边坡作为公路及其它基础设施建设过程中最多而且最复杂的结构体,其稳定性与项目建设和运营过程中的安全问题息息相关。当前,常用两种方法对边坡的稳定性进行判断,其一是通过数值模拟对边坡体在自身结构和各种外界影响因素综合作用下的稳定性进行判断,另一种方法是通过对边坡未来一定时期内的位移预测来判断其稳定性。在第二种方法中,由于边坡位移是受内、外部因素耦合作用下的结果,通常表现出非线性和突变性的特点,所以无法直接通过线性回归的方法对其进行预测。鉴于边坡的位移特征,文中采用经验模态分解方法对其突变性特征进行提取,并利用粒子群差分算法寻优所得支持向量机参数值进行边坡位移预测。为提高预测精度,文中就计算过程中的随机项提取、核函数选择和粒子群差分算法寻优前参数取值范围进行了研究。在对经验模态分解提取随机项过程所存在的问题进行研究之前,首先就此方法的理论基础和计算过程进行了分析。对于分解过程中所存在的端点极值延拓问题,利用端点值判断和镜像延拓相结合的方法;对于总位移极值点较少或没有致使分解无法进行的难题,提出对分期位移进行分解的方法;采用工程实例对分解周期的合理取值进行研究。对比分析边坡自重作用下的位移规律和分解结果中的趋势项,得出在分解周期取值为15、20时分解效果较好。对于支持向量机的边坡位移预测过程,首先对支持向量机的理论基础和计算过程进行了分析,然后在经验模态分解结果、多项式核函数和高斯核函数特征分析的基础上,对边坡位移预测中核函数的选择进行了研究。提出对趋势项、随机项分别采用多项式核函数、高斯核函数的方法。针对支持向量机位移预测中各参数的取值问题,应用粒子群差分算法对其进行寻优。对于寻优之前各参数的取值或取值范围,提出采用平均绝对误差作为判断准则进行寻优,寻优结果如下:当分解结果中有2个随机项时,趋势项、随机项1、随机项2的训练集周期为7、5、6,当分解结果中有3个随机项时,趋势项和随机项1、2、3的训练集周期为7、5、5、6;对于支持向量机的参数寻优范围,振荡型边坡位移见表4.2,增长型边坡位移见表4.3。最后,在第二章至第四章研究成果的基础上对边坡位移进行预测,并以预测值的绝对误差和相对误差作为判断准则,对预测误差的分布规律进行了分析,得出文中所提出的方法和参数取值范围在振荡型和增长型边坡位移中具有较高的预测精度。