张振威， 黄晓彬， 陈何峰， 赵 程*

(1.同济大学 岩土与地下工程教育部重点实验室， 上海 200092；2.同济大学 地下建筑与工程系， 上海 200092； 3.同济大学 建筑设计研究院， 上海 200092)

随着我国经济高速发展，地下隧道越来越多地出现在城市交通中，但由于城市复杂的地表地下环境，隧道的变形受到许多因素影响，把握隧道整体沉降值的变化趋势可以确保隧道施工安全及正常运营，因此工程中对隧道沉降进行预测具有重要意义[1]。

沉降预测模型总体上可以分为三大类：静态预测模型、动态预测模型及组合预测模型。静态预测模型有双曲线函数模型、修正双曲线法、Logistic模型、Weibull模型等[2-3]。动态预测模型如灰色模型、神经网络算法等，其最大优点在于可以根据沉降观测数据的变化趋势不断调整。使用动态模型可以使预测更加合理化，如刘勇健[4]使用人工神经网络预测公路地基沉降；王鑫等[5-7]使用加入记忆单元的LSTM神经网络在不同领域进行工程应用，用以解决时间序列的梯度爆炸问题。为进一步发挥各预测模型的长处，提高预测精度，同时弥补单一模型短板，可以构建组合预测模型，以达到更精确的预测效果，如傅湘萍使用粒子群算法优化BP网络预测地铁结构变形[8]，赵楠结合LSTM与SVM对隧道围岩位移进行预测[9]，舒涛将灰色模型与LSTM组合对旋转机械轴承寿命进行预测[10]。目前对隧道沉降的预测以静态预测为主，精度存在较大提升空间。本文将结合灰色模型GM(2，1)与长短时记忆神经网络(Long Short-Term Memory，简称LSTM)，依据某隧道工程长期监测数据对隧道沉降进行预测。……