DOI:10.13379/j.issn.1003-8825.202211060开放科学（资源服务）标识码（OSID）基于GF-LSTM的铁路边坡位移预测研究景自强（中铁十八局集团第二工程有限公司，河北唐山063000）摘要：为提高边坡位移预测的精度，提出一种融合Gaussian-filter算法与LSTM预测算法的GF-LSTM混合预测模型，依托某铁路边坡工程监测数据进行验证分析。结果表明：GF-LSTM模型不仅能对原始监测数据集进行预处理，还能提供精准的预测结果；GF-LSTM预测模型可很好地反映边坡位移的上下波动，所得的预测值与实测值整体趋势贴合、相关性极高，R2分别为0.915、0.908，均大于0.900；由降噪前后对比可知：两测点R2分别增加了0.143、0.185，而MAE和MAPE分别降低了0.104与0.874%、0.246与0.755%，表明降噪处理后各测点的预测精度和预测误差得到改善。关键词：铁路边坡；混合预测模型；降噪处理；位移预测；长短期记忆网络中图分类号：U213.1+3文献标志码：A文章编号：1003−8825(2023)03−0181−060引言在修建铁路等交通运输要道时，不可避免地要通过一些较为艰险的地段，受多种环境影响易导致边坡发生滑坡、溜坍等灾害，造成极大安全隐患[1-2]。当前，对灾害的提前识别和趋势预测，是避免边坡灾害造成损失和伤亡的重要手段之一[3]；边坡位移是边坡滑动、溜坍等破坏的直观表征[4-5]，通过边坡位移预测，可分析边坡位移的未来变化趋势或规律。因此，构建精度较高的位移预测模型意义重大。近年来，越来越多的智能预测算法在边坡位移预测中应用，如支持向量机回归算法、ARIMA算法、BP算法、循环神经网络算法等[6-10]。其中，LSTM[11-12]门控循环网络因其结构简单、模型收敛速度快、泛化能力好、在处理长时间序列方面具有较大优势等优点，受到研究者的欢迎。但是，当前边坡工程监测数据受多种条件影响易出现噪音问题，限制了边坡位移预测的精度[13]，包括LSTM算法在内的算法均为单一预测算法，无法在做预测分析前针对数据集进行预先处理。因此，提出一种既能保障预测输入数据的质量，又能提供预测分析的混合算法，具有重大意义。本文提出一种融合Gaussian-filter算法与LSTM预测算法的GF-LSTM混合预测模型，能对原始监测数据集进行预处理，且提供精准的预测结果；依托某铁路边坡工程监测数据进行验证分析，对比降噪前后的预测效果，研究成果为边坡位移的预测提供参考。1基于GF-LSTM混合的边坡位移预测方法1.1Gaussian-filter算法Gaussian-filter算法的核心思想是将原始信号通过Gaussian核函...
