基于支持向量机的边坡稳定性系数预测及变量分析

边坡稳定性研究对于地质灾害的防治尤为重要，为了研究不同机器学习模型的边坡稳定性预测效果，以边坡稳定性系数为预测对象，选择重度、黏聚力、内摩擦角、边坡高度、坡角、孔隙压力比为输入变量，建立了基于支持向量机（ＳＶＲ）的边坡稳定性系数预测模型。研究了不同核函数对 ＳＶＲ模型预测结果的影响，对比了 ＳＶＲ模型与极限学习机（ＥＬＭ）模型、ＢＰ神经网络模型的预测效果，分析了各输入变量对 ＳＶＲ模型与 ＥＬＭ模型预测性能的影响。结果表明:基于 ＳＶＲ的边坡稳定性系数预测模型的预测效果较好，其中采用了 ＲＢＦ核函数的 ＳＶＲ模型预测效果较好，平均绝对误差为 8．10％，均方根误差为 0．034；输入变量对 ＳＶＲ模型与 ＥＬＭ模型的影响较大，剔除各变量后 ＳＶＲ模型预测结果的均方根误差变化小于 0．02，因此本文建立的 ＳＶＲ模型具有更好的稳定性。