随着我国基础设施不断建设,处于运营状态的交通工程越来越多,作为运营监测重要组成部分,沉降变形监测的需求也大幅增加。测量频率低、连续性差、数据准确率低且无法实时处理反馈沉降变形信息的人工监测已不能很好满足沉降运营监测所需实时性和准确性,因此,应用高精度、高效率及高实时性的自动化仪器进行沉降监测已经成为行业发展趋势。变形监测中,监测是基础,分析是手段,预报才是目的,对沉降进行合理有效的预测能在环境条件发生变化、沉降变形处于发展过程时提前预报,从而保证工程的运营安全。自动化沉降监测相较人工监测有观测频率高、数据量大等不同,但目前针对自动化沉降监测数据进行预测的研究较少。本文首先将常用于人工沉降监测数据的预测方法在自动化数据上进行试算,分析各方法适应性,然后在此基础上,针对自动化沉降监测受噪声影响大、监测频率高等特点,构建基于小波分解去噪的参数优化支持向量机改正多步预测组合模型,最后通过实测数据证明该模型是更适应于自动化沉降监测数据的预测方法。研究的主要内容和成果如下:1、针对自动化沉降监测数据具有的“小量级,大波动”特点,研究基于小波分解去噪方法的适用性。利用基于熵权的小波去噪评价指标来指导和确定小波分解层数,实验结果表明,得到的去噪数据在有效去除噪声信号基础上很好地保留了沉降趋势信号,有效提高了数据质量。2、针对常用参数寻优算法的不足,构建能评价短期趋势接近程度指标—趋势相近度Trend,形成基于Trend优化的组合参数寻优算法。该算法将格网-交叉验证算法、遗传算法和粒子群优化算法三种参数寻优算法进行有机组合。实测数据预测结果表明:相较传统单一参数寻优算法,组合参数寻优算法构建的模型具有更高预测精度和稳健性。3、分析自动化沉降监测数据特点,针对性地结合基于小波分解去噪、基于Trend优化的组合参数寻优算法、支持向量机、改正多步预测方法构建组合模型。分析组合模型合理性,探讨组合模型中不同参数寻优算法及不同改正算法对预测结果的影响,证明了组合模型的内部更优性。4、以实测数据为基础进行实验,对组合模型在训练和预测阶段进行研究分析,并对比不同预处理方法、不同预测模型应用效果。训练阶段,组合模型拟合相关系数高,对沉降趋势的确定是可靠的。预测阶段,分析不同步长预测残差,说明组合模型整体预测精度较高。对比均值化数据预处理方法,说明基于小波分解去噪预处理方法更优;对比ARIMA模型、BP神经网络模型,从短期预测精度和中长期预测稳定性两个角度证明了组合模型的外部更优性。