山体滑坡作为常见的地质灾害之一,对人民的生命财产安全和社会的经济效益造成了严重的负面影响。为减少滑坡灾害造成的损失,对滑坡进行预测是一种行之有效的手段。滑坡预测近年来成为研究重点,部分边坡稳定性滑坡预测方法依据滑坡灾害三阶段时空演化特征采用位移-时间曲线切线角取值进行滑坡预测,论文针对该种类型方法中存在假设监测起始点为等速滑坡阶段取滑坡速度值导致预测精度较低及预测算法效率有待提高的问题,提出了基于滑坡数据分类模型的滑坡预测算法,该算法无需假设性条件,在提高预测算法的准确度和运行效率方面有良好表现。论文运用数据分析、神经网络、智能算法等热门方法对滑坡监测数据进行处理,主要包括数据分析、分类和预测等重点。由于滑坡影响参数众多且复杂,因此论文采用灰色关联法改进正交试验分析法对各传感器测量参数与边坡稳定性系数的相关性进行了定量分析,有利于参数传感器重点布设与监测、滑坡监测与预警的成本控制以及后续的数据分类和滑坡预测。滑坡数据分类模型目的是将历史滑坡监测数据以滑坡灾害发生时间为判据分为安全数据与存在危险数据,经过对常用分类算法的比较与实验,最终在朴素贝叶斯算法、支持向量机算法、决策树算法中选择了以RBF函数为核函数的支持向量机SVM分类算法,并采用粒子群优化PSO算法对SVM分类算法进行改进,形成PSO-SVM模型对滑坡数据分类,分类结果为存在危险数据的数据组将继续后续的滑坡预测。滑坡预测包括滑坡位移预测与滑坡时间预报。采用适用于时间序列数据预测的长短时记忆LSTM神经网络对滑坡数据进行位移预测,由于预测结果与实际监测位移值存在一定误差,选用自回归积分移动平均ARIMA模型对LSTM的预测误差进行修正,组合后的LSTM-ARIMA算法根据滑坡监测数据来预测滑坡位移。滑坡时间预报则采用改进的Verhulst反函数模型,对改进反函数模型基于位移监测数据与预测数据进行非线性处理得到求解滑坡灾害发生时间的参数,根据解得的结果进行滑坡时间预报。经过实验室实际搭建边坡采集得到的参数验证,论文中的滑坡数据相关性分析结果与现实情况相符,建立的滑坡数据分类模型准确率达到了95.89%,滑坡位移预测结果平均均方根误差在2mm以内,最终预测得到的滑坡时间与真实记录的滑坡时间仅相差五分钟,结果表明论文中搭建的滑坡数据分类模型与滑坡预测算法具有实用性、精确性与高效性。