安 北，蒋亚楠,2，曾启菲

(1.成都理工大学地球科学学院，四川 成都 610059;2.成都理工大学地质灾害防治与地质环境保护国家重点实验室，四川 成都 610059)

滑坡地质灾害在中国各个地区时有发生，具有高频性、突发性的特点，每年给国家和人民带来了不可估量的财产损失[1]，因此，积极开展滑坡预测预报研究工作对预防滑坡的产生，减少财产损失具有重要的实践意义。

目前，在滑坡位移的预测预报工作中，大多学者应用较多的预测模型有灰色模型(GM)[2]、人工神经网络模型(ANN)[3]，也有学者对GPS监测的滑坡位移时间序列采用不同的分解方法得到多个周期项、趋势项、随机项、噪声项序列，并根据不同序列的特点采用相应的机器学习算法或非线性拟合方法进行训练并预测，最后对应累加得到未来多期的滑坡位移预测值。刘艺梁等[4]利用经验模态分解(EMD)对非平稳的滑坡位移信号进行分解并结合BP神经网络进行预测，邓冬梅等[5]进一步提出了基于时间序列集合经验模态分解(EEMD)与机器学习算法结合的位移预测方法。机器学习预测模型中，最为典型的就是支持向量机(SVM)，同时粒子群算法(PSO)[5-6]、蚁群算法(ACO)[7]、差分进化算法(DE)[8]等也被引入SVM模型中以优化参数。此外李潇等[9]引入最小二乘法以转化SVM中二次规划问题并结合小波变换，证实了最小二乘支持向量机(LSSVM)预测滑坡变形的可靠性，Zhu等[10]在LSSVM基础上进一步考虑了降雨对滑坡的影响，取得了较高的预测精度。

以上的科研工作中均取得了一定的成果，但也存在一些不足：GM无学习过程，对非线性滑坡预测精度不高，ANN易出现局部收敛并过于依赖样本的情况。……