基于递归特征消除选择的粒子群优化-支持向量机回归模型的滑坡位移预测方法

在季节性降水及水库水位变化的影响下,部分山体会产生滑坡,滑坡位移的累积位移-时间曲线表现为明显的“阶跃型”动态变形特征。针对阶跃型滑坡位移,提出基于递归特征消除(RFE)算法的粒子群优化算法(PSO)-支持向量机回归(SVR)阶跃型滑坡位移预测模型,并以新铺滑坡为例展开研究。探究了滑坡位移数据的异常值剔除及缺失值填充方法,采用基于中位数法与集合经验模态分解的方法进行异常值剔除,采用基于统计学变量的方法进行缺失值填充;然后采用指数平滑法将阶跃型滑坡的累积位移拆分为趋势项和周期项。其中对趋势项位移采用傅里叶曲线进行拟合预测;对周期项位移通过基于SVR的RFE筛选出与周期项位移相关性高的影响因子,建立周期项位移预测模型,采用PSO对预测模型参数进行优化;最后,叠加周期项与趋势项位移预测结果,得到滑坡累积位移预测值,所提模型拟合优度为0.999,均方根误差为9.974 mm,平均绝对误差为7.037 mm。与网络搜索交叉验证算法-优化支持向量机模型(GSCV、SVR模型)、遗传算法优化-支持向量机模型(GA-SVR模型)对比,该模型对于突变位移的预测能力较强,适用于阶跃型滑坡中位移加速变化时期的风险预警。