基于蚁群算法优化支持向量机的边坡位移预测

摘要

由于复杂工程地质条件和环境因素的综合影响，边坡变形呈现复杂非线性演变特征。借助支持向量机（SVM）可有效解决小样本、高维数、非线性等问题的优点，对边坡实测位移进行数据挖掘，预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性，提高模型预测精度和泛化能力，引入改进的蚁群算法（ACO）对模型参数进行寻优，结合位移时序滚动预测方法，建立了适合边坡变形预测的 ACO-SVM模型。将该模型应用于2个边坡的位移预测，研究结果表明，ACO-SVM预测精度高，模型建立正确。与遗传算法、粒子群算法优化 SVM的预测结果相比，ACO-SVM模型预测精度更高，具有更强的泛化能力，预测结果更加合理，在边坡变形预测中具有一定的工程应用价值。