隧道工程属于线性工程,在具体项目施工过程中会遇到很多不可控的安全因素。如何对隧道中施工人员安全状态进行高效精确的预警引起了广泛研究人员的关注。隧道人员安全状态的判断主要通过收集施工人员的体征和洞内环境数据,对异常状态的预警通常需要专业工作人员在短时间内迅速作出判断,运维成本高且工作效率较低,在隧道施工过程中包含了大量的时空数据。目前大多数对隧道施工人员安全状态的预警还停留在定性分析阶段,然而影响施工人员安全状态的因素有很多,涉及人员体征、隧道规模、隧道内部环境等,从多角度进行定量分析较为鲜见。因此,只从单一的静态安全因素分析,已经不能适应目前隧道工程的安全管理和其他方面的需要,如何准确、科学、有效地对隧道施工中的人员安全进行动态预警,是目前隧道工程建设急需解决的问题。针对上述问题,本文在收集了大量影响因素的基础上,使用层次分析法筛选出权重较大的7个影响因素,分别为人体温度、心率、洞内环境温度、洞内环境湿度、CO浓度、氯气浓度以及人员相对位置。然后提出了一种基于ARIMA-OCSVM的人员安全状态监测以及预警模型。通过在现场部署传感器设备,获取实际隧道施工场景安全状态下的时间特征数据和空间特征数据,在此基础上使用ARIMA模型对线性数据进行预测分析,然后使用OCSVM模型对预测残差进行非线性拟合,从而完成异常状态预测。在多次训练迭代以后,保留模型进行预警状态检测,当输出的预测值超过阈值0.78时,则表示出现了异常情况。本文从工程实例中收集洞内环境数据以及施工人员体征数据,并进行横向不同参数模型试验和纵向不同预警状态比例数据试验,评估了模型对人员信息安全状态判断的性能。试验结果表明,人员安全状态预警准确率达到了90%以上。通过比较不同模型的预测效果可以发现,ARIMA-OCSVM组合模型要优于单一模型。本文进行了试验验证,使得机器学习理论在隧道施工人员安全预警的应用更加具有可解释性、可拓展性和科学泛化性。为隧道工程施工人员安全状态的高效、精准判断提供了理论依据。隧道施工人员安全预警方法的研究,对建立高效、准确的隧道施工人员安全预警系统有着深远的意义,有助于保障隧道施工人员的生命安全。本文首先对影响隧道施工人员安全状况的各种影响因素进行了分析,针对影响因素的不同特点,对数据分别从时间序列和空间特征角度进行数学建模,然后基于机器学习理论构建隧道施工人员安全预警模型。