Predecir la máxima subsidencia del suelo (Smax) en la construcción de un túnel escudo equilibrado por presión del suelo, especialmente en suelos de cimentación blandos, es esencial para una operación segura y para minimizar el posible riesgo de daños en áreas urbanas. Aunque se ha realizado cierta investigación, este problema no se ha resuelto debido a su complejidad y a muchos otros factores influyentes. Debido a la creciente precisión del aprendizaje automático (ML) en la predicción de la deformación superficial de la excavación de túneles escudo y al desarrollo de la tecnología de aprendizaje automático automatizado (AutoML). En el estudio, se construyeron diferentes modelos de predicción de ML utilizando un marco de AutoML de código abierto. El modelo de predicción fue entrenado por el conjunto de datos, que contiene 14 parámetros de entrada y una salida (es decir, Smax). Se emplearon diferentes marcos de AutoML para comparar sus valideces y eficiencias. El rendimiento del modelo se estima contrastando los parámetros de precisión de predicción, incluyendo el error cuadrático medio (RMSE), el error absoluto medio (MAE) y el coeficiente de determinación (R). Con un coeficiente de determinación (R) de 0.808, MAE de 3.7 y RMSE de 5.2 en el conjunto de datos de prueba, el mejor modelo de predicción, es decir, el regresor de árbol adicional, mostró un mejor rendimiento, demostrando que nuestro modelo tiene ventajas en la predicción de Smax. Además, el análisis SHAP revela que el tipo de suelo (ST), el par (To), la profundidad de cobertura (H), el nivel freático (GW) y la desviación de excavación tienen un efecto significativo en Smax en comparación con otras entradas del modelo.