基于多算法参数优化与SVR模型的白水河滑坡位移预测*

苗发盛吴益平②谢媛华李曜男范斌强张 俊

（①中国地质大学（武汉）工程学院 武汉 430074）

（②教育部三峡地质灾害研究中心 武汉 430074）

基于多算法参数优化与SVR模型的白水河滑坡位移预测*

苗发盛①吴益平①②谢媛华①李曜男①范斌强①张 俊①

（①中国地质大学（武汉）工程学院 武汉 430074）

（②教育部三峡地质灾害研究中心 武汉 430074）

滑坡预测对于减轻地质灾害的危害十分重要，但对科学研究却很有挑战性。基于变形特征和位移监测数据，建立了三峡库区白水河滑坡的时间序列加法模型。在模型中，累计位移分为3个部分：趋势、周期和随机项，解释了由内部因素（地质环境，重力等）、外部因素（降雨，水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后，提出了一个3次多项式模型对趋势项进行学习，并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明，在预测精度上，基于时间序列与遗传算法－支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此，GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中，GA-SVR将具有广阔的应用前景。

白水河滑坡 时间序列 位移预测 支持向量回归机 遗传算法

0 引 言

滑坡作为最严重的地质灾害之一，由于形成条件和地质过程复杂，使得其演化过程中的数据采集是一项极其艰巨的任务。因此，基于不完整的动态监测数据的滑坡预测理论开始兴起。滑坡变形预测开始于60年代的Saito模型。经过50a的发展，滑坡变形预测研究取得了非常大的成果。目前，基于变形或位移的预测模型大致可分为以下几类：（1）经验模型，这类模型主要是从长期监测数据出发，采用蠕变理论来对函数变量（位移与速率）进行处理。如：Saito模型（Satio，1965），Fukuzono模型（Fukuzono，1985），Hayashi模型（Hayashi et al.，1988），Voight模型（Voight，1989），以及其他模型（Crosta et al.，2002；Mufundirwa et al.，2010）。这类模型基本上都来自于实际观测与蠕变实验，在滑坡、火山、地震和其他灾害预测中有着良好的应用，但他们有严格的应用条件。（2）统计模型，它是基于数理统计方法和其他预测理论提出的，如灰色系统模型（邓聚龙，1988），Verhulst模型（殷坤龙等，1996），植物生长模型（孙景恒等，1993），灰色位移矢量角模型（阳吉宝，1995）。从已知的位移统计规律可以推断出未知的位移。在实际情况下，滑坡变形受多种因素共同影响，因此，统计模型在滑坡时间序列预测方面有一定的局限性。（3）非线性理论模型，如利用突变理论（秦四清，2005）、协同论（黄润秋等，1997）、神经网络理论（吴益平等，2007；张楠等，2016）等来进行预测。（4）综合模型，主要是采用融合多模型的方法进行滑坡位移预测。如钟荫乾（1995）采用综合信息融合的方法，对黄腊石滑坡进行变形评价。Calvello et al.（2008）将地下水模型与运动模型相结合，对意大利中部滑坡变形进行预测。

滑坡时间预测理论已经研究了50多年，取得了一定的成功。但这些理论仍有一些不足之处。例如，基于蠕变理论的模型很难确定蠕变曲线的加速蠕变阶段；关于数据采集程序和数学统计方法适用性的讨论仍有相当大的争议；非线性模型通常用于测试滑坡理论的可行性，他们是否能够被用来预测未来的山体滑坡仍不得而知。

在非平稳时间序列理论中，时间序列包括3个部分（杨叔子，1992）：（1）趋势项，反映内部因素；（2）周期项，反映长期外部因素；（3）随机项，反映不可测因素。基于位移观测数据，考虑滑坡变形的多个因素（如降雨强度、水位周期运动、外部环境条件），采用非平稳时间序列理论建立动态模型，以反映滑坡位移演化与影响因素之间的关系。

本文以秭归县沙镇溪镇白水河滑坡为例，首先对其影响因素进行分析，然后建立了时间序列模型，分别利用3次函数和基于GS、GA、PSO以及GA（cpg）寻优的支持向量回归机模型对模型中的各项进行回归拟合；最后以均方根误差MSE和拟合优度R2为评判指标，对预测结果进行分析。

1 预测模型

1.1 时间序列理论

在处理时间序列数据时，常做如下假设：（1）收集的数据能准确反映历史；（2）历史将在一段时间内复发。因此，可以利用时间序列的特性来处理历史数据，预测未来。在滑坡预测方面，应选择适当的信息来源，建立合理的模型。时间序列为：

其中，X（t）为时间序列函数；φ（t）为位移趋势项；η（t）为位移周期项；ε（t）为位移随机项。张俊等（2015）认为，在现有检测手段条件下，无法对随机因素进行准确预测。因此，在预测总位移时，本文忽略了随机项。由于每个函数时间序列加法模型能较好地对应于滑坡位移的一部分，因此，时间序列模型在理论上可以用于滑坡位移预测。

1.2 支持向量机回归模型

支持向量回归机模型全称为support vector regression（SVR）。是支持向量机（support vector machine，SVM）的一种，主要用来解决回归问题的算法，多为非线性回归，由美国学者Vapnik（2000）提出。SVR回归原理是将样本数据的一部分用于训练，剩下的部分用于预测。首先将训练样本作为输入向量，然后将其映射到更高维度的空间并进行训练，最后利用测试项分析其预测效果。其目的主要是用于预测分析（Vapnik，2000；Ustunb et al.，2005；Yilmaz，2010；Pradhan，2013）。

设yj为样本数据，其影响因子个数为p，表示为xj＝｛xj1，xj2，…，xjp｝。则SVR模型为：

式中，WT为估计函数的自变系数；φ（x）为特定映射函数，主要将样本数据反映到更高维度的特征空间；b为估计函数的偏置量。WT和b可以通过求取最优分类面函数的最小化来获取：

式中，D（f）为最优分类面函数，最小化意义为分类间隔最大和错分样本最少；为训练样本复杂度；C为模型惩罚因子；Rε为ε控制误差函数。上述可简化为：

令上式中，W，b，ξj，ξ*j的偏导数为0，利用对偶理论和Lagrange方程，可得：

SVR模型主要用于小规模样本的训练，过程简单，预测准确度良好，比较适用于监测周期不长的滑坡位移预测。本文中应用的核函数是多项式函数。

1.3 网格寻优算法

网格搜索法（grid search，GS）是一种最基本的

式中，K（xr，xj）即为SVR模型的核函数。通过求解，可得SVR函数模型为：参数优化算法。其原理是将待搜索的参数按照一定的步长划分为若干个网格，然后分别验证每个网格中各个点的性能，最终选取出性能达到最佳的参数（吴皓莹等，2014）。网格搜索法的缺点是一旦网格划分的过大或者搜索步长过小时，寻优过程缓慢且复杂；优点是相对于其他方法，整个寻优过程不会陷入局部最优（刘新宇等，2011）。

1.4 遗传算法

遗传算法（genetic algorithm，GA）是模拟生物进化过程的一类优化算法，具有很强鲁棒性。全局搜索和隐含并行是遗传算法的两个主要特征。其原理是将所有的解都统一编码，使得解空间转变为类似生物体的染色体空间，然后定义其适应度，使较优解的适应度也较高。再对种群施加遗传算子，如变异、交叉、选择等，确定最优参数的方向，使得种群向其不断进化发展（向先全等，2011）。常用的有二参数遗传算法（GA），三参数遗传算法（GA（cpg））。

1.5 粒子群优化算法

粒子群算法全称为particle swarm optimization（PSO），主要用于优化全局（Eberhart et al.，1995）。在优化问题中，所有的解分别被指定的粒子所代替，首先定义一个适应值函数，对每个粒子的适用性进行评判，其次每个粒子根据所有粒子的“飞行经验”群游，从而得到最适解。每个粒子在寻优过程中同时考虑自身最优和全局最优，其速度和位置随着迭代过程的进行而不断更新（姜谙男，2007）。

1.6 基于参数优化的SVR模型

采用多参数优化的支持向量回归机模型，在优化过程中，获取了最优的惩罚因子c和核函数参数g，从而克服了支持向量回归机最优参数搜寻困难的问题，其原理（图1）。

图1 基于参数优化的SVR原理图Fig.1 Schematic diagram ofmulti algorithm optimization and SVRmodel

1.7 灰色关联度

关联度表示多个数列间差异程度的大小。设X0为母序列，X1，X2，…，Xn分别为子序列，即比较序列。关联系数ξ（Xi）可通过式（7）求得：

其中，ρ为分辨系数，本文计算中，取ρ＝0.5；Δmin与Δmax分别为归一化后母序列与子序列的最小差值与最大差值；Δoi（k）为归一化后母序列与子序列差值的绝对值。关联度ri则为序列中各单点的平均值：

2 白水河滑坡概况

图2 监测点布置平面图Fig.2 Monitoring points of Baishuihe Landslide

2.1 工程地质概况

白水河滑坡地处三峡库区秭归县，长江南岸。滑坡南北长约750m，东西宽约700m，平均坡度30°，滑坡体平均厚度30m。滑坡体积约为1，260× 104m。滑坡平面图（图2）。

根据白水河滑坡的宏观变形迹象和位移监测数据，分成两个大区：（1）A区－预警区部分，主要是位于公路下方的部分，即滑坡的中前部，有着相对强烈变形特征。其中，该区域的后部为一次级滑坡，于2007年发生了滑移，为C区；（2）B区－滑坡后部，相对较为稳定，变形迹象不明显。

2.2 滑坡监测数据分析

由于监测点ZG118、XD-01的监测周期长，数据相对完整，且位移趋势相近，符合白水河滑坡的整体变形迹象。因此，本文选取该两点做位移时间序列详细分析。

监测点ZG118、XD-01位移与库水位，降雨（图3）。由观测数据，可知：

（1）白水河滑坡监测点的位移特征增长趋势大致相同。滑坡位移的增长主要发生在库水位下降的末端，即5～8月。而9月～次年4月，滑坡位移基本保持平稳，增幅较小。说明滑坡位移与库水位变化具有较强的相关性，尤其是库水位下降。此外，滑坡位移相对于库水位的变化有一定程度的“延迟效应”。

（2）根据降雨数据，秭归县5月到10月的降水较为集中，而这一时段位移增长较快。由图可知，月位移与月降雨强度具有良好对应。

综上所述，水库蓄水期间，库水位的上升使得坡体受到静水压力，对滑坡稳定性起到有利作用。而由于地下水位的变化通常滞后于库水位的变化，因而库水位下降期间，坡体将受到一个指向坡外的动水压力，对滑坡的稳定性起到不利影响（缪海波，2012）。降雨则从两方面影响着坡体：一方面，未入渗的雨水在地表出现径流，对坡体表面产生物理冲刷；另一方面，入渗的雨水使得地下水位部分抬升，使得岩土体物理力学参数改变，并使得坡体由非饱和变为饱和状态，重度增加。因此，滑坡位移发展的主要外因是库水位波动和降雨因素。

3 位移预测

计算选取白水河滑坡2008年1月至2011年12月的原始时间序列作为样本。其中，2008年1月至2011年6月的累计位移序列作为训练样本，2011年7月到2011年12月的累计位移序列作为测试样本。

3.1 趋势项位移预测

滑坡内在因素表现为趋势项位移。由图3可知，汛期的位移有一个周期性变化的“阶梯”增长。因此，采用滑动平均法来提取位移曲线，并将其作为滑坡位移的趋势项。这种方法可以减少周期性水库水位波动和降雨引起的位移曲线急剧增加。

原始时间位移序列为：

趋势项位移提取为：

图3 白水河滑坡降雨、库水位高程、累计位移监测曲线Fig.3 Monitoring data of rainfall，reservoir water level and accumulative displacement of landslide

根据位移累计曲线的特征，即位移呈现阶梯式增长，且以年为周期，因此，在文中的计算中，选取n＝12。

监测点ZG118、XD-01趋势项位移（图4）。

趋势项位移预测模型可以根据曲线形状来拟合。当它是线性或幂函数时，采用最小二乘法拟合曲线；当为指数函数时，可以利用GM（1，1）模型来描述。根据图3曲线，利用GM（1，1）模型和Verhulst增长模型来拟合趋势项位移，精度较低。因此，这两种模式不适合于白水河滑坡趋势项位移拟合。本文采用多项式拟合中基本形式的多项式拟合的最小二乘法。

计算结果（表1）：

图4 趋势项位移提取值Fig.4 The curve of the extracted trend term displacementwith time

表1 趋势项位移拟合结果Table 1 The parameters of trend term displacement polynomial fitting

多项式拟合结果（图5）。拟合优度分别达到了0.996和0.9929，拟合效果较好。主要原因在于移动平均法能较好地消除累计位移曲线中突变因素的影响。

3.2 周期项位移预测

3.2.1 周期项位移提取

根据时间序列加法模型的思想，消除趋势项后的累计位移即为周期项位移。周期项位移提取结果（图6）。

3.2.2 周期项位移影响因子选取

模型的训练效果取决于影响因子的选取。因此，影响因子的选取至关重要。

降雨作用：除形成地表径流冲刷坡体外，降雨入渗与坡体作用通常为两个方面：（1）物理作用方面：主要是通过静水压力与动水压力的变化来使得坡体的抗剪强度以及下滑力、抗滑力发生变化；（2）化学作用方面：主要通过与部分矿物的化学反应来影响到坡体与滑带的内摩擦角和黏聚力（刘小伟等，2003；陈洪凯等，2012；张书华等，2015）。由于土质坡体的渗透系数较小，使得降雨入渗相对缓慢，因此选取影响因子时应充分考虑长期降雨作用的影响。本文选取了位移时间点前一月与两月的降雨量作为影响因子。

图5 趋势项位移提取值与预测值Fig.5 The curve of the extracted and predicted trend term displacementwith time

图6 周期项位移提取值Fig.6 The curve of the extraction of detrended displacementwith time

库水作用：与降雨作用类似，库水作用主要是通过静水压力与动水压力的变化来使得坡体的下滑力、抗滑力以及抗剪强度发生变化，也使得坡体渗透性能改变（李晓等，2004）。但库水的影响通常是一个缓慢的过程，因此，在选取当前库水位高程的基础上，本文又将位移时间点前一月与两月的库水位波动值作为影响因子。

累计位移年增量：由图2可知降雨与库水位呈周期性变化，使得滑坡的年累计位移增量也呈现出一定的规律性。因此，本文选取了位移累计年增量作为影响因子。

根据灰色关联度分析法，分别求得ZG118与XD-01的周期性位移与6组影响因子间的关联度rk（表2）。周期性位移与各影响因子的关联度rk＞0.6则表示密切相关（汪洋等，2004），同时也验证了各影响因子的合理性。

表2 ZG118与XD-01的周期性位移与6组影响因子间关联度Table 2 Relational degree between periodic displacement of ZG118，XD-01 and impact factors

3.2.3 各模型预测对比

分别利用GS、GA、PSO、GA（cpg）算法对SVR进行参数寻优，得到最优核函数参数g和惩罚因子c（表3）。利用SVR模型对样本进行训练。预测结果如表4、图7所示。

表3 各模型寻优结果Table 3 Optimal parameters of each model

表4 各模型训练结果对比Table 4 Training result contrast of each model

各模型在预测ZG118周期项时，拟合优度R2与均方根误差MSE均较为接近；而在预测XD-01周期项时，GA-SVR与GA（cpg）-SVR的拟合优度明显大于GS-SVR与PSO-SVR。由图7可知，2009年8月、9月前后周期性位移预测值与提取值出现了较大的偏差。对比降雨资料可知，该点位于暴雨之后，而位移对于强降雨有一定的“延迟效应”。SVR训练结果表明：基于GA优化模型的预测精度要明显高于GS和PSO优化的模型。

图7 周期项位移提取值与预测值Fig.7 The curve of the extracted and predicted periodic term displacementwith time a.ZG118；b.XD-01

3.3 累计位移预测

由时间序列模型可知，滑坡累计位移为趋势项与周期项之和。两者叠加得到监测点ZG118、XD-01的累计位移（图8）。

通过对监测点ZG118、XD-01的训练和预测位移的比较，我们可以看到预测的位移曲线与观测值吻合良好。它不仅能很好地拟合初始样本数据，而且可以预测未来6个月的位移。结果表明该模型可以显示累计位移量的上升趋势，且预测结果较好。因此，在滑坡位移预测方面，GA-SVR模型可以较好的应用。

图8 滑坡累计位移实测值与预测值Fig.8 The curve of the relationship between the observed and predicted displacement

4 结 论

（1）在分析三峡库区滑坡变形机制时，应同时考虑内外两方面因素的共同作用。其中，内因是滑坡变形发展的基础，而外因则对滑坡变形起到了进一步加速的作用。

（2）将时间序列理论应用于滑坡位移曲线上，累积位移序列被分为3部分：趋势项、周期项和随机项，使位移预测具有明确的数学物理意义，实为一种有效的方法。

（3）周期性位移计算结果表明，基于时间序列与GA-SVR耦合的滑坡位移预测模型的预测精度要明显高于GS以及PSO优化的SVR模型。因此，在“阶跃型”滑坡位移预测中，GA-SVR将具有广阔的应用前景。

（4）虽然本文模型在整体预测方面较好，但不可否认，在影响因素出现短时急剧变化的情况下，SVR模型训练及预测结果可能会出现一定的偏差。

Calvello M，Cascini L，Sorbino G.2008.A numerical procedure for predicting rainfall-induced movements of active landslides along preexisting slip surfaces［J］.International Journal for Numerical and Analytical Methods in Geomechanics，32：327～351.

Chen H K，Wei L，Tan L.2012.Review of research on empirical rainfall threshold of rainfall-induced landslide［J］.Journal of Chongqing Jiaotong University（Natural Science Edition），31（5）：990～996.

Crosta G B，Agliardi F.2002.How to obtain alert velocity thresholds for large rockslides［J］.Physics and Chemistry of the Earth，27（36）：1557～1565.

Deng J L.1988.Grey forecasting and decision making［M］.Wuhan： Huazhong University of Science and Technology Press：86～128.

Eberhart R，Kennedy J.1995.A new optimizer using particle swarm theory［C］∥Proceedings of the Sixth International Symposium on Micro Machine and Human Science.Nagoya，Japan：IEEE：39～43.

Fukuzono T.1985.A newmethod for predicting the failure time of a slope［C］∥Proceedings of the 4 International Conference and Field Workshop on Landslides.Tokyo：Tokyo University Press：145～150.

Hayashi S，Komamura F，Park B.1988.On the forecastof time to failure of slope-time processof slope failure［J］.Journalof Japan Landslide Society，24（4）：11～18.

Huang R Q，Xu Q.1997.Synergetic prediction model of slope instability［J］.Journal of Mountain Research，5（1）：7～12.

Jiang A N.2007.Forecasting nonlinear time series of surrounding rock deformations of underground cavern based on PSO-SVM［J］.Rock and Soil Mechanics，28（6）：1176～1180.

Li X，Zhang N X，Liao Q L，et al.2004.Analysis on hydrodynamic field influenced by combination of rainfall and reservoir level fluctuation［J］.Chinese Journalof Rock Mechanics and Engineering，23（21）：3714～3720.

Liu XW，Liu G，ChenWW，etal.2003.Analysis on rainfall influence on slope deformation and failure［J］.Chinese Journal of Rock Mechanics and Engineering，22（S2）：2715～2718.

Liu X Y，Huang D Q.2011.Study on classifier of wet-road images based on SVM［J］.Journal of Wuhan University of Technology（Transportation Science＆Engineering），35（4）：784～787，792.

Miao H B.2012.Study on deformation and failure mechanism of the Jurassic red bed landslide in the Three Gorges Reservoir Area［D］. Wuhan：China University of Geosciences.

Mufundirwa A，Fujii Y，Kodama J.2010.A new practical method for prediction of geomechanical failuretime［J］.International Journal of Rock Mechanics Mining Scientific，47（7）：1079～1090.

Pradhan B.2013.A comparative study on the predictive ability of the decision tree，support vector machine and neuro-flizzy models in landslide susceptibility mapping using GIS［J］.Computers and Geosciences，51：350～365.

Qin SQ.2005.Nonlinear evolutionmechanism and physical prediction of instability of planar-slip slope［J］.Chinese Journal of Geotechnical Engineering，27（11）：1241～1248.

Saito M.1965.Forecasting the time of occurrence of a slope failure［A］. In：Proceedings of the 6 International Mechanics and Foundation Engineering［C］∥Montr al，Que.Oxford：Pergamon Press，537～541.

Sun J H，Li Z M，Su W Y.1993.Application of pearl model to the forecast of slope failure time［J］.Chinese Journal of Prevention and Control of Geologic Disasters，2：38～43.

Üstunb B，Melssen W J，Oudenhuuzen M，et al.2005.Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization［J］.Analytica Chimica Acta，544（1—2）：292～305.

Vapnik V.2000.The nature of statistical learning theory［M］.New York USA：Springer-Verlag：138～167.

Voight B.1989.A relation to describe rate-dependent materialfailure［J］.Science，243：200～203.

Wang Y，Yin K L.2004.Grey correlation analysis of sensitive factors of landslide［J］.Rock and Soil Mechanics，1：91～93.

Wu H Y，Cheng J，Fan K.2014.Research on speech feature extraction and recognition model based on SVM［J］.Journal of Wuhan University of Technology（Transportation Science＆amp；Engineering），2：316～319.

Wu Y P，Teng W F，Li Y W.2007.Application of grey-neural network model to landslide deformation prediction［J］.Chinese Journal of Rock Mechanics and Engineering，26（3）：632～636.

Xiang X Q，Tao JH.2011.Eutrophication model of Bohai Bay based on GA-SVM［J］.Journal of Tianjin University，44（3）：215～220.

Yang J B.1995.A new criterion for forecasting impending slide of accumulation landslide［J］.Journal of Engineering Geology，3（2）：70～73.

Yang S Z.1992.Engineering application of time series analysis［M］. Wuhan：Huazhong University of Science and Technology Pres.

Yilmaz I K.2010.Comparison of landslide susceptibility mapping methodologies for Koyulhisar，Turkey：conditional probability，logistic regression，artificial neural networks，and support vector machine［J］.Environmental Earth Sciences，61（4）：821～836.

Yin K L，Yan T Z.1996.Landslide prediction and relevantmodels［J］. Chinese Journal of Rock Mechanics and Engineering，15（1）：1～8. Zhang J，Yin K L，Wang J J，et al.2015.Displacement prediction of baishuihe landslide based on time series and PSO-SVR model［J］. Chinese Journal of Rock Mechanics and Engineering，34（2）：382～391.

Zhang N，Wang L Q，Ge Y F，et al.2016.Application of BP neural network based on factor analysis to prediction of rock mass deformation modulus［J］.Journal of Engineering Geology，24（1）：87～95.

Zhang SH，Zhang H L，Zhao Z H.2015.Influence of volumetric water content on seepage characteristics of slope deposit under rainfall conditions［J］.Journal of Engineering Geology，23（5）：827～834.

Zhong Y Q.1995.Study of predictionmethod by synthetic information for huanglashi landslide［J］.Chinese journal of prevention and control of geologic disasters，6（4）：68～74，80.

陈洪凯，魏来，谭玲.2012.降雨型滑坡经验性降雨阈值研究综述［J］.重庆交通大学学报（自然科学版），31（5）：990～996.

邓聚龙.1988.灰色预测与决策［M］.武汉：华中理工大学出版：86～128.

黄润秋，许强.1997.斜坡失稳时间的协同预测模型［J］.山地研究，5（1）：7～12.

姜谙男.2007.基于PSO-SVR非线性时序模型的隧洞围岩变形预报［J］.岩土力学，29（6）：1176～1180.

李晓，张年学，廖秋林，等.2004.库水位涨落与降雨联合作用下滑坡地下水动力场分析［J］.岩石力学与工程学报，23（21）：3714～3720.

刘小伟，刘高，谌文武，等.2003.降雨对边坡变形破坏影响的综合分析［J］.岩石力学与工程学报，22（S2）：2715～2718.

刘新宇，黄德启.2011.基于SVM分类器的道路湿滑图像分类方法研究［J］.武汉理工大学学报（交通科学与工程版），35（4）：784～787，792.

缪海波.2012.三峡库区侏罗系红层滑坡变形破坏机理与预测预报研究［D］.武汉：中国地质大学.

秦四清.2005.斜坡失稳过程的非线性演化机制与物理预报［J］.岩土工程学报，27（11）：1241～1248.

孙景恒，李振明，苏万益.1993.Pearl模型在边坡失稳时间预报中的应用［J］.中国地质灾害与防治学报，4（2）：36～41.

汪洋，殷坤龙，安关峰.2004.滑坡敏感因子的灰色关联分析［J］.岩土力学，25（1）：91～93.

吴皓莹，程晶，范凯.2014.基于SVM的语音特征提取及识别模型研究［J］.武汉理工大学学报（交通科学与工程版），38（2）：316～319.

吴益平，滕伟福，李亚伟.2007.灰色－神经网络模

型在滑坡变形预测中的应用［J］.岩石力学与工程学报，26（3）：632～636.

向先全，陶建华.2011.基于GA-SVM的渤海湾富营养化模型［J］.天津大学学报，44（3）：215～220.

阳吉宝.1995.堆积层滑坡临滑预报的新判据［J］.工程地质学报，3（2）：70～73.

杨叔子.1992.时间序列分析的工程应用［M］.武汉：华中科技大学出版社.

殷坤龙，晏同珍.1996.滑坡预测及相关模型［J］.岩石力学与工程学报，15（1）：1～8.

张俊，殷坤龙，王佳佳，等.2015.基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究［J］.岩石力学与工程学报，34（2）：382～391.

张楠，王亮清，葛云峰，等.2016.基于因子分析的BP神经网络在岩体变形模量预测中的应用［J］.工程地质学报，24（1）：87～95.

张书华，张海龙，赵中华.2015.降雨条件下体积含水率对堆积体边坡渗流特性的影响研究［J］.工程地质学报，23（5）：827～834.

钟荫乾.1995.黄腊石滑坡综合信息预报方法研究［J］.中国地质灾害与防治学报，6（4）：68～74，80.

DISPLACEMENT PREDICTION OF BAISHUIHE LANDSLIDE BASED ON MULTIALGORITHM OPTIM IZATION AND SVR MODEL

MIAO Fasheng①WU Yiping①②XIE Yuanhua①LIYaonan①FAN Binqiang①ZHANG Jun①
（①China University of Geosciences，Faculty of Engineering，Wuhan 430074）
（②Three Gorges Research Center for Geo-hazard，Ministry of Education，Wuhan 430074）

Prediction of landslides is very important formitigating geo-hazards but is scientifically very challenging. Based on the deformation characteristics and the datameasured bymonitoring of Baishuihe landslide，Three Gorges Reservoir，a time series additionmodelwas established for the landslide displacement prediction.In themodel，the accumulative displacement is divided into three parts：trend，periodic and random terms，which can be explained by the internal factors（geological environment，gravity，et al.），external factors（rainfall，reservoir water level，et al.），random factors（uncertainties）.After statistically analyzing the displacement data，a cubic polynomialmodel was proposed for the trend term displacement prediction.And using multi algorithm to find the optimal support vector regression（SVR）model to train and predict the periodic term.The results show that based on Genetic algorithm（GA-SVR）and the time seriesmodel，the displacements prediction of Baishuihe landslide are better thanthe landslide displacements based on the particle swarm optimization（PSO-SVR）and the grid search（GS-SVR）model.Therefore，the couplingmodel based on the time series and GA-SVR can be used to predict the landslide displacement.GA-SVR will have broad application prospects in the prediction of the“step type”landslide displacement.

Baishuihe Landslide，Time series，Displacement prediction，Support vector regression，Genetic algorithm

P642.22

：A

10.13544／j.cnki.jeg.2016.06.013

2015－11－10；

2016－05－03.

国家自然科学基金（41272307）资助.

苗发盛（1988－），男，硕士生，主要从事地质灾害预测预报方面研究.Email：splendidmiao＠126.com