滑坡是全球仅次于地震的第二大地质灾害,在新世纪伊始给我国带来了严重的经济损失与人员伤亡,对国民人身安全和社会现代化建设有着重大威胁。边坡变形预测能够在边坡失事破坏前反馈预警信息,是边坡监测预警系统至关重要的一环,对防灾减灾有着重大意义。本文根据小湾电站2号山梁边坡两个测点的两年变形数据,使用python编程语言,将传统时间序列模型、机器学习模型以及深度学习模型应用于边坡变形时间序列数据分析和预报中,为边坡预警系统的防灾减灾措施提供参考。本论文主要内容如下。(1)构建自回归移动平均(ARIMA)模型。对原始边坡变形时间序列数据进行平稳性检验(ADF检验),将数据进行差分处理后满足建模要求,使用网格搜索法对各个模型BIC信息量进行参数寻优,模型定阶为ARIMA(1,1,1),使用Ljung-Box检验对模型的显著有效性评判。数据预处理使用Pandas以及Numpy数据分析包。ARIMA模型建模基于Statsmodels库中包含的ARIMA模型包。(2)构建支持向量机(SVM)模型。使用Sklearn工具中的Min Max Scaler模块对数据归一化处理,结合多种核函数下模型预测结果,选取高斯核函数(RBF)作为核函数,调用Grid Search CV方法对惩罚因子C与参数gamma进行网格搜索寻优,确定样本一的C与gamma分别为8.47与0.70,样本二为7.81与0.67。SVM模型建模基于Sklearn库中的SVR模型包。(3)构建长短期记忆神经网络(LSTM)模型。在循环神经网络(RNN)模型理论基础上,采用标准的一维全连接层建立单隐藏层网络,经多次调参处理后确定网络的主要超参数为:隐藏层神经元个数20个;优化算法选择SGD算法;迭代次数1200次;训练批次数量64。LSTM模型构建基于Keras框架,Tensorflow后端。(4)设置多组实验进行模型对比。选取MAE(平均绝对误差)与RMSE(均方根误差)两个指标对上述模型预测性能进行评判,综合分析各模型特点与实验结果后得出:两个样本中,LSTM模型的MAE和RMSE皆为最小,样本一分别是0.44与0.52,样本二为0.32与0.45,验证LSTM模型在处理边坡时序数据预测问题时较传统ARIMA和SVM模型更具优势。