盾构机是一种用来掘进长距离隧道的大型机器,因其安全、高效、环保等特点广泛地应用于地铁、开山等隧道施工场景。盾构机的性能和安全性极易受到施工环境的影响,降低恶劣施工环境对盾构机的损害最有效的办法是提前预测出盾构机的刀盘扭矩、推进速度、总推进力这三个参数在未来时刻的值,根据未来时刻的参数值调整盾构机此刻的运行状态,从而降低机器运行成本与施工风险。因此针对盾构机三个重要参数的时间序列预测研究具有重要意义。本文的研究目的是为盾构机参数建立实时预测模型。本文首先对目前用于时间序列预测的主流机器学习与深度学习模型进行总结,文中介绍了线性与非线性回归模型（LASSO、Ridge、支持向量回归）、集成树模型（随机森林、XGBoost）、循环神经网络（RNN、LSTM、GRU）与用于序列预测的Seq2Seq（Encoder-Decoder、Deep AR）等四类模型以及时序预测模型常用的优化算法。然后利用上述提到的时序预测模型,进行以下两个方面的数值实验:（1）本文的第一个实验是构建盾构机参数单点预测模型,分别评估模型利用之前时刻的输入来预测未来第一个时刻、未来第五个时刻、未来第十个时刻的预测效果。实验先对盾构机数据集进行数据清洗、异常点检测、缺失值插补、归一化和基于XGBoost的特征选择等数据处理步骤,然后选择SVR、随机森林、XGBoost三种机器学习模型和LSTM、GRU两种深度学习模型对三个参数进行短距离与长距离预测,以预测时序图和RMSE、MAPE、决定系数作为评估指标。（2）本文的第二个实验是构建盾构机参数多步预测模型,这是盾构机参数预测研究领域首次讨论参数的多步预测场景。实验的任务是利用之前时刻的输入直接预测出未来20个时刻的参数序列,实验选择基于随机森林的递归预测法、输出值预测的Encoder-Decoder和输出区间预测的ARIMA与Deep AR这四种模型进行评估与对比。对两个实验的结果进行总结,发现RNN类的深度学习模型在大部分场景下的预测精度明显优于传统机器学习模型。LSTM在参数的短距离与长距离单点预测性能普遍更好;基于LSTM的Encoder-Decoder适用于参数的多步值预测任务;Deep AR凭借其对参数未来多个时刻高精度的区间预测,对于盾构机工作状态预警具有重要意义。