中国公路学报

作者：许江波, 侯鑫敏, 吴雄, 刘一凡, 孙国政

单位：1. 长安大学　公路学院，陕西　西安　710064","2. 中铁第一勘察设计院集团有限公司，陕西　西安　710043","3. 甘肃省交通科学研究院集团有限公司，甘肃　兰州　730030

关键词：路基工程,预测模型,MIC,岩质边坡,XGBoost模型,LSTM模型,特征构造

<p>为实现对边坡位移精确的预测，建立了一种基于最大互信息系数与XGBoost算法的长短期记忆神经网络（MIC-XGBoost-LSTM）边坡位移预测模型。首先，对边坡受到不同降雨条件的影响进行研究，利用最大互信息系数分析不同降雨条件因素与边坡累计位移之间的相关关系，确定相关性显著的降雨影响因素；其次，基于XGBoost算法对与边坡累计位移数据相关性较高的影响因素进行特征构造，将构造特征与原有特征一起进行归一化处理，把归一化后的数据分为训练集与验证集；然后，利用LSTM对G312国道商洛岩质边坡位移进行预测。同时，分别利用XGBoost、LSTM、MIC-XGBoost-LSTM预测模型对边坡的累计位移值进行训练预测，并通过RMSE、MAE、MAPE指标进行预测精度评价，并采用RMSE指标对MIC-XGBoost-LSTM模型最长预测周期及最小训练样本数量进行确定。最后，采用白水河滑坡位移数据对模型进行进一步验证。研究结果表明：日位移增量、蒸散量、净降雨量、累计7 d降雨量与监测点累计位移量的相关性较其他因素更高，且利用4种相关因素构造的特征值与输出的特征值的MIC值为0.97；同时，利用MIC-XGBoost-LSTM模型对G312国道商洛边坡进行预测的结果中均方根误差（Root Mean Squared Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）分别为0.25%、0.185%、0.024%，均小于XGBoost、LSTM的RMSE、MAE、MAPE值，并根据RMSE指标获取MIC-XGBoost-LSTM模型最长预测周期与最小训练样本数量分别为56、675；最终采用白水河滑坡位移数据进行验证，其评价指标均小于XGBoost、LSTM模型，这表明MIC-XGBoost-LSTM边坡预测模型具有较高的可靠性。</p>

来源：2024年第10期

《中国公路学报》期刊编辑部

查看中国公路学报杂志2024年第10期