1.一种基于混合神经网络的盾构掘进速度智能预测方法，其特征在于，具体包括以下步骤：S1、采集数据：在盾构掘进过程中，按固定采样频率f实时记录盾构操作参数，同时记录盾构掘进过程中的土质参数；S2、数据预处理：1)空数据检测2)异常值检测使用马氏距离(Mahalanobis Distance)作为异常值判别的标准；对于一个均值为μ＝(μ 1 ,μ 2 ,μ 3 ,μ 4 ,μ 5 ,μ 6 ) T ，协方差矩阵为S的多变量输入序列x＝(x 1 ,x 2 ,x 3 ,x 4 ,x 5 ,x 6 ) T ，其马氏距离的计算如公式二所示：公式二： 上式中的x指输入变量刀盘转速RS、刀盘扭矩TOR、总推进力TH、承载力特征值F a 、压缩模量E S 及掘进速度AR；3)数据归一化将数据进行归一化，映射至[0,1]区间；S4、数据集分割：将预处理之后的数据划分为训练集、验证集和测试集；S5、构建Attention-ResNet-LSTM混合神经网络模型：归一化后的输入数据被送入ResNet结构进行特征提取，并通过通道注意力机制对ResNet结构提取后的各通道特征图(feature map)赋予不同权重，将加权后的特征图(feature map)输入LSTM网络，在LSTM结构的最后一层加入时序注意力机制，为不同时刻的隐藏层输出赋予权重值，将加权求和后的时序向量与最后一个时间步的输出拼接，作为注意力机制处理后的最终输出；S6、模型训练和效果评估：基于上述S5神经网络模型，将选取的各特征过去p个历史时刻的序列数据作为模型输入，输出则是t时刻的掘进速度，输入和输出参数之间的关系为：公式六：AR| t ＝f((RS,TH,TOR,Es,Fa,AR)| t-1,t-2,…,t-p )其中，函数f即为深度学习模型要拟合的映射关系，p是历史时间序列数据的长度，可由数值实验确定最优取值；对模型预测效果进行评估，选取平均绝对百分误差MAPE和均方根误差RMSE作为评价指标，两者的结合评估模型的性能，其计算方式如下：公式八： 公式九： MAPE和RMSE两个指标的值越小，则说明预测值与真实值之间的偏差越小，模型拟合精度越高；使用训练好的最优模型在测试集上对掘进速度进行预测，若预测精度符合要求，则该模型应用于实际工程中实时预测盾构掘进速度；若模型的预测精度不符合要求，则重新进行上述步骤，直至预测精度满足实际应用需求。
2.如权利要求1所述的方法，其特征在于，S2中，所述空数据的检测算法如下：公式一：f i ＝TH i ·TOR i ·AR i ·RS i其中TH i ,TOR i ,AR i ,RS i 分别代表盾构机在i时刻的推进力、刀盘扭矩、掘进速度和刀盘转速；当f i ＝0时，代表盾构机处于停机状态，删除该时刻的数据记录。
3.如权利要求1所述的方法，其特征在于，所述公式二，当各变量不相关时，协方差矩阵S为单位矩阵，马氏距离与欧氏距离相等；将D M 的0.9分位数设为阈值D t ，将D M >D t 作为异常值判别的条件，符合这一条件的数据点被视为异常值，从数据集中剔除。
4.如权利要求1所述的方法，其特征在于，S4中：训练集用于模型的训练，验证集用于模型超参数的优化，测试集用于对最终的模型性能进行评估。
5.如权利要求1所述的方法，其特征在于，S5中：所述Attention-ResNet-LSTM混合神经网络模型，其构建方法和实施策略：首先，输入p个历史时刻的样本数据 以多变量时间序列的形式被送入神经网络，网络模型中ResNet模块由m个基本单元组成，每个基本单元包括两层卷积层及相应的残差连接，提取并输出特征图(feature map)；然后，构建LSTM模块包括n层LSTM单元；以及注意力机制包括通道注意力模块和时序注意力模块；其中，所述通道注意力模块Channel Attention由全局平均池化层和两个全连接层构成，所述ResNet模块提取的特征图先经过一个全局平均池化层得到各通道的全局信息，再通过两个全连接层得到各通道的权重值，将加权之后的特征图输入LSTM模块；其中，所述时序注意力模块Temporal Attention中先由全连接层计算最后时刻隐藏状态与各时刻隐藏状态相似度得分 ,s取值范围为1～p，其中v a 与W a 均为可训练的权重矩阵；再经由softmax函数得到注意力权重值 ,s取值范围为1～p，加权后的向量与LSTM模块末层最后时刻的单元输出拼接，最后传递到一个全连接层Dense layer得到最终的预测输出t时刻AR结果。
6.如权利要求5所述的方法，其特征在于，初始化Attention-ResNet-LSTM混合神经网络模型中的参数，损失函数选用均方误差(MSE)，并采用Adam优化算法来训练模型；公式七： 其中，MSE是均方误差，b是数据总数，y i 是数据实测值， 是模型预测值；同时，使用随机搜索算法进行超参数寻优，选取在验证集上误差最小的组合作为模型的最优超参数组合。
7.如权利要求6所述的方法，其特征在于，超参数包括m、n、学习率、卷积核个数、LSTM隐层神经元个数。
