刘育林

LIU Yu-lin

河北地质大学 城市地质与工程学院，河北 石家庄 050031

Hebei GEO University, Shijiazhuang 050031, China

0 引言

路基沉降是影响其工程质量及施工进度的关键因素。因此，选用精度较高的模型，预测以煤矸石为路基填充物的高速公路在逐层填筑过程中的沉降量，对于掌握沉降量的变化信息及安全生产尤为重要。

目前，机器学习被广泛应用于预测路基沉降量领域中。例如，彭立顺[1]等采用遗传算法优化的BP神经网络对高速公路路基沉降量进行预测；肖治宇[2]等将专家的模糊推理与神经网络相结合建立ANFIS模型对软土路基沉降量进行预测；张满想[3]等采用GM（1，1）和Verhulst两种灰色系统模型分别对高速公路路基沉降量进行预测；刘海明[4]等采用粒子群与Markov优化的PMIGM（1，1）模型对高速公路路基沉降量进行预测；张予东[5]等采用模拟退火算法优化支持向量回归相模型对新型矿区沉降量进行预测；宁志杰[6]等采用灰色支持向量机残差修正模型对地表沉降量进行预测。虽然上述方法在路基沉降量预测中取得一定成就，但是神经网络存在收敛速度慢、容易陷入局部最优等问题；灰色预测没有考虑系统的随机性，中长期预测精度较差；SVR模型存在参数选择较为敏感的问题。

麻雀搜索算法（SSA）作为一种新型算法，已经被国内学者应用于地质学、电力工业、机械工业等领域。例如，刘治成[7]采用PCA和SSA优化ELM模型对地震伤亡人数进行预测；刘栋[8]等采用SSA与极限学习机（ELM）相结合对风电功率进行预测；李怡[9]等采用CEEMDAN多尺度熵与SSA-SVM相结合的预测模型对轴承故障进行预测。……