时间序列预测技术对于通过分析过去的趋势来预测未来的价值至关重要。这些技术假定未来趋势与历史趋势相似。预测涉及使用历史数据拟合模型来预测未来值。时间序列模型应用广泛，从天气预报到销售预测，是最有效的预测方法之一，尤其是在做出涉及未来不确定性的决策时。为了评估预测的准确性并对时间序列拟合模型进行比较，本研究采用了三种性能指标：平均绝对误差 (MAE)、均方误差 (MSE) 和均方根误差 (RMSE)。

本研究是为美国陆军工程兵部队进行的。这项工作由美国陆军工程研发中心-地理空间研究实验室（ERDC-GRL）地形、图像和地理空间研究部数据与特征分析处负责。

按时间排序的一系列数据点称为时间序列。对未来事件的预测就是预测（Montgomery 等人，2008 年）。大多数预测问题都涉及时间序列数据的使用。时间序列建模和预测依赖于选择适当的模型（Adhikari 和 Agrawal，2013 年），适用于广泛的应用领域（Dotis-Georgiou，2021 年）。例如，时间序列分析在统计、天气预报、模式识别和医疗分析等领域非常有用（Gautam 和 Singh，2020 年）。时间序列可以是单变量的，即只有一个变量随时间变化；也可以是多变量的，即多个变量随时间变化（Beeram 和 Kuchibhotla，2020 年）。

时间序列数据可分为参数模型和非参数模型。参数模型包括指数平滑法（ES）、自回归移动平均法（ARMA）和自回归综合移动平均法（ARIMAs）。参数法假定基本随机静止过程具有结构性，可以用少量参数来描述（Gautam 和 Singh，2020 年）。非参数方法包括回归模型、神经网络模型、高斯过程模型和长短期记忆模型（高塔姆和辛格，2020 年）。非参数模型明确评估随机过程的协方差，而不假定静止过程具有任何特定结构。时间序列预测是预测建模的一种形式，而时间序列分析是描述建模的一种形式（Brownlee 2020c）。时间序列分析的目标是识别趋势或季节性模式。时间序列预测的目标是预测特定时间点的未来值（Lisowski，2019 年）。

时间序列分析的主要目标包括预测、过滤、时间尺度分析、回归建模和平滑。在此，我们重点讨论预测。预测的第一步是确定使序列静止所需的差分量，以便运行自回归模型（AR）（Prabhakaran, n.d.）。时间序列数据可以使用移动平均（MA）模型进行平滑处理，以消除数据中的噪声（Frost，“Using Moving Average，”n.d.）。ARMA 是一种混合线性模型。该模型的一个重要特点是其因素简洁、冗余，因此所需的参数往往少于 AR 或 MA 模型（Quantstart, n.d.）。ARIMA 模型是 ARMA 模型的一般化，可用于任何呈现模式的非季节性数列（edX, n.d.）。最后，季节性自回归综合移动平均模型（SARIMA）是 ARIMA 模型的延伸，它将季节性成分纳入数据中（Brownlee，2019 年）。

时间序列预测基于使用时间戳数据进行科学预测。在这里，使用越南河内、孟加拉国吉大港和澳大利亚珀斯的温度数据预测未来值。