张明岳，李丽敏，温宗周

(西安工程大学电子信息学院，陕西 西安 710600)

滑坡灾害严重威胁着国家生态环境和当地居民的人身安全，滑坡监测的预警、预报因可以有效避免灾害造成的各方面损失而显得尤为重要。目前，滑坡预测研究主要分为时间、空间2种预测方法[1]。在滑坡区域确定的前提下，如何更加准确地预测在不同时间滑坡的位移成为关键问题。例如雷德鑫等[2]基于时间序列分析，采用差分整合移动平均自回归(Auto Regressive Integrated Moving Average,ARIMA)模型预测滑坡位移，实现对滑坡位移滚动预测，但由于滑坡非线性动力学特征复杂致使预测时间延长、预测精度下降，可见滑坡位移的演化是呈动态的。杨背背等[3]基于时间序列的滑坡位移动态预测模型在实际应用中预测结果较好，但其预测精度和计算时间明显受制于算法结构，可见算法本身参数数量和结构复杂程度也影响着预测精度。

从以往的滑坡位移研究成果来看，多数研究人员使用径向基函数(Radial Basis Function,RBF)、反向传播(Back Propagation,BP)、K-means等智能算法，然而这些算法从实际应用的情况来看还存在如下问题：①RBF神经网络具有较强的聚类能力，在处理复杂事物和大量数据方面能力较强，但其是一个静态网络，不能用于滑坡动态预测；②BP神经网络可以解决非线性问题，但由于其网络自身的局限性，在训练过程中会出现陷入局部极小值、收敛速度慢等问题[4]，对训练样本具有依赖性。

循环神经网络RNN主要用于对时序数据的处理和预测，是一种典型的动态神经网络。……