矿区边坡变形预测的IGM-LSSVM模型

由于监测环境恶劣,变形监测序列常伴有较大波动,针对灰色模型(gray model,GM)仅适用于分析指数型变形序列,且最小二乘支持向量机(least squares support vector machine,LSSVM)在进行变形预测时存在参数难以有效选取的问题,提出了一种改进的灰色最小二乘支持向量机变形预测模型(IGM-LSSVM)。将几何平均生成变换引入GM(1,1)模型,增强其输入样本的指数规律性,初步预测出变形值并计算残差;针对人工蜂群算法(artificial bee colnony,ABC)在优化LSSVM参数时易陷入局部极值的缺陷,引入Metropolis准则并为其设计了自适应降温函数,得到自适应Metropolis人工蜂群算法(adaptive metropolis artificial bee colnony,AMABC);利用AMABC算法优化的LSSVM训练GM(1,1)模型得到的预测残差值补偿GM(1,1)模型,得到最终预测值。某矿区边坡变形预测表明:AMABC算法有效克服了ABC算法易陷入局部最优解的缺点,IGM-LSSVM、GM(1,1)、ABC-GM-LSSVM等模型预测的平均相对误差分别为1.223%,9.565%、3.200%,可见,IGM-LSSVM的预测精度相对于其余2种模型优势明显,对于实现矿区边坡变形高精度预测有一定的参考价值。