深基坑工程由于涉及到复杂的地质条件、繁杂的施工技术以及复杂多样的施工现场条件,经常发生各种基坑施工安全事故,造成一定的经济损失和不良的社会影响。为了避免一系列基坑安全事故的发生,在深基坑施工全过程中必须进行深基坑变形监测,而建立适当的预测模型进行基坑变形预测,对基坑的安全施工有重要的指导意义。本文以兰州市轨道交通1号线一期工程省政府站及中央商务区基坑监测项目为依托,以现场采集的各项监测数据为基础,理论联系实际,根据实际监测数据建立时间序列模型和NAR(Nonlinear Auto Regressive models)人工神经网络模型,对基坑未来的变形趋势进行预测。由于数据采集过程中受外界干扰因素较多,引入了卡尔曼滤波对其原始时间序列进行了滤波处理,并在结合两种模型优势的基础上提出了一种基于卡尔曼滤波的时间序列-NAR人工神经网络模型进行基坑变形预测分析,最后将三种模型的预测结果进行对比分析。本文的主要研究内容如下:(1)通过对兰州市轨道交通1号线一期工程省政府站及中央商务区基坑监测项目进行监测,分析各监测项目的实际监测数据结果,发现基坑在监测期内各监测项目未出现监测报警,基坑开挖过程基本处于安全稳定状态。(2)通过对基坑支护桩多期沉降监测数据进行IDW(Inverse Distance Weighted)插值处理及基于R软件平台采用最小二乘方法对基坑支护桩沉降坡度进行提取分析,确定基坑支护桩沉降变形趋势最大区域为ZJ52监测点附近区域,后期预测分析将以该点的监测数据为重点。(3)通过对三种模型的预测结果对比可知:基于Kalman滤波的ARIMA-NAR组合模型的预测精度最高,其精度指标平均绝对误差MAE、均方根误差RMSE、平均绝对百分误差MAPE和拟合优度R~2分别为0.2787、0.5279、3.9150和0.9972,均优于单一的ARIMA和NAR神经网络模型,NAR人工神经网络模型的预测精度次之,时间序列ARIMA模型的预测精度最低。(4)验证了所提出的基于卡尔曼滤波的时间序列-NAR组合模型在基坑监测预测领域的实用性,将其应用于基坑支护桩水平位移和支护桩深层(测斜)位移等监测点进行变形预测分析。根据预测结果可知:时间序列模型和NAR人工神经网络模型均能够得到较为准确的预测结果。而基于卡尔曼滤波的时间序列-NAR人工神经网络组合模型,在经过卡尔曼滤波去噪的基础上,得到的结果精度更高,适用性更强,能够为基坑的安全施工提供更可靠的数据支撑。