李秀珍，王芳其

（1.中国科学院 山地灾害与地表过程重点实验室，四川 成都 610041；2.中国科学院 成都山地灾害与环境研究所，四川 成都 610041；3.重庆交通科研设计院，重庆 400067）

滑坡的位移（变形）时间序列包含了滑坡演化过程的丰富、有用信息，能够综合直观地反映滑坡的稳定性状态［1］。因此，滑坡位移（变形）预测一直是评价滑坡稳定性、及时捕捉滑坡前兆以及尽早开展滑坡预警报和进行工程处理的最直接、最重要的方法之一。目前，提出了许多滑坡位移预测方法，代表性的有传统的时间序列预测法［2］、灰色系统预测法［3］、协同预测法［4］、神经网络预测法［5］、支持向量机预测法［6］及各种组合预测方法［7－10］等。

由于滑坡演化过程及其诱发因素的复杂性，利用传统的时间序列及灰色系统等预测方法，很难对滑坡变形演化过程中的突变点进行准确预测，而突变点往往包含了滑坡发育阶段变化的重要信息；同时，这些方法大多只能依据位移或变形进行单因素建模，而滑坡演化过程中可能受到多种诱发因素的影响（如降雨、库水位变化等）。

以神经网络为代表的人工智能预测方法，不仅可以考虑影响滑坡演化的多个复杂因素的影响，而且可以充分逼近任意复杂的非线性关系，具有很强的鲁棒性和容错性。但神经网络方法在预测实践中存在容易陷入局部极小值以及泛化能力不强等问题［11］，影响了预测的精度和可靠性。

鉴于此，引入被称为“数学显微镜”的小波分析方法，将小波变换与神经网络有机结合，建立一种新型的多因素小波神经网络模型，充分发挥两种方法的优势，以提高复杂滑坡体位移预测的精度和可靠度。……