考虑时间滞后的贝叶斯优化长短期记忆网络滑坡土压力预测模型:以福建省南平市公路边坡为例

公路边坡失稳引发的滑坡等灾害问题对人们的生活影响重大,建立滑坡预测模型对地质灾害防治工作具有重大意义。以福建省南平市公路边坡为例,提出基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)的长短期记忆网络(long short term memory,LSTM)模型,探究土压力变化对边坡稳定性的影响。该模型综合考虑了多个滑坡影响因素的相关性,尤其是各个影响因素之间的时间滞后性,并对滞后时间进行计算。对LSTM模型4个超参数(时间步长、隐藏元数量、迭代次数和批大小)进行自动搜索和寻优,解决了用LSTM模型建立滑坡预测模型时需要手动调参的问题。为了验证该模型的准确性和有效性,将该模型与循环神经网络(recurrent neural network,RNN)、LSTM模型进行对比,以南平市公路边坡土压力的监测数据集作为对照。结果表明:相对于其他两种模型,BOA-LSTM模型的均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)分别降低了52.4%和59.9%,28.8%和30.1%,30.2%和29.9%,预测精度从95%左右提高到96.56%,判定系数也更加接近于1,说明该模型可以更加准确地预测土压力的变化,为边坡变形稳定性分析提供有效的数据支撑。