摘要：为准确且高效地预测边坡稳定性，研究提出了一种基于粒子群优化支持向量机（Particle Swarm Optimization algorithm optimized Support Vector Machine，PSO-SVM）的边坡稳定性预测模型。该模型首先采用主成分分析法对特征数据进行降维，以提高模型的学习效率；其次，采用粒子群优化（Particle Swarm Optimization，PSO）算法优化支持向量机（Support Vector Machine，SVM）的超参数，以提高模型的预测精度与泛化能力。为验证模型有效性与可靠性，选取反向传播神经网络（Back Propagation Neural Network，BPNN）、随机森林（Random Forest，RF）与未优化的SVM作为对比试验模型，并将准确率、精确率、召回率与F1-score作为各模型预测性能的评价指标，以对各模型的预测性能进行评估。研究结果显示，PSO-SVM模型在测试集的准确率、精确率、召回率与F1-score分别为0.958、0.917、1和0.957，均为各模型的最高值，展现出最佳的预测性能与泛化能力。研究为边坡稳定性评估提供了有效参考，具有重要的工程意义。
文章目录
0 引 言
1 数据集与预处理
1.1 评价指标与数据集
1.2 数据预处理
1.2.1 主成分分析法
1.2.2 PCA降维
2 PSO-SVM模型构建
2.1 粒子群算法
2.2 支持向量机
2.3 PSO-SVM模型构建过程
3 模型试验与分析
3.1 模型性能评价指标
3.2 PSO参数优化
3.3 模型预测性能分析
4 结 论
