摘要：针对横波速度预测时训练集和测试集数据分布差异大，导致机器学习模型预测精度低的问题，采用领域对抗机制，设计了XGBoost回归模型、SFNN-DA（Shallow Feedforward Neural Network with Domain Adversarial Learning）和LSTM-DA（LSTM with Domain Adversarial Learning）三种模型实现横波速度预测。同时针对机器学习模型手动调整超参数的困难，采用Optuna框架在模型训练过程中完成三种模型的超参数调参。实验结果表明，相比SFNN-DA模型和XGBoost回归模型，测试集下LSTM-DA模型的决定系数（R2）分别提高了2.3%和20.55%，平均绝对误差（MAE）分别降低了8.9%和33.74%，说明LSTM-DA模型具有最好的泛化能力，其对横波速度的预测是有效的。同时，获得以下结论：（1）特征选择不能单纯依靠算法，应结合领域专家知识综合考虑，共同完成。（2）文中给出的领域对抗训练方法对模型泛化能力的提高有明显的作用。（3）对于决定系数R2，并不总是和模型对数据拟合精度正相关。
