长短期记忆网络(LongShort-TermMemory,LSTM)模型的广泛应用为矿区地表变形预测提供了更智能化的预测模型,但LSTM模型的最优超参数组合获取难度较大,给模型的可靠性带来不确定性。将粒子群优化(ParticleSwarmOptimization,PSO)算法和LSTM模型引入矿区地表变形预测中,首先通过PSO对LSTM模型的超参数进行智能化自动寻优,构建PSO-LSTM预测模型,采用可决系数(CoefficientofDetermination,R2)和均方根误差(RootMeanSquaredError,RMSE)进行模型精度评价。实验结果表明,PSO-LSTM模型较LSTM和反向传播神经网络(BackPropagationNeuralNet-work,BP)模型的预测值曲线更逼近观测值曲线,PSO-LSTM模型的预测精度既高于LSTM模型,也高于传统的BP模型,其预测结果的R2和RMSE分别为:PS01:R2=0.95,RMSE=2.09;PS01:R2=0.91,RMSE=9.02.本文结果既扩展了LSTM模型的应用范围,可为矿区地表变形预测提供了有益的模型参考。