1.一种基于机器学习的滑坡失稳时间动态预报方法，其特征在于，包括如下步骤：S1，准备原始滑坡的原始监测数据，包括滑坡表面位移监测与滑坡裂缝计监测；

S2，采用移动平均法对原始监测数据进行预处理；

S3，采用切线角法对预处理后的监测数据进行滑坡演化阶段判定；

S4，根据目标滑坡监测周期，设置动态预报计算区间；

S5，当判定滑坡进入加速运动阶段后，根据设置的动态区间，通过基础预报模型对滑坡失稳时间进行预报；

S6，以基础预报模型为输入，滑坡实际失稳时间为目标输出，采用机器学习对基础预报模型进行集成，建立滑坡失稳时间动态预报的综合预报模型，对滑坡失稳时间动态预报。

2.根据权利要求1所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，S1中获取原始监测数据的原始滑坡，为与目标滑坡属性相同的已经失稳过的滑坡。

3.根据权利要求1所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，S2中采用的移动平均法，根据获取原始监测数据的原始滑坡的监测周期选取滤波阶数。

4.根据权利要求1所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，S4中动态计算区间以滑坡进入加速运动阶段为起点，在每一个滑坡监测周期后进行一次预报，得到滑坡失稳时间动态预报结果，预报结果会随着监测数据的更新而更新。

5.根据权利要求1所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，S5中滑坡失稳时间的基础预报模型包括Verhulst模型、GM(1,1)模型、以及斋藤迪孝模型。

6.根据权利要求5所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，当失稳时间的预报基础模型采用Verhulst模型或GM(1,1)模型时，若原始监测数据为累计位移，则对该数据进行差分得到白微分方程求解系数的矩阵，并且在滑坡演化判定时也对原始数据进行差分。

7.根据权利要求5所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，当失稳时间的预报基础模型采用斋藤迪孝模型时，该模型的失稳时间计算过程需要获取位移间距相同的三个点，采用插值的方法获取。

8.根据权利要求1所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，S6中机器学习为人工神经网络或支持向量机回归或决策树回归中的一种。

9.根据权利要求8所述的基于机器学习的滑坡失稳时间动态预报方法，其特征在于，选用预报效果最好的决策树回归对基础预报模型进行集成建立综合预报模型，对滑坡失稳时间进行预报。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑9任意一项所述的基于机器学习的滑坡失稳时间动态预报方法。