1.一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，包括以下步骤：(1)整合m组不同滑坡体区域附近的监测数据，获取每组监测数据的自身参数信息及滑坡表面位移量，并对监测数据进行预处理；

(2)考虑不同变量的影响，不断改变影响因子个数作为自变量，计算不同影响因子个数下贝叶斯岭回归模型、弹性网络回归模型、支持向量机回归模型及梯度增强多元回归模型四种模型的方差、平均绝对误差和均方差，从而确定各模型性能；

(3)将步骤(1)所述监测数据作为训练集导入给梯度增强多元回归算法，并初始化梯度增强多元回归模型，建立初始弱学习器，通过不断迭代到梯度增强多元回归模型进行训练，进行滑坡表面位移量预测；

(4)根据上述对比结果，确定梯度增强多元回归模型精度最高，利用梯度增强多元回归模型进行结果预测，得到最终的滑坡表面位移量预测。

2.根据权利要求1所述的基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，步骤(1)所述监测数据包括表面位移量、降水量、沉降量、深部位移量以及裂隙。

3.根据权利要求1所述的基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，步骤(1)所述对监测数据进行预处理过程如下：数据过滤，剔除含有异常值的记录，并利用插值法对缺失进行补全；数据集成，删除多余属性；数据规约，尽量减少数据量，规避无效数据和错误数据带来的影响，提高模型准确性；是数据变换过程即对数据进行规范化处理，以便于后续的各数据相关性分析。

4.根据权利要求1所述的基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，所述步骤(3)实现过程如下：建立初始弱学习器为：

式中，式中F0(x)为训练集样本的初始化模型；L(yi，c)为损失函数，用于判断每轮迭代产生的位移量损失近似值；yi为样本数据的表面位移量；m为样本个数；c为拟合叶子节点最佳输出值；

对迭代轮数t＝1，2，3，…，T，有：

使用损失函数的负梯度在当前模型上的值近似代替残差rti：

式中，rti为第t轮的第i个样本的损失函数的负梯度；L(yi，F(xi))为损失函数；xi为训练集中第i个样本的输入值；yi为训练集中第i个样本的输出值；F(xi)为经过上一轮学习器预测后的预测结果；Ft‑1(x)为第t‑1轮迭代后的学习器；

用负梯度拟合弱学习器F0(x)，建立位移量预测的重点区域Rtj(j＝1，2，…，J)，则最佳位移量拟合值：式中，j为叶子节点个数；Ft‑1(x)为第t‑1轮迭代后的学习器；c为拟合叶子节点最佳输出值；

则第t轮更新的强学习器为：

式中，Ft‑1(x)为第t‑1轮迭代后的学习器；I(x∈Rtj)为指示函数；

获得表面位移量预测函数模型为：