摘要: 针对铁路路基工程施工中“人-机-料-法-环-测” 多要素动态波动导致的进度不确定性问题, 以及传统项目管理中计划偏离、资源低效等痛点, 聚焦工程智能管控升级需求, 提出融合深度学习与自适应优化的铁路路基工程进度预测方法。构建CNN-LSTM 混合预测框架, 通过CNN 提取施工多源时序数据的局部特征与跨维度关联, 结合LSTM 捕捉长周期依赖, 实现时序信息的一体化表征; 针对施工数据复杂非平稳、噪声显著的特性, 设计基于TTAO 改进的DELTA 元启发式优化算法, 解决模型超参数人工调试适配性差的难题, 实现超参数自动寻优。通过真实铁路路基工程实测数据, 验证所提方法对进度预测的精度性与稳定性,为施工要素动态调控、资源配置优化及智能施工组织提供量化支撑。研究旨在丰富路基工程智能管控的技术体系, 并为施工进度滞后风险识别、施工要素调整需求研判、资源调配优先级确定、施工计划滚动修正及现场风险预警阈值制定提供量化依据。