2026-10-21 — views
NVIDIA Kumo Forecast 發布 DARR 模式，用於可解釋的時間序列預測
為什麼值得讀 Kumo Forecast 引入領域感知表示與檢索（DARR），將直接預測與歷史脈絡融合，為開發者提供透明且採用 Apache 2.0 授權的多變數預測解決方案。
NVIDIA 發布 Kumo Forecast，結合預訓練 Transformer 與歷史模式檢索，提供內建可解釋性的時間序列預測模型。
多變數預測的新方法
NVIDIA 推出了 Kumo Forecast，這是一款多變數時間序列預測模型，旨在彌合學習到的表示與歷史觀察之間的差距。該系統先前稱為 NV-Tesseract Forecasting，結合了預訓練的 Transformer 骨干與一種名為領域感知表示與檢索（Domain-Aware Representation and Retrieval, DARR）的新型上下文增強模式。此架構旨在提高預測準確性，同時提供結果的可解釋性。
該模型基於 MOMENT-1-large 骨干，使用約 3.4 億參數的基礎編碼器。架構保持編碼器和嵌入器權重凍結，同時訓練獨立的預測頭部。這種分離使模型能夠利用強大的預訓練時間表示，同時適應特定的預測任務。該庫提供了以 DataFrame 為核心的 API，允許開發者配置預測視窗，並可選地提供歷史上下文以進行模式檢索。
DARR 如何增強預測
Kumo Forecast 通過兩個主要路徑運行。在其直接預測路徑中，模型使用基於 MOMENT 的 Transformer 和訓練好的預測頭部來預測未來值。對於超出模型原生能力的長視窗，系統支持自回歸擴展，即遞歸地擴展預測。
DARR 模式通過使用最近鄰方法從歷史數據中檢索相關模式，增強了這種直接預測。此過程區分了提供近期觀察的模型輸入視窗，以及提供額外上下文以進行模式檢索的獨立歷史 DataFrame。開發者可以通過配置選項調整每個路徑的權重，將模型的直接預測與檢索到的歷史模式相結合。這種區別允許系統利用兩個不同的信息來源：預訓練期間學習到的表示和當前應用中可用的歷史觀察。
內建的可解釋性框架
Kumo Forecast 的一個關鍵特徵是其模型無關的可解釋性框架。啟用後，該框架會生成一個解釋包，隨預測結果一起提供，而無需更改不同的預測架構。該包包括每個預測視窗的滯後和特徵歸因、語義流診斷、軌跡穩定性診斷，以及可選的嵌入集成梯度。這使用戶能夠理解特定預測背後的推理過程，解決了深度學習模型通常與之相關的「黑盒」性質。
實際實施細節
Kumo Forecast 在 Apache 2.0 許可下提供，模型代碼託管在 NVIDIA/Kumo-TS，權重位於 nvidia/Kumo-Forecast。該系統需要數值和時間數據，支持的輸入序列長度為 256、512、1024 和 2048 個觀察值。輸入必須包含時間戳列和一個或多個數值列，表示為 pandas DataFrame 或 CSV/JSON 文件。當使用 DARR 模式時，上下文數據的維度必須與輸入的上下文相似。
該模型已開始集成到更廣泛的應用中，例如工廠運營（FOX）藍圖。該藍圖包括一個預測性維護的早期訪問模塊，利用 Kumo Anomaly 和 Kumo Forecast 來分析實時數據並預測未來的異常。開發者還可以找到在用戶提供的 CSV 數據上微調模型的示例，為將預訓練工作流程適應特定用例提供起點。
實戰筆記
開發者應在預期的視窗和運行條件下驗證預測質量，因為 NVIDIA 要求進行特定用例的測試。在使用 DARR 模式時，確保歷史上下文數據的維度與輸入上下文匹配，以避免檢索錯誤。