随着我国城镇化速度的不断加快,大量人口涌入城市,使城市资源环境特别是交通压力日益增大,大力发展地下轨道交通等基础设施的建设成了解决这些问题的唯一途径。由于受施工条件、施工技术和人为等因素的影响,地下轨道交通施工过程中的结构变形不可避免,为保障施工人员生命和财产安全,对地铁变形监测数据进行预测和预报就显得尤为重要。本文以建筑物沉降监测为研究对象,为提高预测结果准确性,选取合适的嵌入维数和时间延迟对监测数据进行相空间重构。考虑到选取不同的核函数及相关参数会对支持向量机精度造成很大影响,提出了采用调节参数较少、训练量小、具有较快计算速度和全局搜索能力的粒子群算法对支持向量机相关参数进行优化选取,改进了支持向量机模型。通过对X市地铁二号线朝阳村站沉降监测数据的分析,结合matlab2014a平台,以Microsoft Vosial C++2012 作为编译器,基于libsvm工具箱进行扩展编程。采用预测误差最小法对沉降监测数据进行相空间重构,对重构后数据分别利用改进支持向量机模型、传统支持向量机模型和BP神经网络模型进行训练和预测。通过对三种模型的预测精度结果进行对比分析,表明改进支持向量机模型在各精度对比中均优于其他两种模型。实验证明,粒子群优化支持向量机模型学习和泛化能力强,具有较高的预测精度、稳定性以及适应性,能够较好的反映地铁沉降数据的整体变化信息,在实际工程应用中具有一定的推广价值,具有一定的研究意义。