面向公路边坡稳定性预测的改进粒子群优化PNN模型构建

张龙华^*，潘世平

(杭州路达公路工程有限公司，浙江 杭州 310006)

摘　要：　为解决当前公路边坡稳定性预测方法准确率偏低的问题，该研究提出一种融合改进粒子群优化(PSO)算法与概率神经网络(PNN)的改进PNN模型，并据此构建公路边坡稳定性预测模型。该方法的核心创新在于利用改进PSO算法优化PNN的平滑参数，从而提升模型的特征学习与分类能力。为验证模型的有效性，选取20个监测点进行测试，结果表明该模型能够准确预测其中17个监测点的稳定性状态，预测正确率达85%。进一步开展多模型对比分析试验，结果显示所提出模型的预测准确率高达98.76%，显著优于传统概率神经网络及其他常用预测模型。研究结果表明，基于改进PNN的公路边坡稳定性预测模型在预测精度和泛化能力方面均表现优异，具有较强的工程实用价值，能够为交通安全相关领域的理论研究和实际应用提供有力支撑。

关键词：　改进粒子群优化算法; 概率神经网络; 公路边坡; 稳定性预测

引文格式： 张龙华，潘世平. 面向公路边坡稳定性预测的改进粒子群优化PNN模型构建[J]. 市政技术，2026，44(7)：51-56. (Zhang Longhua，Pan Shiping. Construction of an improved particle swarm optimization PNN model for predicting the stability of highway slopes[J]. Journal of Municipal Technology，2026，44(7)：51-56.)