1.一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：该方法包括以下步骤：S1：采集滑坡数据，包括：累计位移数据、东西朝向风速、南北朝向风速、降水强度和气温，后四个作为影响因子；用EEMD将累计位移数据分解为若干IMF分量和一个趋势项；

S2：对S1得到的IMF分量和趋势项同原始累计位移数据进行拟合重构并记录每个分量所对应系数；

S3：将S1的4个影响因子作为输入量，得到的IMF分量和趋势项分别作为输入量，取对应数据前70％～80％数据作为训练集分别带入对应WOA‑LSTM模型进行训练；将余下20％～

30％数据输入对应训练好的WOA‑LSTM模型，S4：将S3预测得到的IMF分量和趋势项用分别同S2中对应系数相乘，乘积相加后便是滑坡累计位移预测结果。

2.根据权利要求1所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述S1中，EEMD分解包括以下步骤：S11：在原始位移序列x(t)加入白噪声xi(t)＝x(t)+zi(t)，zi(t)是产生的随机白噪声，i＝1,2,...,n，n为原始滑坡累计序列长度，通过EMD将滑坡位移数据分解为IMF分量和趋势项；

S12：得到的IMF重复S11步骤，即每次添加新的白噪声，将每次得到的IMF做集成平均处理作为最后的分解结果，抵消噪声；

其中，zi(t)表示符合正态分布添加的白噪声信号，N是添加的白噪声个数，Cij(t)为添加的第j个白噪声后的第i个IMF。

3.根据权利要求2所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述S3中，WOA‑LSTM模型是使用WOA算法对LSTM的隐藏层神经元数量和时间步长两个参数进行优化，提高LSTM模型预测精度。

4.根据权利要求3所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述S3中，WOA‑LSTM模型建立包括以下步骤：S31：参数初始化，生成初始鲸鱼群S32：输入LSTM网络模型

S33：计算鲸鱼个体适应度值，若值大于或等于0.5，鲸鱼个体位置螺旋更新；若值小于

0.5，鲸鱼个体收缩包围方式并更新位置；

S34：判断迭代次数是否为最大迭代次数，若不是，则重复步骤S33；若是最大迭代次数，则结束循环，输出最优隐藏层神经元数量和时间步长；

S35：根据得到的参数，建立WOA优化的LSTM模型。

5.根据权利要求4所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述S31中，参数初始化包括种群数量、种群位置上下界、鲸鱼个体空间维度和最大迭代次数。

6.根据权利要求5所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述S33中，是选择螺旋更新还是收缩包围的捕猎方式的公式如下：其中，p是[0,1]随机生成的一个概率。

7.根据权利要求6所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述螺旋更新的公式如下：

其中， 表最优解和搜索粒子之间的距离，b是常量系数，l是范围[‑1,1]的随机数。

8.根据权利要求6所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述收缩包围的公式如下：

其中， 代表目标和搜索粒子之间的距离。

9.根据权利要求6所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述S3中，WOA‑LSTM模型输入层神经元设为4，输出层神经元设为1，隐藏层神经元数量和时间步长由步骤S34确定。

10.根据权利要求9所述的一种基于WOA‑LSTM模型的滑坡位移预测方法，其特征在于：所述S3中，建立WOA‑LSTM模型，多个IMF分量和一个趋势项会分别输出最佳隐藏层神经元数量和时间步长参数值，从而分别建立最佳WOA‑LSTM模型。