山体滑坡时序预测系列：

时间序列预测问题（一）：时序预测方式总结
时间序列预测问题（二）：时间序列大模型TimeGPT

写在前面：

最近在做一个山体滑坡监测预警系统，目前的工作进度是系统已经基本搭建完成，开始研究预警模块了，目前可用的数据就是基于GNSS（全球导航卫星系统）传感器采集的每一时刻的山体位移数据，如下图 其实也就是山体移动的变化量。以数据的特征为导向，自然而然的想到了时间序列预测问题，即基于上图中历史的位移数据去预测未来位移的可能取值。时序预测问题有很多方法，不论通过什么手段，只要能得到一个模型较为准确的预测出未来的山体位移情况，那这一数据结果自然对于预警是十分有帮助的，我们只需要再通过调研资料，根据位移的趋势确定预警级别即可。（有些偏题，不过这是最近工作的思路，后面会持续更新各种时序预测方法在我的数据集上的实战，最后会统一对比效果）

时序预测的方式

时间序列预测是指根据历史数据序列分析其内在的规律，预测未来数据走势的方法。时间序列预测是一类非常经典的问题，在学术界和工业界都有着广泛的应用和研究场景。理论上来讲，世间万物，任何指标加上时间维度后都可以抽象成时间序列问题，在我的数据集应用场景下就是山体位移这一数据指标对应上了时间这一特征，因此我便可以通过时序预测去研究它。
当前主流的解决方式主要有：

统计学模型

较为经典的AR系列，包括AR、MA、ARMA以及ARIMA等。

传统机器学习模型

深度学习模型

RNN、LSTM为代表。

大模型

TimeGPT，使用各种时序数据训练出的专注于时序预测问题的大模型。

参考文章：

1. https://cloud.tencent.com/developer/article/1943622