周立俊，黄 腾，王思捷，吴壮壮

（1.河海大学 地球科学与工程学院，江苏 南京 210000）

为了保障地铁的安全运营，对隧道结构进行长期的变形监测和预测具有重要意义。由于受到多种随机性、不确定性因素的影响，地下隧道数据存在非线性、复杂性、多模态性等特点，导致沉降预测存在诸多困难[1]。针对变形预测，许多专家和学者提出了多种模型，如卡尔曼滤波模型、灰色系统理论模型、人工神经网络模型、回归分析法等。由于变形量的随机性和非线性，不同模型的适用性也不同，需对各种模型进行改进和完善。张士勇[2]、姜刚[3]等研究了小波神经网络模型在地铁沉降预测中的应用，得出了组合模型比单一预测模型准确度高的结论；高彩云[4]等利用遗传算法（GA）对地铁沉降预测模型参数进行了搜索，得出GA能有效获取极限学习机网络优化的初始权值和阈值的结论；陈柚州[5]等研究了人工蜂群优化小波神经网络模型在变形预测中的应用，得出经人工蜂群算法优化后的小波神经网络模型精度更高的结论。

神经网络的方法虽然考虑了多种影响因素，但易产生局部最优解；样本较少时精度较低，样本较多时易过度学习，导致模型泛化能力较低[6]。支持向量回归（SVR）能较好地实现小样本、高维度、非线性的预测，并能有效克服神经网络陷入局部最优、过学习现象以及对样本处理依赖经验等缺点[7]。GA是一种启发式全局优化算法，具有很好的全局寻优能力[8]。因此，本文利用GA优化SVR模型的参数，从而构建基于GA-SVR的地铁隧道沉降预测模型，并通过实例验证了模型的可行性。……