GTS_Forecaster：基于深度学习的地理学时间序列预测工具包
机器学习
2025-09-16 v1
摘要
地理学时间序列（如全球导航卫星系统（GNSS）位置、卫星测深衍生的海面高度（SSH）以及潮位计（TG）记录）是监测表面形变和海平面变化的关键数据。准确预测这些变量有助于提升地震、滑坡、沿海暴涨潮以及长期海平面变化的预警系统。然而，这些变量具有非线性、非平稳和缺失数据等特点，给经典模型（往往难以捕捉长期依赖性和复杂时空动力学）带来了显著挑战。我们引入GTS Forecaster，一款开源Python软件包，用于地理学时间序列预测。它集成了多种先进深度学习模型，包括核注意力网络（KAN）、基于图神经网络的门控循环单元（GNNGRU）以及时序图神经网络（TimeGNN），有效建模非线性时空模式。该软件包还提供了稳健的预处理工具，包括异常值检测和基于强化学习的缺失值填充算法——卡尔曼-TransFusion插值框架（KTIF）。GTS Forecaster目前支持GNSS、SSH和TG数据集的预测、可视化和评估，并可适用于一般时间序列应用。通过将前沿模型与易用接口结合，促进了深度学习在地理学预测任务中的应用。
引用
@article{arxiv.2509.10560,
title = {GTS_Forecaster: a novel deep learning based geodetic time series forecasting toolbox with python},
author = {Xuechen Liang and Xiaoxing He and Shengdao Wang and Jean-Philippe Montillet and Zhengkai Huang and Gaël Kermarrec and Shunqiang Hu and Yu Zhou and Jiahui Huang},
journal= {arXiv preprint arXiv:2509.10560},
year = {2025}
}