1.一种基于融合时空数据的隧道形变预测方法，其特征在于，包括以下步骤：S1：获取隧道在一个时间段内的形变历史数据；

S2：利用滑动采样窗口从所述形变历史数据中进行采样得到多个用于进行训练的形变样本数据，所述滑动采样窗口包括1个标签时间块和a个时间长度不同的用于进行数据提取的数据提取时间块，a为大于等于2的整数；

S3：对各所述数据提取时间块提取的形变样本数据进行归一化处理得到归一化形变样本数据；

S4：将各所述数据提取时间块对应的归一化形变样本数据输入预先构建的形变预测模型的分时处理形变特征模块，对所述形变预测模型的学习参数值进行训练，得到目标形变预测模型；所述形变预测模型包括b个结构相同的分时处理形变特征模块和对b个所述分时处理形变特征模块的输出数据进行深度融合处理的深度融合形变特征模块，每一所述分时处理形变特征模块包括依次连接的第一形变特征处理单元和第二形变特征处理单元；

每一所述分时处理形变特征模块的第一形变特征处理单元包括依次连接的第一STAM(时空注意力机制)处理单元、第一SGCNN(空间图卷积神经网络)与TGCNN(时间图卷积神经网络)处理单元、第一FC(全连接神经网络)处理单元以及CNN(卷积神经网络)处理单元，所述第二形变特征处理单元包括依次连接的第二STAM处理单元、第二SGCNN与TGCNN处理单元以及第一ConvGRUs(卷积门控循环单元网络)处理单元，所述第一STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第一加权形变特征向量，所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系，所述第一FC处理单元融合形变特征向量得到FC处理数据，所述CNN处理单元用于对输入所述第一形变特征处理单元的数据进行卷积操作后与所述FC处理数据求和，并将该求和数据输送至该分时处理特征模块的第二STAM处理单元，所述第二STAM处理单元利用具有时空邻接关系的注意力机制对其输入数据进行处理获取第二加权形变特征向量，所述第二SGCNN与TGCNN处理单元利用所述第二加权形变特征向量获取形变特征与空间结构的第三关联关系以及形变特征与时间结构的第四关联关系，所述第一ConvGRUs处理单元利用第二SGCNN与TGCNN处理单元的输出计算获得形变特征的时序信息，所述深度融合形变特征模块用于融合b个分时处理形变特征模块输出的形变特征的时序信息；

S5：利用所述滑动采样窗口从待预测时间之前的隧道形变数据集中进行采样，获取不含时间标签的数据集；

S6：将所述数据集输入目标预测模型得到所述待预测时间下隧道的可能形变值集合；

S7：利用K‑means算法对所述可能形变值集合进行处理得到所述待预测时间下隧道的最终预测形变值。

2.如权利要求1所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述形变历史数据包括隧道不同位点的形变统计特征数据，每一位点的所述形变统计特征数据包括该位点每日形变量的最大值、每日形变量的累计值以及每日形变量的平均值中的至少一种。

3.如权利要求1所述的基于融合时空数据的隧道形变预测方法，其特征在于，a＝3，所述数据提取时间块由数据提取周时间块、数据提取月时间块和数据提取季度时间块组成。

4.如权利要求3所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述滑动采样窗口为双层滑动窗口，第一层窗口由标签时间块、季度时间块、月时间块和周时间块组成；

第二层窗口由季度数据提取时间块、月数据提取时间块和周数据提取时间块组成，时间长度分别为周的3倍、2倍和1倍，且分别对应内嵌于第一层窗口的季度时间块、月时间块和周时间块中；

所述步骤S2包括：

所述第一层窗口沿时间方向滑动单位步长后保持不动，所述第二层窗口各时间块以6步长为单位在所述第一层窗口中沿时间方向各自滑动，把所述第二层窗口每个数据提取时间块滑动提取到的数据沿时间顺序与其他长度时间块全排列组合，并把每种组合的数据与标签时间块的数据进行组合得到用于进行训练的形变样本数据，直至所述第二层窗口提取的数据覆盖完所述第一层窗口的所有数据，再将所述第一层窗口沿时间方向滑动单位步长。

5.如权利要求4所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述形变样本数据构成的形变样本数据集为，

其中，

(ts,z)∈

{(q,tq),(m,tm),(w,tw)}，j表示第j个监测隧道形变的位点，n为监测隧道形变位点的总个数，i表示形变样本数据集中的样本序号，k表示第k天且共有z天，z可取的值为tq,tm,tw，ts表示第二层窗口的块数据提取时间块， 表示第i个样本中由数据提取季度时间块q获取的数据， 表示第i个样本中由数据提取月时间块m获取的数据， 表示第i个样本中由数据提取周时间块w获取的数据， 表示第i个样本目标时间的真实值， 表示第i个样本中由第二层窗口数据提取时间块ts获取的第j个监测位点z天的特征向量集， 表示第i个样本中由第二层窗口块数据提取时间块ts获取的第j个监测位点第k天的形变特征向量；

所述形变预测模型包括3个结构相同的分时处理形变特征模块，3个结构相同的分时处理形变特征模块由季度分时处理形变特征模块、月分时处理形变特征模块和周分时处理形变特征模块组成，所述深度融合形变特征模块包括3个第二ConvGRUs处理单元和1个第二FC处理单元，3个第二ConvGRUs处理单元由第二季度ConvGRUs处理单元、第二月ConvGRUs处理单元以及第二周ConvGRUs处理单元组成，所述季度分时处理形变特征模块的输出端分别与第二季度ConvGRUs处理单元的输入端以及月分时处理形变特征模块的输入端连接，所述月分时处理形变特征模块的输出端分别与第二月ConvGRUs处理单元的输入端以及周分时处理形变特征模块的输入端连接，所述周分时处理形变特征模块的输出端与第二周ConvGRUs处理单元的输入端连接，所述第二季度ConvGRUs处理单元的输出端分别与第二FC处理单元和第二月ConvGRUs处理单元连接，所述第二月ConvGRUs处理单元的输出端分别与第二FC处理单元和第二周ConvGRUs处理单元连接，所述第二周ConvGRUs处理单元的输出端与第二FC处理单元连接，步骤S4中进行模型训练的过程包括以下步骤：将归一化处理后的 输入所述季度分时处理形变特征模块，所述季度分时处理形变特征模块输出 将经卷积处理的 与 的归一化值求和后输入所述月分时处理形变特征模块，所述月分时处理形变特征模块输出 将卷积处理后的 与 的归一化值求和后输入所述周分时处理形变特征模块，所述周分时处理形变特征模块输出 3个第二ConvGRUs处理单元获取 之间在时间上依赖的特征信息，第二FC处理单元利用

3个第二ConvGRUs处理单元输出的数据进行计算得到所述形变预测模型的输出值。

6.如权利要求5所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述第一STAM处理单元利用具有邻接关系的注意力机制对其输入数据进行处理获取对应的第一加权形变特征向量的步骤包括：

S41：将输入所述第一STAM处理单元的特征向量 沿时间方向拼接，得到

其中， 表示输入所述第一STAM处理单元的ts时间块对应的第i个样本的第z天第j个监测点的特征向量， 是 的行向量；

S42：在时空维度用具有邻接关系的注意力机制计算第一加权形变特征向量：e表示 中元素的序号；

其中， f表示形变特征种类数；

其中， 表示 的行向量， A

＝{1,2,…,n}，B＝{1,2,…,z},U和V是学习矩阵， 是 的元素，为n×n的矩阵，且元素是 代表两矩阵对应元素相乘，Ast为n×n的矩阵，且元素(d,j) (d,j) z×z

为αd,jAt ，At ∈R 表示时间的邻接矩阵，且其元素ak,l由时间的临近关系决定取值为

0或1，当时间k和l相邻时取1，否则取0，αd,j由监测点间的相邻关系决定取值为0或1，当d和j相邻时取1，否则取0；

所有 的 第一 加权形变 特征向量 构成构成 的矩阵 为 其中 ，

7.如权利要求6所述的基于融合时空数据的隧道形变预测方法，其特征在于，所述第一SGCNN与TGCNN处理单元利用所述第一加权形变特征向量获取形变特征与空间结构的第一关联关系以及形变特征与时间结构的第二关联关系的步骤包括：S43：所述第一SGCNN与TGCNN处理单元利用空间维度图的谱分析方法通过计算形变特征与空间结构的第一关联关系，然后利用时间维度的图卷积法通过公式 计算形变特征与时间结构的第二关联关系，其中，K表示滤波器个数，Wr为合并滤波矩阵和权重矩阵后的学习矩阵，σ表示sigmoid函数， 为递归函数， 为拉普拉斯矩阵，输入f表示特征的个数， 是第i个样本第k天第j个第一加权形变特征向量，其中Wt、W1、W2为学习矩阵，b1、b2为偏置向量，H是时间点的图邻接矩阵， 代表两矩阵对应元素相乘。