基于MIC-XGBoost-LSTM模型的公路边坡位移预测

为实现对公路边坡位移精确的预测，建立了一种基于最大互信息系数(MIC)与极致梯度提升算法(XGBoost)的长短期记忆神经网络(LSTM)边坡位移预测模型。首先利用MIC确定边坡累计位移显著的降雨影响因素，然后基于XGBoost算法进行特征构造并归一化处理。最后利用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模型对边坡的累计位移值进行训练预测，评价预测精度，采用均方根误差确定 MIC-XGBoost-LSTM 模型最长预测周期及最小训练样本数量。最后，采用白水河滑坡位移数据对模型进行进一步验证。研究表明，日位移增量、蒸散量、净降雨量、累计七天降雨量与监测点累计位移量的相关性相较其它因素更高。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、平均绝对误差、平均绝对百分比误差均小于XGBoost、LSTM的相应值，根据均方根误差获取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。白水河滑坡位移数据进一步表明MIC-XGBoost-LSTM边坡预测模型具有较高的可靠性。