1.一种岩溶地区地铁隧道盾构掘进速度预测方法，其特征在于，包括获取岩溶地区盾构隧道的掘进参数，所述掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；

当岩溶率δ>0时，以体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5；

其中，压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5具体为2

α1＝‑2.7259δ+2.3712δ+0.68522

α2＝‑0.1799δ+0.1964δ+0.9392

α3＝0.038δ‑0.0353δ+0.99362

α4＝‑0.7297δ+0.1655δ+0.98782

α5＝0.8611δ‑1.0308δ+0.5238；

对所述掘进参数进行异常值检测分析，剔除其中的奇异点；

按照排列组合的方式将影响因素土压力、刀盘转速、总推力、刀盘扭矩、螺旋机转速进

2 2 2 2 2

行自由组合为单项多次、两项交互及三项交互，单项多次P 、T 、F、K1、K2 ，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；

对上述26项因素同掘进速度进行相关性分析，根据相关性分析结果剔除低相关性的影响因素；

基于神经网络构建掘进速度预测模型，将现有数据代入所述掘进速度预测模型进行训练；

向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。

2.根据权利要求1所述的岩溶地区地铁隧道盾构掘进速度预测方法，其特征在于，对土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速进行箱型图绘制，剔除数据中偏离离箱体1.5倍箱体长的奇异数据。

3.根据权利要求1所述的岩溶地区地铁隧道盾构掘进速度预测方法，其特征在于，采用神经网络构建掘进速度预测模型，将样本库代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。

4.一种岩溶地区地铁隧道盾构掘进速度预测装置，其特征在于，包括获取单元，所述获取单元用于获取盾构隧道的掘进参数，所述掘进参数包括土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速；

修正系数生成单元，所述修正系数生成单元用于根据已获取的掘进参数结合岩溶发育程度补勘资料，当岩溶率δ>0时，以体岩溶率引入压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5；

筛选单元，所述筛选单元用于进行异常数据分析，剔除其中异常的掘进参数；

自由组合单元，所述自由组合单元用于对影响因素进行单项多次、两项交互及三项交

2 2 2 2 2

互，单项多次P、T、F 、K1 、K2，两项交互PT、PF、PK1、PK2、TF、TK1、TK2、FK1、FK2、K1K2，三项交互PTF、PTK1、PTK2、TFK1、TFK2、FK1K2，累计26项因素；

分析处理单元，所述分析处理单元用于对上述自由组合的26项因素同掘进速度进行相关性分析，并剔除低相关性的影响因素；其中，压力修正系数α1、刀盘转速修正系数α2、总推力修正系数α3、刀盘扭矩修正系数α4、螺旋机转修正系数α5具体为2

α1＝‑2.7259δ+2.3712δ+0.68522

α2＝‑0.1799δ+0.1964δ+0.9392

α3＝0.038δ‑0.0353δ+0.99362

α4＝‑0.7297δ+0.1655δ+0.98782

α5＝0.8611δ‑1.0308δ+0.5238；

预测单元，所述预测单元用于采用神经网络构建掘进速度预测模型，将现有的样本数据代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。

5.根据权利要求4所述的岩溶地区地铁隧道盾构掘进速度预测装置，其特征在于，对土压力、刀盘转速、总推力、刀盘扭矩、推进速度以及螺旋机转速进行箱型图绘制，剔除数据中偏离离箱体1.5倍箱体长的奇异数据。

6.根据权利要求4所述的岩溶地区地铁隧道盾构掘进速度预测装置，其特征在于，采用神经网络构建掘进速度预测模型，将现有的样本数据代入所述进速度预测模型进行训练，向训练后的掘进速度预测模型输入掘进参数获得对应的掘进速度。

7.一种电子设备，其特征在于，包括：一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑3中任一所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑3中任一所述的方法。