整个系统的技术概要如下：
1）共选择了187项作为AI方向预测模型的学习数据，排除了掘进数据中对方向预测没有作用的数据。主要掘进数据分类如下表所示。
学习对象的掘进数据
2）从收集到的数据中去除(清洗)噪声数据等；根据传感器数据的性质对特征量进行转换或整合。
数据清洗过程
特征量处理方法
3）AI方向预测模型学习了在一定区间内的测量数据后，再输入最近5环的测量数据，就可以输出后6环的方向(水平偏差、垂直偏差、方位偏差)的预测值。 机器学习采用支持向量回归算法( Support Vector Regression，简称“SVR” )。
工程概况如下表所示。
工程概况
该系统在东京千代田干线工程中进行了验证应用：
1）施工中，将掘进数据和方向预测AI储存在云平台中，创建的数据会在云中被自动获取以预测方向；
2）以AI的方向预测取代原有的人工测量+管理分析，采用系统计算出要挖掘的0~5环中每一个要到达的位置(与计划轴线的偏差)并将其作为预测值。然后，预测值会实时显示到掘进管理室的屏幕上。
3）系统具有模拟功能，使用方向预测AI并虚拟输入盾构的操作后，系统会根据最近的掘进数据和操作输入数据预测1~5环的到达位置。
1）取3环进行模拟及实际偏差对比。在试验区间，预测结果与实际结果的差的平均值为水平5.08mm，垂直6.01mm。
水平偏差(3环处)
垂直偏差(3环处)
（图表的纵轴表示盾构机前端中心点与计划轴线的距离(偏差)，横轴表示环数。）
2）在试验区间实施盾构司机人工判断和系统模拟判断的对比试验，其结果如下表所示。施工结果显示，每10环平均可以降低水平6.0mm、垂直2.5mm的成型偏差，能够提高隧道的成型精度。
试验区间的成型隧道对比试验
（以①盾构司机人工判断的掘进区间和②操作模拟判断的掘进区间的隧道轴线质量为评价标准，每10环的平均变形偏差作为比较对象。）
结语：
