为了提高变形数据的预测精度，针对传统预测模型处理复杂非线性、非平稳的变形监测数据精度不足的问题，应用一种深度学习模型——长短时记忆神经网络来进行变形预测的研究，提出一种基于变分模态分解的粒子群优化长短时记忆神经网络组合模型并应用到实际工程变形预测中。通过结合仿真实验和对实际工程变形预测分析并与其它模型进行对比分析，讨论了组合模型实验结果的有效性和可靠性。
　　变形监测数据可看作为时间序列的信号数据，易受到外界因素或人为因素的干扰导致测量误差，在构建预测模型前需要对变形监测数据进行预处理来剔除噪声。引入变分模态分解方法来对监测数据进行去噪处理，针对变分模态分解中关键参数选择不确定的问题，提出以相邻分解层数的分解评估值指导最优分解层数，以及使用互信息熵判定噪声临界值。在自适应的确定模型的参数后，剔除判定的噪声分量，剩余分量重组即得到去噪后的变形序列。通过仿真实验分析，在不同噪声大小影响下，自适应变分模态分解的去噪评价指标均优于小波去噪、经验模态分解、完全集合经验模态分解。
　　针对大坝变形数据非线性、非平稳性的特征，引入“分解-预测-重构”的思想，将原始变形序列进行分解，再分别对各子序列进行预测后重构，能够降低原始序列的非平稳性，具有很高的预测精度和较强的泛化能力。构建自适应变分模态分解与长短时记忆神经网络的组合预测模型，将去除噪声的模态分量作为输入值进行预测，然后将每组模态分量的预测值重构得到组合模型的预测值。
　　考虑到长短时记忆神经网络训练需要较大样本数据，而变形监测数据样本量较小，使得模型泛化能力受限。引入分割处理的方法对样本进行扩增，考虑到分割窗口大小的取值影响模型的预测结果，以及长短时记忆神经网络中学习率，训练次数等超参数的选择，使用粒子群优化算法对模型的超参数寻优。构建了AVMD-PSO-LSTM的变形预测模型，并与单一模型和CEEMD-PSO-LSTM组合模型进行对比分析。实验结果表明AVMD-PSO-LSTM组合模型有较强的自适应能力和预测性能，在工程应用上具有一定的借鉴作用和指导意义。