CN117743808B - 一种隧道变形预测方法、系统、设备及介质 - Google Patents

Abstract

本发明公开了一种隧道变形预测方法、系统、设备及介质，涉及隧道变形预测技术领域，该方法包括：对于每个缺失数据序列，根据缺失数据序列中数据缺失的数量，得到至少一个单值缺失序列，并从多个完整数据序列中截取得到多个相同序列区间的区间对照序列；利用与单值缺失序列对应的多个区间对照序列进行插值处理，以及判断各个第一数据序列中是否存在粗差值，得到各个监测点同一指标、同一时序内且均为无数据缺失和无粗差值的多个目标数据序列；根据目标数据序列并利用预设的预测方法对待测隧道进行变形预测；缺失数据的补充以及进行粗差值的判断，可以使进行处理后得到的各个数据序列更加具有参考价值，为最终变形预测的精度奠定了数据基础。

Description

一种隧道变形预测方法、系统、设备及介质

技术领域

本发明涉及隧道变形预测技术领域，更具体地说，它涉及一种隧道变形预测方法、系统、设备及介质。

背景技术

在隧道施工过程中，要穿越许多不同的地层，工程地质条件复杂多变，有可能会出现塌方、涌水、大变形等问题，除了对隧道进行结构设计、施工方案、养护维修的研究外，还需要从隧道施工中的变形监测入手，来实现对隧道变形的预测，即通过对量测项目的选取、数据收集、分析，并反馈于施工和设计，对于保证隧道施工安全和节约工程费用具有十分重要的意义。

目前常用的隧道监测方法有水准测量法、三角高程测量法等，随着科技的进步，隧道监测新技术新新方法也不断涌现，如三维激光扫描法，自动化监测等；其中，自动化监测的在隧道监测中的应用越来越多，与传统人工监测相比，减少了人员操作，消除了偶然误差，并且大大降低了成本，具有数据采集自动化，数据处理集成化，数据发布便捷化等优点。但在隧道自动化监测过程中不可避免的会出现测点损坏、通讯中断和施工扰动等不确定性因素，容易导致监测数据出现数量大、种类多的污染问题，污染主要表现为数据缺失和数据粗差；因此，如何解决监测数据的污染问题，是实现隧道变形预测不可或缺的。

发明内容

本发明的目的在于提供一种隧道变形预测方法、系统、设备及介质，以解决上述背景技术中存在的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，本申请提供了一种隧道变形预测方法，包括以下具体步骤：

获取待测隧道每个隧道截面中各个监测点同一指标、同一时序内的监测数据序列，并从多个监测数据序列中筛选出存在数据缺失的一个或多个缺失数据序列，以及多个完整数据序列；

对于每个缺失数据序列，根据缺失数据序列中数据缺失的数量，得到至少一个单值缺失序列，并根据单值缺失序列的序列区间，从多个完整数据序列中截取得到多个相同序列区间的区间对照序列；

对于每个单值缺失序列，利用与单值缺失序列对应的多个区间对照序列进行插值处理，并将插值处理得到的插值数据放入单值缺失序列中的数据缺失位置，得到各个监测点同一指标、同一时序内且均为无数据缺失的第一数据序列；

判断各个第一数据序列中是否存在粗差值，并将存在粗差值的第一数据序列剔除，得到各个监测点同一指标、同一时序内且均为无数据缺失和无粗差值的多个目标数据序列；

根据目标数据序列并利用预设的预测方法对待测隧道进行变形预测。

本发明的有益效果是：本方案中，通过对缺失的数据进行插值补充，以及判断各个完整的数据序列中是否存在粗差值，有效的解决了监测数据会存在不完整和粗差的问题，提高了隧道变形预测的精度；其中，对于每个存在数据缺失的序列，首先根据数据缺失的数量，并以此来截取序列的时间区间，保证在截取的区间内只存在一个数据缺失，这样在进行插值处理时，只针对单个进行插值处理，能够有效的提高插值的精度；对于单个数据序列中存在多个数据缺失的情况，可以采用单个数据插值的方式一一进行缺失数据的补充，这样可以使进行插值处理后得到的各个数据序列更加具有参考价值，为最终变形预测的精度奠定了数据基础。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，上述插值处理具体为：

根据单值缺失序列中的数据缺失位置，将多个区间对照序列中相同位置的数据剔除，得到每个区间对照序列的第一对照序列；

计算单值缺失序列与各个第一对照序列的相关性系数，并将相关性系数最大的第一对照序列确定为第二对照序列；

若第二对照序列的相关性系数满足第一预设条件，根据第二对照序列得到插值数据。

采用上述进一步方案的有益效果是：通过计算单值缺失序列与各个第一对照序列之间的相关性系数，具有不仅利用了数据值，还利用隐藏在数据值之下存在但无法准确阐述的物理联系，因此关联了与缺失数据观测点的变形趋势相关性最强的变形数据序列，对相关数据序列的对应位置进行插值处理，利用其插值与观测值的误差进一步优化缺值数据的误差；其中，通过综合考虑变形序列不同时刻变形值之间的自相关性，以及与测点位置相当的测点之间的相关性来刻画出缺失信息的特征，最终达到提高插值精度的目的。

进一步，上述相关性系数的目标函数通过第一公式表示，第一公式为：

式中，表示单值缺失序列与第i组第一对照序列的相关性系数，n表示单值缺失序列或第一对照序列中的数据个数，a表示单值缺失序列或第一对照序列中数据序号，/>表示单值缺失序列的平均值，/>表示第i组第一对照序列的平均值，/>表示单值缺失序列中的第a个元素，/>表示第i组第一对照序列中的第a个元素。

进一步，上述根据第二对照序列得到插值数据，具体为：

根据第二对照序列中数据剔除的位置，以该位置为中心并以预置的初始数据长度依次左右对称进行单步扩展，得到每次单步扩展后的多个第三对照序列；

将多个第三对照序列分别输入至预置的神经网络模型中进行处理，得到每个第三对照序列对应的数列插值；

根据各个数列插值，计算每个数列插值与对应的第二对照序列中剔除数据的第一差值，并将最小的第一差值确定为补偿差值；

将单值缺失序列输入至神经网络模型中进行处理，得到待插入单值缺失序列中数据缺失位置的第一插值，利用补偿差值对第一插值进行补偿，将补偿后的第一插值确定为插值数据。

进一步，上述判断各个第一数据序列中是否存在粗差值，具体为：

对多个第一数据序列依次进行抽值处理，得到进行抽值处理后的多个第二数据序列；

利用插值处理得到多个第二数据序列的第二插值，并计算各个第二插值与对应第一数据序列进行抽值处理的抽取数据的第二差值；

若第二差值满足第二预设条件，将满足第二预设条件的第二差值对应的第一数据序列判断为不存在粗差值；若不满足第二预设条件，则将对应的第一数据序列判断为不存在粗差值。

采用上述进一步方案的有益效果是：由于在隧道变形的自动化监测中，虽然一般会避免爆破等强震动施工对自动化监测影响，但在一些不可间断的工序、抢工期和抢险救灾等工程中会不可避免的影响自动化监测的精度，从而产生与实际工程情况明显不符的监测数据（粗差值），因此在将存在粗差值的数据进行剔除后，避免了与实际工程情况明显不符的数据而影响最终的变形预测，为增加变形预测的精度提供了条件。

进一步，上述第二预设条件具体为：

式中，表示序号为a的第二差值，n表示得到的第二差值的数量。

进一步，上述预测方法包括物理公式法、数值模拟法、数学算法和神经网络法中的至少一项。

第二方面，本申请提供了一种隧道变形预测系统，应用于第一方面中任一项的一种隧道变形预测方法，包括：

第一模块，用于获取待测隧道每个隧道截面中各个监测点同一指标、同一时序内的监测数据序列，并从多个监测数据序列中筛选出存在数据缺失的一个或多个缺失数据序列，以及多个完整数据序列；

第二模块，用于对于每个缺失数据序列，根据缺失数据序列中数据缺失的数量，得到至少一个单值缺失序列，并根据单值缺失序列的序列区间，从多个完整数据序列中截取得到多个相同序列区间的区间对照序列；

第三模块，用于对于每个单值缺失序列，利用与单值缺失序列对应的多个区间对照序列进行插值处理，并将插值处理得到的插值数据放入单值缺失序列中的数据缺失位置，得到各个监测点同一指标、同一时序内且均为无数据缺失的第一数据序列；

第四模块，用于判断各个第一数据序列中是否存在粗差值，并将存在粗差值的第一数据序列剔除，得到各个监测点同一指标、同一时序内且均为无数据缺失和无粗差值的多个目标数据序列；

第五模块，用于根据目标数据序列并利用预设的预测方法对待测隧道进行变形预测。

第三方面，本申请提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面中任一项的方法。

第四方面，一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面中任一项的方法。

与现有技术相比，本发明至少具有以下的有益效果：

在本申请中，通过对缺失的数据进行插值补充，以及判断各个完整的数据序列中是否存在粗差值，有效的解决了监测数据会存在不完整和粗差的问题，提高了隧道变形预测的精度；其中，对于每个存在数据缺失的序列，首先根据数据缺失的数量，并以此来截取序列的时间区间，保证在截取的区间内只存在一个数据缺失，这样在进行插值处理时，只针对单个进行插值处理，能够有效的提高插值的精度；对于单个数据序列中存在多个数据缺失的情况，可以采用单个数据插值的方式一一进行缺失数据的补充，这样可以使进行插值处理后得到的各个数据序列更加具有参考价值，为最终变形预测的精度奠定了数据基础。

在本申请中，通过计算单值缺失序列与各个第一对照序列之间的相关性系数，具有不仅利用了数据值，还利用隐藏在数据值之下存在但无法准确阐述的物理联系，因此关联了与缺失数据观测点的变形趋势相关性最强的变形数据序列，对相关数据序列的对应位置进行插值处理，利用其插值与观测值的误差进一步优化缺值数据的误差；其中，通过综合考虑变形序列不同时刻变形值之间的自相关性，以及与测点位置相当的测点之间的相关性来刻画出缺失信息的特征，最终达到提高插值精度的目的。

在本申请中，由于在隧道变形的自动化监测中，虽然一般会避免爆破等强震动施工对自动化监测影响，但在一些不可间断的工序、抢工期和抢险救灾等工程中会不可避免的影响自动化监测的精度，从而产生与实际工程情况明显不符的监测数据（粗差值），因此在将存在粗差值的数据进行剔除后，避免了与实际工程情况明显不符的数据而影响最终的变形预测，为增加变形预测的精度提供了条件。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明实施例中预测方法的方法流程图；

图2为本发明实施例中预测系统的连接示意图；

图3为本发明实施例中电子设备的连接示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，“多个”代表至少2个。

实施例1：本实施例提供一种隧道变形预测方法，如图1所示，包括以下具体步骤：

S1，获取待测隧道每个隧道截面中各个监测点同一指标、同一时序内的监测数据序列，并从多个监测数据序列中筛选出存在数据缺失的一个或多个缺失数据序列，以及多个完整数据序列。

其中，基于自动化测量仪器的测量，可以通过无线系统收集监测数据；自动化测量设备可以包括全自动全站仪、测力计、应变计和相机等；具体地，在设置监测点时，可以针对不同的隧道段，根据实际情况在需要进行监测的隧道截面上设置多个监测点，用来监测不同指标，监测的指标可以包括净空收敛、拱顶沉降、钢支撑内力、围岩压力等等；当然，对于针对特定区域的监测指标，例如拱顶沉降，可以在隧道截面上设置多个测量点，以及各个隧道截面都可以设置测量点，可见测量点的设置需要根据实际情况决定，在此不再赘述。

具体地，对于得到的监测数据序列，是按时序排列的多个数据形成序列，在这些形成的序列中，由于设备原因或环境等原因，可能导致形成的序列中缺失某一个或几个时间点的数据，因此，需要将对应的序列筛选出来进行插值处理，当然，没有数据缺失的序列自然也就得到。

S2，对于每个缺失数据序列，根据缺失数据序列中数据缺失的数量，得到至少一个单值缺失序列，并根据单值缺失序列的序列区间，从多个完整数据序列中截取得到多个相同序列区间的区间对照序列。

其中，可以根据缺失数据序列中数据缺失的数量进行序列区间的截取，也就是某一时间段内数据的截取；例如，当某一个缺失数据序列中缺少间隔分布的三个数据，在进行截取时，可以将整个序列分为三段，三段中分别缺失一个数据；当某一个缺失数据序列中缺少连续分布的多个数据时，可以依次截取为缺失一个数据的序列段，在进行插值处理后，再重新截取包含缺失一个数据新的序列段，以此反复，最终实现将缺失数据序列中所有的缺失数据进行插值补充。

需要说明的是，每次截取的单值缺失序列和从多个完整数据序列中截取得到的区间对照序列，它们的序列区间是相同的，即都是在相同时间段内的监测数据。

S3，对于每个单值缺失序列，利用与单值缺失序列对应的多个区间对照序列进行插值处理，并将插值处理得到的插值数据放入单值缺失序列中的数据缺失位置，得到各个监测点同一指标、同一时序内且均为无数据缺失的第一数据序列。

其中，在对单值缺失序列进行插值补充时，需要根据单值缺失序列以及与其相同序列区间的多个区间对照序列进行的。

可选的，上述插值处理具体为：

根据单值缺失序列中的数据缺失位置，将多个区间对照序列中相同位置的数据剔除，得到每个区间对照序列的第一对照序列。

计算单值缺失序列与各个第一对照序列的相关性系数，并将相关性系数最大的第一对照序列确定为第二对照序列。

若第二对照序列的相关性系数满足第一预设条件，根据第二对照序列得到插值数据。

其中，将基于相关性进行插值，因此在进行插值时不仅利用了数据值，还利用隐藏在数据值之下存在但无法准确阐述的物理联系，并且关联了与缺失数据观测点的变形趋势相关性最强的变形数据序列，对相关数据序列的对应位置进行插值处理，利用其插值与观测值的误差进一步优化缺值数据的误差；具体地，上述的第一预设条件可以是相关性系数的绝对值不小于某一数值，可以是0.8；即第二对照序列的相关性系数的绝对值不小于0.8，则根据第二对照序列得到插值数据，相关性系数的绝对值越大时，表明数据序列之间的相关性越高。

可选的，上述相关性系数的目标函数通过第一公式表示，第一公式为：

式中，表示单值缺失序列与第i组第一对照序列的相关性系数，n表示单值缺失序列或第一对照序列中的数据个数，a表示单值缺失序列或第一对照序列中数据序号，/>表示单值缺失序列的平均值，/>表示第i组第一对照序列的平均值，/>表示单值缺失序列中的第a个元素，/>表示第i组第一对照序列中的第a个元素。

可选的，上述根据第二对照序列得到插值数据，具体为：

根据第二对照序列中数据剔除的位置，以该位置为中心并以预置的初始数据长度依次左右对称进行单步扩展，得到每次单步扩展后的多个第三对照序列。

其中，在第二对照序列中数据剔除的位置依次左右对称单步扩展，可以理解为：例如，第二对照序列是由区间对照序列按照单值缺失序列中数据缺失的位置剔除一个数据得到的，单值缺失序列为（a1、a2、a4、a5、a6），可见，缺失的数据为a3，对应的区间对照序列可以表示为（b1、b2、b3、b4、b5、b6），则对应的第一对照序列为（b1、b2、b4、b5、b6），因此，多个第一对照序列中相关性系数最大的第二对照序列依然表示为（b1、b2、b4、b5、b6）；在进行依次左右对称单步扩展时，以缺失数据的位置为中心，预置的初始数据长度可以为2，则该第二对照序列的第一个第三对照序列为（b2、b4），第二个第三对照序列为（b1、b2、b4），第三个第三对照序列为（b1、b2、b4、b5），第四个第三对照序列为（b1、b2、b4、b5、b6），由于列举的序列长度为6个数据，因此该第二对照序列对应的第三对照序列有4个，随着序列长度的不断增加，对应的第三对照序列也将会增加，扩展方式与上述一致，在此不再赘述。

将多个第三对照序列分别输入至预置的神经网络模型中进行处理，得到每个第三对照序列对应的数列插值。

其中，预置的神经网络模型可以是长短期记忆网络(Long Short Term Memory，LSTM)，为时间循环神经网络，该网络模型在处理非线性和突变性数据方面有显著优势，常用于学习较长的单数据序中隐含的深层次信息和较多数据序列的相互影响以及联系；由于实际的隧道变形数据的单数据序列较长、数据序列较多和强非线性的特点，而神经网络模型的超参取值对模型精度有显著影响，针对不同的数据序列所需要的最优超参是不同的；具体地，可以利用差分算法(Differential Evolution，DE)的最优数据存活性，对神经网络模型的超参进行寻优，可以规避专家经验选择的局限性，显著提高模型精度；再利用图卷积网络(Graph Convolutional Network，GCN)的分类归纳能力建立观测点间的联系，进一步挖掘各观测点间在变形信息上的联系，从而提高模型对工程实际情况的学习程度。则通过上述方法建立组合模型，能有效解决传统隧道变形预测模型存在的数据不适应性、超参不稳定性和观测点独立性的问题。

根据各个数列插值，计算每个数列插值与对应的第二对照序列中剔除数据的第一差值，并将最小的第一差值确定为补偿差值。

将单值缺失序列输入至神经网络模型中进行处理，得到待插入单值缺失序列中数据缺失位置的第一插值，利用补偿差值对第一插值进行补偿，将补偿后的第一插值确定为插值数据。

其中，若第二对照序列的相关性系数不满足第一预设条件，即小于设定的数值，则表明各个第二对照序列与单值缺失序列之间的相关性较低，则就不存在参考价值，这样可以直接通过神经网络模型获取插值数据。

S4，判断各个第一数据序列中是否存在粗差值，并将存在粗差值的第一数据序列剔除，得到各个监测点同一指标、同一时序内且均为无数据缺失和无粗差值的多个目标数据序列。

可选的，上述判断各个第一数据序列中是否存在粗差值，具体为：

对多个第一数据序列依次进行抽值处理，得到进行抽值处理后的多个第二数据序列。

其中，得到的多个第一数据序列则为完成的数据序列，在进行粗差值存在与否的判断时，需要对每个第一数据序列进行抽值，再使每个第一数据序列成为缺失一个数据的序列；具体地，抽值处理可以为：在各个第一数据序列中依次抽取一个数据，例如，多个第一数据序列表示为（b1、b2、b3、b4、b5、b6），在进行抽值处理后，多个第二数据序列就依次表示为（b2、b3、b4、b5、b6）、（b1、b3、b4、b5、b6）、（b1、b2、b4、b5、b6）、（b1、b2、b3、b5、b6）、（b1、b2、b3、b4、b6）、（b1、b2、b3、b4、b5）。

利用插值处理得到多个第二数据序列的第二插值，并计算各个第二插值与对应第一数据序列进行抽值处理的抽取数据的第二差值。

其中，同样的再利用上述步骤中的插值处理，再实现对第二数据序列中抽取的数据进行插值；具体地，对每个第二数据序列进行插值处理时，可以计算该第二数据序列与其他的第二数据序列之间相关性系数，再利用相关性系数进行插值的计算。

具体地，在得到多个第二数据序列的第二插值后，再计算第二插值与对应第一数据序列种抽取的原始数据的差值，此差值则为上述的第二差值。

若第二差值满足第二预设条件，将满足第二预设条件的第二差值对应的第一数据序列判断为不存在粗差值；若不满足第二预设条件，则将对应的第一数据序列判断为不存在粗差值。

其中，通过判断第二差值的大小，即可判定出该序列是否为粗差值；并且在判断为粗差值后，除了将为粗差值的序列进行剔除，还可以对其进行替换，进行替换时可以依靠网络模型进行新序列的生成，利用生成的新序列来替换为粗差值的序列。

可选的，上述第二预设条件具体为：

式中，表示序号为a的第二差值，n表示得到的第二差值的数量。

S5，根据目标数据序列并利用预设的预测方法对待测隧道进行变形预测。

可选的，上述预测方法包括物理公式法、数值模拟法、数学算法和神经网络法中的至少一项。

其中，将监测数据进行处理完成后，就可以使用多种方式进行变形预测，针对变形预测，可以使用物理公式法、数值模拟法、数学算法和神经网络法中的任意一个或多个进行综合判断；本实施例中可以采用神经网络法进行变形预测，经网络法在变量数量、变量测量难度、计算效率和计算难度上都有显著优势，可以解决隧道施工中变量难以测量、测量难度高等问题，并且可以提高预报速度和精度，为隧道安全保驾护航。

实施例2：本申请提供了一种隧道变形预测系统，如图2所示，应用于实施例1中任一项的一种隧道变形预测方法，可以包括：

第一模块，用于获取待测隧道每个隧道截面中各个监测点同一指标、同一时序内的监测数据序列，并从多个监测数据序列中筛选出存在数据缺失的一个或多个缺失数据序列，以及多个完整数据序列。

第二模块，用于对于每个缺失数据序列，根据缺失数据序列中数据缺失的数量，得到至少一个单值缺失序列，并根据单值缺失序列的序列区间，从多个完整数据序列中截取得到多个相同序列区间的区间对照序列。

第三模块，用于对于每个单值缺失序列，利用与单值缺失序列对应的多个区间对照序列进行插值处理，并将插值处理得到的插值数据放入单值缺失序列中的数据缺失位置，得到各个监测点同一指标、同一时序内且均为无数据缺失的第一数据序列。

第四模块，用于判断各个第一数据序列中是否存在粗差值，并将存在粗差值的第一数据序列剔除，得到各个监测点同一指标、同一时序内且均为无数据缺失和无粗差值的多个目标数据序列。

第五模块，用于根据目标数据序列并利用预设的预测方法对待测隧道进行变形预测。

实施例3：本申请提供了一种电子设备，如图3所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现实施例1中任一项的方法。

实施例4：一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行实施例1中任一项的方法。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种隧道变形预测方法，其特征在于，包括以下具体步骤：

获取待测隧道每个隧道截面中各个监测点同一指标、同一时序内的监测数据序列，并从多个所述监测数据序列中筛选出存在数据缺失的一个或多个缺失数据序列，以及多个完整数据序列；

对于每个所述缺失数据序列，根据所述缺失数据序列中数据缺失的数量，得到至少一个单值缺失序列，并根据所述单值缺失序列的序列区间，从多个所述完整数据序列中截取得到多个相同序列区间的区间对照序列；

对于每个所述单值缺失序列，利用与所述单值缺失序列对应的多个区间对照序列进行插值处理，并将插值处理得到的插值数据放入单值缺失序列中的数据缺失位置，得到各个监测点同一指标、同一时序内且均为无数据缺失的第一数据序列；

判断各个所述第一数据序列中是否存在粗差值，并将存在粗差值的第一数据序列剔除，得到各个监测点同一指标、同一时序内且均为无数据缺失和无粗差值的多个目标数据序列；

根据所述目标数据序列并利用预设的预测方法对所述待测隧道进行变形预测；

所述插值处理具体为：

根据所述单值缺失序列中的数据缺失位置，将多个所述区间对照序列中相同位置的数据剔除，得到每个所述区间对照序列的第一对照序列；

计算所述单值缺失序列与各个所述第一对照序列的相关性系数，并将相关性系数最大的第一对照序列确定为第二对照序列；

若所述第二对照序列的相关性系数满足第一预设条件，根据所述第二对照序列得到所述插值数据；

所述相关性系数的目标函数通过第一公式表示，所述第一公式为：

式中，表示单值缺失序列与第i组第一对照序列的相关性系数，n表示单值缺失序列或第一对照序列中的数据个数，a表示单值缺失序列或第一对照序列中数据序号， />表示单值缺失序列的平均值，/>表示第i组第一对照序列的平均值，/>表示单值缺失序列中的第a个元素，/>表示第i组第一对照序列中的第a个元素；

所述根据所述第二对照序列得到所述插值数据，具体为：

根据所述第二对照序列中数据剔除的位置，以该位置为中心并以预置的初始数据长度依次左右对称进行单步扩展，得到每次单步扩展后的多个第三对照序列；

将多个所述第三对照序列分别输入至预置的神经网络模型中进行处理，得到每个所述第三对照序列对应的数列插值；

根据各个所述数列插值，计算每个数列插值与对应的第二对照序列中剔除数据的第一差值，并将最小的第一差值确定为补偿差值；

将所述单值缺失序列输入至神经网络模型中进行处理，得到待插入单值缺失序列中数据缺失位置的第一插值，利用所述补偿差值对所述第一插值进行补偿，将补偿后的第一插值确定为所述插值数据。

2.根据权利要求1中任一项所述的一种隧道变形预测方法，其特征在于，所述判断各个所述第一数据序列中是否存在粗差值，具体为：

对多个所述第一数据序列依次进行抽值处理，得到进行抽值处理后的多个第二数据序列；

利用插值处理得到多个所述第二数据序列的第二插值，并计算各个所述第二插值与对应第一数据序列进行抽值处理的抽取数据的第二差值；

若所述第二差值满足第二预设条件，将满足所述第二预设条件的第二差值对应的第一数据序列判断为不存在粗差值；若不满足所述第二预设条件，则将对应的所述第一数据序列判断为不存在粗差值。

3.根据权利要求2所述的一种隧道变形预测方法，其特征在于，所述第二预设条件具体为：

式中，表示序号为a的第二差值，n表示得到的第二差值的数量。

4.根据权利要求1所述的一种隧道变形预测方法，其特征在于，所述预测方法包括物理公式法、数值模拟法、数学算法和神经网络法中的至少一项。

5.一种隧道变形预测系统，应用于权利要求1-4中任一项所述的一种隧道变形预测方法，其特征在于，包括：

第一模块，用于获取待测隧道每个隧道截面中各个监测点同一指标、同一时序内的监测数据序列，并从多个所述监测数据序列中筛选出存在数据缺失的一个或多个缺失数据序列，以及多个完整数据序列；

第二模块，用于对于每个所述缺失数据序列，根据所述缺失数据序列中数据缺失的数量，得到至少一个单值缺失序列，并根据所述单值缺失序列的序列区间，从多个所述完整数据序列中截取得到多个相同序列区间的区间对照序列；

第三模块，用于对于每个所述单值缺失序列，利用与所述单值缺失序列对应的多个区间对照序列进行插值处理，并将插值处理得到的插值数据放入单值缺失序列中的数据缺失位置，得到各个监测点同一指标、同一时序内且均为无数据缺失的第一数据序列；

第四模块，用于判断各个所述第一数据序列中是否存在粗差值，并将存在粗差值的第一数据序列剔除，得到各个监测点同一指标、同一时序内且均为无数据缺失和无粗差值的多个目标数据序列；

第五模块，用于根据所述目标数据序列并利用预设的预测方法对所述待测隧道进行变形预测；

在所述第三模块中，所述插值处理具体为：

根据所述单值缺失序列中的数据缺失位置，将多个所述区间对照序列中相同位置的数据剔除，得到每个所述区间对照序列的第一对照序列；

计算所述单值缺失序列与各个所述第一对照序列的相关性系数，并将相关性系数最大的第一对照序列确定为第二对照序列；

若所述第二对照序列的相关性系数满足第一预设条件，根据所述第二对照序列得到所述插值数据；

所述相关性系数的目标函数通过第一公式表示，所述第一公式为：

式中，表示单值缺失序列与第i组第一对照序列的相关性系数，n表示单值缺失序列或第一对照序列中的数据个数，a表示单值缺失序列或第一对照序列中数据序号， />表示单值缺失序列的平均值，/>表示第i组第一对照序列的平均值，表示单值缺失序列中的第a个元素，/>表示第i组第一对照序列中的第a个元素；

所述根据所述第二对照序列得到所述插值数据，具体为：

根据所述第二对照序列中数据剔除的位置，以该位置为中心并以预置的初始数据长度依次左右对称进行单步扩展，得到每次单步扩展后的多个第三对照序列；

将多个所述第三对照序列分别输入至预置的神经网络模型中进行处理，得到每个所述第三对照序列对应的数列插值；

根据各个所述数列插值，计算每个数列插值与对应的第二对照序列中剔除数据的第一差值，并将最小的第一差值确定为补偿差值；

将所述单值缺失序列输入至神经网络模型中进行处理，得到待插入单值缺失序列中数据缺失位置的第一插值，利用所述补偿差值对所述第一插值进行补偿，将补偿后的第一插值确定为所述插值数据。

6.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现权利要求1-4中任一项所述的方法。

7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行权利要求1-4中任一项所述的方法。