Nghiên cứu đánh giá khả năng ứng dụng của mô hình học sâu CNN(Conv1D), CNN(Conv3D) trong phân tích dữ liệu 3D thay đổi theo thời gian với trường hợp điển hình là chuỗi dữ liệu GNSS theo thời gian. Theo đó, dữ liệu thu nhận được của trạm GNSS CORS có tên HYEN từ 10/8/2019 đến 18/3/2022 sau khi được xử lý bằng phần mềm Gamit/Globk để nhận được các thành phần tọa độ N, E, h hàng ngày. Nghiên cứu sử dụng ngôn ngữ lập trình python, với các hàm thư viện như pandas, sklearn, tensorflow… Nghiên cứu đã xây dựng mô đun chương trình dự đoán cho mô hình CNN(Conv1D), CNN(Conv3D). Kết quả thực nghiệm cho thấy, mô hình học sâu cho hiệu quả dự đoán tốt hơn dù tỷ lệ phân chia dữ liệu giữa tập dữ liệu huấn luyện với tập dữ liệu kiểm tra (60% - 40%) so với tỷ lệ tương ứng của mô hình ANN cao hơn (80% - 20%). Hiệu suất của mô hình CNN(Conv3D) khi dự đoán chuỗi dữ liệu GNSS theo thời gian thấp hơn so với kết quả dự đoán sử dụng mô hình CNN(Conv1D). Tuy nhiên, khi đưa thêm thời gian làm 1 lớp của dữ liệu đầu vào, hiệu suất dự đoán với mô hình CNN(Conv3D) được cải thiện một cách rõ nét. Các thông số đặc trưng cho hiệu suất dự đoán của mô hình CNN(Conv1D) như RMSE = 0,67 mm, MAE = 0,53 mm, R2 = 99,7% là rất cao chứng tỏ hiệu quả của mô hình trong dự đoán chuỗi dữ liệu GNSS theo thời gian.