随着经济的快速发展,我国的基础设施建设步伐不断加快,在地下基础结构建设过程中常常会形成深基坑。对深基坑围护结构进行变形监测,根据监测数据进行建模并预测未来形变值,是预防基坑坍塌等灾难事故发生的一项重要工作。现有的建模预测方法较多,但针对非线性、高维数的形变时,当前的预测建模方法还有缺陷、精度也不太理想。基于高斯过程回归理论在建模预测上的优越性,本文研究基于高斯过程回归理论的深基坑形变预测建模方法。具体的研究内容如下:(1)仿真实验研究了高斯过程回归模型中的单一协方差函数对模型预测精度的影响情况。由于高斯过程回归模型具有良好的泛化能力,所以大部分情况下对训练样本有良好的拟合能力;为定性和定量地得出常用五种单一协方差函数对建模的预测影响,采用仿真函数进行高斯过程回归建模,并对模型预测精度进行对比分析,得到仿真情况下采用神经网络(NN)协方差函数时模型的预测精度较好。(2)单一协方差函数的优选实验。选择常用的五种单一协方差函数:平方指数(SE)、马特恩(Matern32、Matern52)、神经网络(NN)、周期(PER)、线性(LIN)函数,分别构建高斯过程回归模型,研究模型拟合数据及变形预测能力,对比分析结果,得到最优的单一协方差函数是马特恩Matern32函数。(3)组合协方差函数的优选实验。根据最优的单一协方差函数马特恩Matern32采取加法组合形式,与SE、Matern52、NN、PER、LIN形成五组组合协方差函数,并相应构建高斯过程回归模型,研究模型拟合数据及变形预测能力,对比分析结果发现组合协方差函数的模型整体性能均高于单一协方差函数的模型,得到最优的组合协方差函数是Matern32+Matern52组合函数。(4)构建最优训练样本对期数下的动态预测模型。在选择最优组合协方差函数(Matern32+Matern52)的前提下,进行训练样本对期数不同时的模型拟合与预测精度对比实验,实验结果表明在训练样本对数值为14期时构建的动态预测模型性能最优。(5)不同驱动因素下的动态预测模型研究。深基坑变形值与时间、历史形变数据、临近点形变值相关性分析显示存在强相关性。以最佳训练样本对数和最优组合协方差函数为前提,构建三种动态预测模型:(1)“时间”单因素驱动高斯过程回归动态预测模型,(2)“时间+历史形变数据”双因素驱动组合型高斯过程回归动态预测模型,(3)“时间+历史形变数据+临近点形变值”三因素驱动组合型高斯过程回归动态预测模型。预测结果精度对比分析表明三因素驱动组合型高斯过程回归模型整体性能最好。本研究提出的基于“时间+历史形变数据+临近点形变值”三因素驱动组合型高斯过程回归动态预测模型相比传统预测模型,预测结果精度更高,且模型的输出结果可以设置一定的置信区间,采用概率意义来表达预测值的可信程度,更适用于一些大型高危项目的变形预报中,为监测体的形变提供更科学有效地预测,从而确保工程项目的安全建设。