV-Tesseract Forecasting) — це модель багатовимірного прогнозування часових рядів, яка поєднує попередньо навчену архітектуру Transformer із Domain-Aware Representation and Retrieval (DARR) — режимом прогнозування з розширеним контекстом, що поєднує прямі прогнози моделі із закономірностями, отриманими з історичних даних. Це також передбачає інтерпретованість результатів. Побудована на основі архітектури MOMENT-1-large, Kumo Forecast використовує базовий енкодер приблизно на 340 мільйонів параметрів і навчувану голову прогнозування.
Бібліотека надає API, орієнтований на DataFrame, налаштовувані горизонти прогнозування, необов’язковий історичний контекст для пошуку та фреймворк інтерпретованості, який створює пояснення для кожного горизонту без зміни базового прогнозувальника.
Kumo-Forecast доступна за умовами ліцензії Apache 2.0.
Код моделі: NVIDIA/Kumo-TS
Ваги моделі: nvidia/Kumo-Forecast
Перехід до прогнозування часових рядів із розширеним контекстом
Система прогнозування може спиратися на два різні джерела інформації: представлення, вивчені під час попереднього навчання, та історичні спостереження, доступні для поточного застосування. Kumo-Forecast поєднує їх за допомогою попередньо навченої моделі прогнозування та необов’язкового шляху пошуку в історичному контексті.
У своєму шляху прямого прогнозування Kumo-Forecast використовує Transformer на основі MOMENT і навчену голову прогнозування для передбачення майбутніх значень. У режимі Domain Aware Representation and Retrieval (DARR) вона також отримує пов’язані закономірності з історичних даних за допомогою підходу найближчих сусідів і поєднує цю інформацію з прямим прогнозом.
Це створює відмінність між вікном вхідних даних моделі та її контекстом пошуку. Вікно вхідних даних надає нещодавні спостереження для прогнозу, а окремий історичний DataFrame може надавати додатковий контекст для пошуку закономірностей. Розробники можуть налаштовувати, наскільки сильно фінальний прогноз спирається на кожен зі шляхів, за допомогою параметрів конфігурації бібліотеки.
Додаткову інформацію про режим DARR можна знайти в опублікованій статті Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains
Як працює Kumo Forecast
Kumo-Forecast поєднує чотири основні компоненти: попередньо навчений часовий енкодер, навчувану голову прогнозування, механізм пошуку історичних закономірностей і фреймворк інтерпретованості.
Попередньо навчені часові представлення: модель використовує Transformer-енкодер MOMENT-1-large як свою базову архітектуру. Архітектура залишає ваги енкодера та ембеддера замороженими під час навчання голови прогнозування, відокремлюючи попередньо навчену модель представлень від специфічного для завдання шару прогнозування.
Пряме прогнозування: голова прогнозування відображає представлення моделі в майбутні значення для запитаного горизонту. Для горизонтів, що виходять за межі нативних можливостей моделі, підтримується авторегресійне розширення. Це відрізняє безпосередньо згенерований прогноз від довшого прогнозу, який рекурсивно продовжує передбачення.
Представлення та пошук із урахуванням предметної області: DARR доповнює пряме прогнозування пошуком k найближчих сусідів в історичних контекстних даних. Цей процес поєднує прямі прогнози з пошуком історичних закономірностей, тоді як SDK приймає історичний контекст через окремий аргумент context_df.
Інтерпретованість: Kumo-Forecasting також містить незалежний від моделі фреймворк інтерпретованості. У разі ввімкнення він створює пакет пояснень, що містить атрибуції лагів і ознак для кожного горизонту прогнозування, діагностичні дані семантичного потоку, діагностичні дані стабільності траєкторії та, за бажанням, Integrated Gradients для ембеддінгів. Ці результати доповнюють прогноз і не потребують іншої архітектури прогнозування.
Додаткові відомості про інтерпретованість можна знайти в цій статті NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
Обмеження
Дані мають бути числовими часовими даними. Підтримувана довжина вхідної послідовності включає 256, 512, 1024 і 2048 спостережень. Вхідні дані складаються зі стовпця часових міток і одного або кількох стовпців числових значень, представлених як pandas DataFrame або як вхідні дані CSV/JSON. У разі використання режиму DARR розмірності контексту мають бути подібними до розмірностей вхідних даних.
Демонстрація: прогнозне технічне обслуговування
Factory Operations (FOX) Blueprint надає ранній доступ до модуля прогнозного технічного обслуговування, який використовує Kumo Anomaly та Kumo Forecast. Він аналізує дані в реальному часі, щоб передбачати майбутні аномалії.
Демонстрація: інтеграція з платформою
Натисніть на зображення нижче, щоб отримати доступ до сесії з GTC San Jose 2026
Почніть створювати з Kumo Forecast
Для оцінювання, специфічного для певного застосування, порівняйте конфігурації прямого прогнозування та прогнозування, розширеного пошуком, на однакових відкладених вікнах прогнозування. Перевірте якість прогнозів на запланованих горизонтах і за робочих умов, відповідно до вимоги NVIDIA щодо тестування, специфічного для конкретного сценарію використання
Код моделі: NVIDIA/Kumo-TS
Ваги моделі: nvidia/Kumo-Forecast
Репозиторій Kumo-TS також містить приклад донавчання Kumo-Forecast на наданому користувачем файлі CSV. Таким чином, розробники мають як робочий процес попередньо навченого виведення, так і документовану відправну точку для адаптації моделі до власних даних.
Моделі, згадані в цій статті 1
Спільнота
· Зареєструйтеся або увійдіть, щоб залишити коментар
Моделі, згадані в цій статті 1
Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.