我手上有一份某矿山的位移数据，一共400个小时，位移也从0递增到了2700（mm），现在是做未来100个小时的位移预测，就是预测后面100个小时的位移值，然后目前使用了LSTM和BP神经网络进行递归预测，效果都不好，请各位赐教，我该选取什么模型比较合适。
针对位移数据的预测问题，可以考虑使用时间序列预测模型，例如ARIMA、Prophet等。这些模型能够根据历史数据的时间序列规律，预测未来一段时间内的数值变化趋势。
具体来说，ARIMA（自回归积分滑动平均模型）是一种基于时间序列的预测模型，它通过对历史数据的分析来确定未来一段时间内的趋势和周期性。ARIMA模型包括三个部分：自回归（AR）、差分（I）和移动平均（MA）。在实际应用中，可以通过对历史数据的自相关系数和偏自相关系数进行分析，来确定ARIMA模型的阶数。
另外，Prophet是Facebook开发的一种时间序列预测模型，它结合了趋势、季节性和节假日等多种因素，能够进行更加准确的预测。Prophet模型的主要优点是可以处理缺失值和异常值，并且能够进行多步预测。
当涉及到时间序列预测问题时，常用的模型除了ARIMA和Prophet之外，还有很多其他的选择。
例如，Exponential Smoothing（指数平滑）是一种基于时间序列的预测方法，它适用于平稳或趋势性变化的数据，而且计算速度相对较快。Exponential Smoothing将历史数据的加权平均值作为预测结果，权重随时间递减，越近期的数据权重越高。
另一个常见的模型是Seasonal Autoregressive Integrated Moving Average (SARIMA)。SARIMA是ARIMA的一种扩展形式，它考虑了季节性因素，适用于具有明显季节性的数据预测。
此外，还有基于机器学习算法的时间序列预测模型，例如支持向量机（SVM）、随机森林（Random Forest）和神经网络（Neural Network）等。这些模型通常需要更多的数据和更长的训练时间，但可以处理更复杂的时间序列数据和更多的变量。
总之，选择适合的时间序列预测模型需要根据数据的特点和应用需求进行综合考虑，包括数据的稳定性、周期性、趋势性、季节性等因素。同时，还需要对模型的参数调整和训练进行充分的实验和验证，以确保预测结果的准确性和可靠性。
有些数据本身是随机性的，或者是你的x对于y来说关系不大。
前者比如你用过去的彩票号码预测下一期开奖（假设其中没有别的猫腻）
后者好比你用土壤的成分去预测帽子的销量