盾构机是专门用于隧道施工的一种重型装备,它具有掘进速度快、效率高等优势,逐渐成为隧道挖掘的主流方法。盾构机挖掘过程中,需按预先设计的轴线前进,但在具体施工期间,其难免受到司机操作水平、地质环境等因素的影响,这会导致盾构机偏离实际轨迹,引起偏差。如果不及时纠正,会影响工程质量,甚至造成整个工程的失败。依靠司机主观经验纠偏,这与其情绪状态、个人技能有关,有时会不可靠,所以需要发展智能辅助驾驶技术。近十年来,这门技术刚刚兴起,都还不成熟,主要表现在技术方案不成立,结果处于实验阶段,所以进一步研究分析盾构机智能姿态控制显得很有意义。本文对某城市地铁线路的实际施工数据进行了数据挖掘和融合模型的构建,并对控制盾构掘进姿态的四组油缸压力进行了分组预测。根据建模的需要对线路数据进行了线路分段、地质分类、周期处理等操作为建模做准备。文章中首先选取了对盾构姿态影响较大的参数,再者通过对参数的机理分析设计出了具有实际意义的新特征。利用随机森林模型得出各特征的重要程度,证明绝大多数新特征的重要程度较高可以帮助建模。本文在不同地质条件下,将油缸压力分为不同的组别,并建立了随机森林、XGBoost和LightGBM三个单一模型,通过对各模型下不同分组数量的分析,给出建议的分组数量。在相对较优的分组下,各模型准确率几乎都在0.90以上,但姿态控制问题关乎整个工程的质量甚至成败,所以对模型预测精准度要求极高。进一步利用Stacking融合模型提高准确率,结果表明不论是软土还是岩石地质,融合模型相比于单一模型准确率均得到了改善,证明了模型融合对提升模型性能有一定的作用。将融合模型在某实际施工线路中测试,测试结果进一步证明融合模型对于提升模型性能的有效性。