2026-10-21 — views
NVIDIA Kumo Forecast 发布 DARR 模式，实现可解释的时间序列预测
为什么值得读 Kumo Forecast 引入领域感知表示与检索（DARR），将直接预测与历史背景相结合，为多变量预测提供透明且采用 Apache 2.0 许可的解决方案。
NVIDIA 发布 Kumo Forecast，结合预训练 Transformer 与历史模式检索，提供内置可解释性的时间序列预测方案。
多变量预测的新方法
NVIDIA 推出了 Kumo Forecast，这是一种多变量时间序列预测模型，旨在弥合学习到的表示与历史观测之间的差距。该系统此前被称为 NV-Tesseract Forecasting，将预训练的 Transformer 骨干网络与一种名为领域感知表示与检索（DARR）的新型上下文增强模式相结合。该架构旨在提高预测准确性，同时提供结果的可解释性。
该模型基于 MOMENT-1-large 骨干网络构建，使用大约 3.4 亿参数的基础编码器。架构在训练单独的预测头时保持编码器和嵌入器权重冻结。这种分离使模型能够利用强大的预训练时间表示，同时适应特定的预测任务。该库提供基于 DataFrame 的 API，允许开发者配置预测范围，并可选择提供用于模式检索的历史上下文。
DARR 如何增强预测
Kumo Forecast 通过两条主要路径运行。在直接预测路径中，模型使用基于 MOMENT 的 Transformer 和训练好的预测头来预测未来值。对于超出模型原生能力的预测范围，系统支持自回归扩展，即递归地扩展预测结果。
DARR 模式通过最近邻方法从历史数据中检索相关模式，从而增强这种直接预测。此过程区分了提供近期观测值的模型输入窗口和提供额外上下文以进行模式检索的单独历史 DataFrame。开发者可以通过配置选项调整每条路径的权重，将模型的直接预测与检索到的历史模式相结合。这种区分允许系统利用两个不同的信息来源：预训练期间学到的表示和当前应用可用的历史观测。
内置可解释性框架
Kumo Forecast 的一个关键功能是其模型无关的可解释性框架。启用后，该框架会生成一个解释包，伴随预测结果，而无需不同的预测架构。该包包括每个预测范围的滞后和特征归因、语义流诊断、轨迹稳定性诊断以及可选的嵌入集成梯度。这使用户能够理解特定预测背后的推理过程，解决了深度学习模型通常存在的黑盒性质问题。
实务笔记
Kumo Forecast 采用 Apache 2.0 许可发布，模型代码托管在 NVIDIA/Kumo-TS，权重托管在 nvidia/Kumo-Forecast。该系统需要数值和时间数据，支持的输入序列长度为 256、512、1024 和 2048 个观测值。输入必须包含时间戳列和一个或多个数值列，表示为 pandas DataFrame 或 CSV/JSON 文件。使用 DARR 模式时，上下文数据的维度必须与输入的上下文相似。
该模型已集成到更广泛的应用程序中，例如工厂运营 (FOX) Blueprint。该蓝图包括一个用于预测性维护的早期访问模块，利用 Kumo Anomaly 和 Kumo Forecast 分析实时数据并预测未来异常。开发者还可以找到针对用户提供的 CSV 数据微调模型的示例，为将预训练工作流程适应特定用例提供起点。
实务笔记
开发者应在预期的范围和运行条件下验证预测质量，因为 NVIDIA 要求针对具体用例进行测试。在使用 DARR 模式时，确保历史上下文数据的维度与输入上下文匹配，以避免检索错误。