Teniendo en cuenta las deficiencias del sistema de monitoreo actual para sistemas de soporte de anclaje de túneles, en este documento se propone un sistema de monitoreo de anclaje de túneles basado en la predicción LSTM-ARIMA para prevenir los accidentes de deformación y colapso que pueden ocurrir en los túneles de minas subterráneas durante el proceso de relleno, el cual combina Internet de las cosas y un algoritmo de aprendizaje profundo de redes neuronales para lograr el monitoreo y la predicción en tiempo real de la presión del anclaje del túnel. Para mejorar la precisión de la predicción, se utiliza un algoritmo de análisis de series temporales en el modelo de predicción de este sistema. En particular, se construye un modelo LSTM-ARIMA para predecir la presión del anclaje del túnel mediante la combinación del modelo de Memoria a Corto y Largo Plazo (LSTM) y el modelo Autoregresivo Integrado de Media Móvil (ARIMA). Y se diseña un método de combinación ponderada dinámica basado en la confianza de la predicción del modelo para adquirir los coeficientes de peso óptimos. Este modelo combinado permite que el sistema de monitoreo prediga la presión del anclaje con mayor precisión, evitando así posibles accidentes de deformación y colapso del túnel de manera anticipada. Finalmente, el sistema en su conjunto se verifica utilizando el conjunto de datos de presión del anclaje obtenido de la sección 21,404 del túnel de transporte de la Mina de Carbón Hulusu en ingeniería del mundo real, cuyos resultados muestran que el valor de presión predicho utilizando el modelo combinado es básicamente el mismo que el valor real en el sitio, y el sistema tiene un alto rendimiento en tiempo real y estabilidad, demostrando la eficacia y confiabilidad del sistema.