随着我国城市轨道交通的快速发展,轨道交通建设过程中常常需要进行基坑开挖。对轨道交通基坑的围护结构进行变形监测,通过对监测数据研究做出及时的预警报告,是预防轨道交通建设事故的重要方法和环节。在现有的形变预测模型中,支持向量机(Support Vector Machine,SVM)是成熟算法的代表,针对SVM模型的参数值选取困难的问题和基于单点数据建模的缺点,本文提出基于改进的粒子群(Particle Swarm Optimization,PSO)优化SVM模型,并运用于地铁深基坑沉降预测建模。论文具体研究内容如下:(1)阐述了机器学习和SVM理论,以回归模型为例介绍了机器学习的回归问题和分类问题,通过介绍机器学习和统计学理论进而引出SVM理论,包括支持向量分类机和支持向量回归机。为验证SVM模型在处理高维数据、非线性的基坑沉降监测中具有良好的泛化能力,进行了SVM模型和BP神经网络性能对比验证实验,结果表明SVM模型具有拟合精度高和性能优良的特点。而SVM模型参数为固定值,模型参数数值选择存在受主观性影响的问题,因此需要进行针对性的算法改进。(2)针对传统SVM模型的惯性参数为定值这一问题,采用PSO优化算法对SVM模型进行参数寻优。因不同的预测模型对样本数量的需求不同,构建PSO-SVM模型最优的训练样本量求解步骤;并在最优训练样本的情况下,设计了PSO-SVM模型与传统BP神经网络和SVM模型预测精度对比实验,结果表明PSO-SVM模型预测效果最优,克服了SVM模型参数选择困难的缺点。而PSO-SVM模型存在仅基于单点监测数据进行建模的问题,因此需要进一步优化PSO-SVM模型。(3)针对PSO-SVM未考虑其它沉降形变因素之间相互作用的缺点,提出引入三因素进行PSO-SVM模型的建立。通过相关性分析,发现“时间”、“历史数据”和“临近点沉降变形值”这三个因素与基坑沉降形变存在较强的关联性,因此将此三因素引入PSO-SVM模型进行建模分析。分析结果表明基于多因素的PSO-SVM模型在短期样本下拟合预测效果最佳,在中长期样本数据条件下拟合精度较差。针对该缺点进行基于多因素PSO-SVM模型的改进,以深圳市城市轨道交通13号线留仙洞站深基坑沉降的一组监测点DBC-02-1、DBC-02-2和DBC-02-3的150期监测数据为样本数据,提出组合多尺度一维小波分解函数和柯西分布函数进行算法改进研究。研究结果表明基于多因素改进的PSO-SVM模型能适应不同样本数量情况的形变预测,改进模型的参数优化明显,拟合精度高且预测性能稳定。基于“时间”、“历史数据”和“临近点沉降变形值”改进的PSO-SVM模型拟合性能远远优于传统模型,预测精度更高。较PSO-SVM模型,基于多因素的PSO-SVM模型综合了沉降形变影响因素,模型建立更加符合实际;改进模型克服了基于多因素的PSO-SVM模型在中长期样本下预测精度较差的缺点,更适用于地铁建设这一高危项目的形变预警,为深基坑变形监测提供了更为科学有效的预警方法,具有较高的应用价值。