基于不同优化算法的隧道洞口段拱顶沉降SVR预测模型及其比较评价

准确预测隧道洞口段沉降变形是保障安全进洞的重点工作，如何解决输入层维度高的问题以及准确描述机器学习预测模型的性能意义重大。因此，将主成分分析法（PCA）、优化算法和支持向量回归机（SVR）相结合，提出6个基于PCA和优化算法的SVR组合预测模型。首先，通过PCA筛选影响拱顶沉降的主要因素；其次，采用遗传算法（GA）、粒子群算法（PSO）和灰狼算法（GWO），对SVR的惩罚因子和核参数进行寻优；最后，将组合预测模型应用到温州市石鼻头隧道，采用相关性系数（R）、均方根误差（RMSE）和平均绝对误差（MAE）对预测模型的性能进行比较评价，并构建模型查询表。结果表明：组合预测模型均有较高精度，R≥0.987 0,RMSE≤6.792 4 mm,MAE≤3.493 7 mm;PCA降维后，GA优化后的SVR预测模型的预测效率提高了65%,PSO和GWO优化后的SVR预测模型减少了输入层维度，但需要更大的k值，降低了预测效率，PCA-GWO-SVR模型尤为明显；PCA-PSO-SVR预测模型的鲁棒性更强。