如今地铁项目全面建设,地铁运营的安全性日趋重要,地铁结构变形的监测与预测分析已成为国内外学者研究得重要方向。本文重点研究预测地铁结构变形的组合模型构建方法,以期能够提高地铁结构变形预测精度,以保障地铁运营安全。本文利用南京某地铁保护区项目地铁结构变形自动化监测数据展开相关研究。主要工作内容和结论如下:(1)系统地分析了导致地铁结构变形的原因:介绍了几种常用的统计分析预测模型,分析模型的建模思想以及不同模型所具有的特点,并详细阐述了每种模型的建模流程。(2)介绍了组合模型的基本分类方式;阐述了几种常用的组合模型定权准则和评价标准,以基于误差平方和最小定权准则为例介绍组合模型建模的基本思想。(3)重点研究了粒子群智能算法和BP神经网络算法。提出采用粒子群算法解算组合模型权重,并首次尝试用BP神经网络算法优化组合模型。利用南京地铁自动化监测数据进行实例验证,介绍组合模型的具体构建流程。(4)将本文构建的组合模型应用于南京地铁监测数据,变形预测精度得到较好的提高。回归-时间序列组合模型的预测精度比时间序列提升10%～22%,比回归分析模型提高13%～24%。(5)应用本文构建的BP神经网络优化后的组合模型对南京地铁监测数据进行工程应用,变形预测精度提高效果显著。经过BP神经网络优化后的组合模型预测精度比组合模型优化前提高了 21%～27%。相对于时间序列模型预测精度提高了 31%～43%;相对于回归分析模型预测精度提高了 32%～42%。结果表明本文采用BP神经网络优化后的组合模型在地铁结构变形预测上有很好的效果,精度得到很好的提高,适用于工程实际应用中,对保障地铁运营安全有着重要的理论研究意义和现实应用价值。(6)在组合模型权重解算方法比较上,本文工程实例分别用粒子群智能算法与线性规划算法求解权重,两种算法构建的组合模型预测精度几乎一致。由此验证了权重求解的正确性。