由于灵活性、高效性和相对较低的环境影响，盾构掘进在隧道建设中得到了广泛应用[1,2]。然而，盾构掘进机的运行环境本质上是复杂且不确定的[3]。其控制受到多种参数的影响，如地层条件和推力，这使得盾构姿态调节特别具有挑战性[4]。未能及时纠正盾构姿态的偏差可能导致隧道轴线严重错位[5]、地表沉降[5]、隧道贯穿[6]、节段断裂[7]等关键问题，最终影响项目质量和安全[8]。例如，在中国南宁地铁3号线的施工过程中，盾构机的过度抬升导致了质量缺陷，包括节段断裂、开裂、泄漏和错位[9]。因此，准确预测和控制盾构姿态对于确保盾构掘进的安全性和效率至关重要。
现有的盾构姿态预测方法主要分为三类：（1）理论方法[10]；（2）数值方法[11]；（3）基于学习的方法[12]。理论方法利用物理原理和机械模型来描述盾构掘进行为。虽然这些方法提供了基础性的见解，但它们通常依赖于过于简化的假设，通常只能提供近似范围而非精确值[8,13]。数值方法（如有限元分析FEA）通过结合地质和机械相互作用来实现更真实的模拟[14]。然而，它们需要大量的计算资源，需要专业技能进行参数校准，并且实时应用能力有限，因为它们无法完全考虑所有动态因素[15]。
随着人工智能的进步，基于学习的方法（如门控循环单元GRU[16]和长短期记忆LSTM网络[17,18]）在模拟操作参数（如推力、扭矩和千斤顶压力）与盾构姿态之间的序列化和非线性关系方面变得日益重要。与理论和数值方法不同，基于学习的模型能够适应实时传感器数据，从而在动态隧道环境中提高预测准确性[15,19]。
尽管取得了这些进展，基于学习的方法仍面临一些限制，这些限制阻碍了其在工程实践中的广泛应用：（1）它们通常需要大量高质量的训练数据，并且容易受到传感器噪声的影响，导致在现实世界环境中的预测不稳定[20,21]；（2）许多模型缺乏可解释性，难以揭示关键参数（如推力和千斤顶压力）对盾构姿态的影响，从而削弱了在高风险应用中的信任[22],[23],[24],[25]；（3）现有方法往往无法适应动态参数之间的相互作用（如推力和地质条件之间的时变关系），在操作条件变化（如数据噪声和数据缺失）的情况下限制了预测准确性。
为了解决这些挑战，已经提出了一些混合学习方法，但它们仅解决了问题的某些方面。例如，贝叶斯轻梯度提升机（LGBM）模型[8]通过贝叶斯优化提高了回归准确性，但它依赖于浅层机器学习结构，难以捕捉复杂的深度时空耦合。而分段线性逼近-门控循环单元（PLA-GRU）模型[16]虽然结合了注意力机制来权衡时间重要性，但它将传感器视为简单的向量序列，忽略了多传感器交互中的空间图拓扑结构，并且缺乏明确的不确定性量化。
鉴于此，目前还存在一个关键缺口，即如何同时管理数据不确定性和学习复杂的参数依赖关系。本文提出了以下研究问题：如何量化不确定性并在序列数据中建模时空依赖关系，以提高盾构姿态预测的准确性和可解释性？在盾构掘进中，研究问题中提到的不确定性主要指的是认知不确定性，这种不确定性源于对地下条件了解的不完整、传感器测量的局限性以及预测模型的不完美。这种不确定性是可以减少的，可以通过改进数据收集、优化模型架构以及更准确地捕捉序列化盾构操作数据中的时空依赖关系来缓解。相比之下，随机不确定性源于地质层和隧道条件的固有变异性以及机器与地面的相互作用，这些因素基本上是无法减少的。虽然这两种形式的不确定性都会影响盾构姿态预测，但研究问题的重点在于量化和管理认知不确定性，从而提高模型的准确性和可解释性，最终支持更可靠的隧道施工控制和决策制定。
为了解决这一研究问题，我们开发了一个集成的、可解释的框架，该框架结合了全连接时空图神经网络（FCSTGNN）、自适应神经模糊推理系统（ANFIS）和图神经网络解释器（GNN Explainer）。与简单地将现有组件集成不同，所提出的方法引入了一种协同机制设计，动态平衡了ANFIS的概率鲁棒性和FCSTGNN的结构精度。具体来说，ANFIS明确量化并减轻了由传感器噪声引起的认知不确定性，而FCSTGNN同时捕捉高阶时空依赖关系。这种双路径互补性使模型能够在复杂的、变化的地质条件下保持预测可靠性，而在这些条件下，传统的深度学习模型往往会因数据模糊性而性能下降。
本文的结构如下。首先回顾了隧道建设中多变量时间序列数据（MTS）建模和可解释人工智能（XAI）的研究（第2节）。然后描述了集成和可解释的框架，重点介绍了数据预处理、ANFIS构建和GNN解释器（第3节）。该框架应用于中国杭州地铁，以证明其在量化可能影响盾构姿态的不确定性和时空依赖关系方面的可行性和有效性（第4节）。接下来，指出了研究的理论和实际意义及其局限性（第5节），最后介绍了本文的贡献（第6节）。
