基于机器学习预测施工期盾构刀盘前方管片上浮值,有助于及时调整盾构控制参数以缓解管片上浮病害.然而,已有模型在长时间序列预测问题上的性能不佳,难以精确预测盾构刀盘前方多环管片上浮值.通过考虑盾构控制、姿态参数及地层信息的影响,结合Boruta算法,确定模型输入特征;利用小波变换滤波器、完备自适应噪声集合经验模态分解(complete　ensemble　empirical　mode　decomposition　with　adaptive　noise,CEEMDAN)方法消除时间序列数据噪声,构建了一种基于LightBGM-Informer　的盾构隧道施工期管片上浮预测模型.通过南京和厦门地区某地铁盾构隧道监测数据,验证了所提模型的准确性和适用性.结果表明,所提模型预测精度较循环神经网络(recurrent　neural　network,RNN)、长短时记忆网络(long　short-term　memory,LSTM)、门控循环单元(gated　recurrent　unit,GRU)、Transformer等模型有所提升,且在地质条件不同的数据集上具有良好的泛化性;随着预测序列长度的增加,该模型的性能优势更突出,可准确预测盾构刀盘前方　1～2　环未施工管片的上浮值.基于沙普利加和解释(Shapley　additive　explanations,SHAP)方法的特征重要性分析指出,土舱压力及盾头、盾尾垂直位移对管片上浮影响显著.所提模型可为复杂环境下富水地层盾构隧道管片施工智能化控制提供理论指导.