我国幅员辽阔,地质条件复杂,基础设施建设脚步越来越快,导致滑坡灾害和边坡破坏事故频发,人民生命财产安全因此受到巨大威胁。因此,针对边坡事故和滑坡灾害的预测研究具有重要的现实意义和应用价值。边坡破坏过程的最直观体现便是边坡表面的位移,绝大多数对于滑坡灾害的预测预报都是基于滑坡体的位移数据展开。近年来,诸如测量机器人和GNSS等高精度、自动化的监测设备和手段为灾害预测的研究提供了丰富的数据,这些数据都具有时间序列的特点。时间序列分析最早产生于统计学领域,如今已被广泛应用于各行各业。因此,本文基于时间序列分析方法对边坡位移监测数据展开预测研究,采用经典时间序列分析模型ARIMA、传统的机器学习方法人工神经网络以及近年来逐渐流行的深度学习模型长短期记忆网络(LSTM),探索时间序列分析方法对边坡位移序列数据预测的可行性。本文主要的研究内容和结论有:(1)以新疆某露天矿边坡的63号和73号位移监测点数据为例,采用传统时间序列分析方法ARIMA模型对两个监测点数据进行预测分析研究,结果表明:ARIMA模型不适用于非平稳且长期的时间序列预测,但是可以应用于时间序列变化趋势的拟合研究。(2)同样以63号和73号点位移监测数据为例,搭建传统机器学习模型BP神经网络和深度学习模型长短期记忆网络(LSTM),并进行位移数据的预测研究。结果表明:BP神经网络和LSTM都可以用于边坡位移数据的拟合和预测;LSTM因其独特的记忆单元和门控机制,相比BP神经网络具有更低的预测误差。(3)基于该露天铁矿采场边坡的位移监测时间序列数据,讨论分析了长短期记忆网络在此次工程实例中的适应性以及网络结构中部分超参数的选取,最后形成了边坡位移预测的可视化图像。结果表明:模型对边坡各点位移的预测精度都很高,具有较好的工程适应性;本次研究中当初始学习率取0.001、批数量取8或16、时间窗取5时为最佳的预测模型;基于径向基函数(RBF)插值形成的边坡位移变化等值线图可以很好地反映边坡的位移发展趋势,为后续的防治工作提供参考。(4)基于重庆市涪陵区某山区公路边坡的位移监测数据,对LSTM模型的泛化性能进行了初步检验。结果表明:LSTM模型对该公路边坡的位移预测误差相比之前略有提高但是处于可接受的范围内,模型基本预测出了测试集前6个时间点的边坡位移变化趋势,即模型具有一定的泛化性能。