1.一种桥梁支座位移在线概率预测方法，其特征在于：包括如下步骤：步骤一：以标准高斯过程模型为基准概率预测模型：yn＝f(xn)+εn，其中εn为噪声项，为方差，f为训练函数，训练函数f服从均值为0、协方差为k的高斯过程先验分布： 其中θ为协方差k所依赖的超参数与 组成的超参数集合；

假设给定训练函数f与方差 后，主梁温度输入向量为X时，概率预测模型的支座位移输出向量为y；

步骤二：获得主梁温度历史监测数据 及支座位移历史监测数据 根据引入一组伪点 其中 ui＝f(zi)，M＜N，M为伪点数量，N为样本数量；定义：伪点P的训练函数值集合 历史监测数据的训练函数值集合剩余训练函数值集合f≠u＝f‑u；

根据u与f、f≠u之间的关系，采用乘积规则得到训练函数f的真实先验分布 关于u的展开式，并根据 得到训练函数f的近似先验分布p(f|θ)关于u的展开式，根据p(f|θ)和输出向量y的原始似然函数得到训练函数f和输出向量y的近似联合分布p(f,y|θ)关于u的展开式；

定义u在输出向量y条件下的真实先验分布为p(u|y,θ)，根据p(u|y,θ)以及u与f、f≠u的关系，采用乘积规则得到训练函数f在输出向量y条件下的真实后验分布p(f|y,θ)关于u的展开式，并根据p(f|y,θ)得到训练函数f的近似后验分布q(f|θ)关于u的展开式；

步骤三：定义输出向量y的边际似然函数为p(y|θ)，根据近似后验分布q(f|θ)以及近似联合分布p(y,f|θ)，构造对数边际似然函数logp(y|θ)下界；定义近似后验分布q(f|θ)与真实后验分布p(f|y,θ)之间的KL散度，根据对数边际似然函数logp(y|θ)和KL散度的差值，按变分推断原理构造变分自由能界 作为logp(y|θ)的下界，得到 关于u的表达式；

根据 选择不同的伪点P，采用数值迭代法对u进行迭代，让近似后验分布q(f|θ)逼近真实后验分布p(f|y,θ)使 最大化，得到最优变分自由能界 和最优近似后验分布qvfe(f|θ)；

步骤四：根据 得到θ值，根据qvfe(f|θ)和θ值得到f的具体表达式和 的具体值，将二者代入步骤一中，得到基准概率预测模型的具体表达式；

步骤五：获得主梁温度的新监测数据和支座位移的新监测数据，将新监测数据与步骤二中旧的历史监测数据 组成新历史监测数据 根据 按步骤二的方法引入新的伪点Pnew及Pnew的训练函数值集合unew；根据旧的真实后验分布p(f|y,θ)，利用贝叶斯定理推导新真实后验分布p(f|y,ynew,θnew)；

定义训练函数f的新近似后验分布为qnew(f|θnew)，定义新近似后验分布qnew(f|θnew)与新真实后验分布p(f|y,ynew,θnew)之间的新KL散度，根据新KL散度按变分推断原理构造新变分自由能界 根据u与unew的关系，推导新变分自由能界关于u、unew的表达式；

根据 选择多个不同的伪点Pnew，采用数值迭代法对unew进行迭代计算，让新近似后验分布qnew(f|θnew)逼近新真实后验分布p(f|y,ynew,θnew)使 最大化，得到新最优变分自由能界 和新最优近似后验分布qnew,vfe(unew|θnew)；

步骤六：根据 得到θnew值，根据qnew,vfe(unew|θnew)和θnew值得到f新的具体表达式和方差 新的具体值，将二者代入步骤一中得到基准概率预测模型新的具体表达式。

2.如权利要求1所述的方法，其特征在于：步骤二中，训练函数f的真实先验分布 关于u的展开式采用乘积规则按式(2.1)得到：式中：p(u|θ)为u的先验分布；p(f|u,θ)为f在u条件下的先验分布；p(f≠u|f,u,θ)为f≠u在f、u条件下的先验分布；

其中，p(u|θ)按式(2.2)确定：

式中：Kuu为u与u之间的协方差矩阵；

其中，p(f|u,θ)按式(2.3)确定：

式中：Kfu为f和u之间的协方差矩阵；Kff为f与f之间的协方差矩阵；Kuf为u和f之间的协方差矩阵； 为Kuu的逆矩阵。

3.如权利要求2所述的方法，其特征在于：步骤二中，训练函数f的近似先验分布p(f|θ)关于u的展开式按式(2.4)得到：p(f|θ)＝p(u|θ)q(f|u,θ)p(f≠u|u,θ) (2.4)式中：q(f|u,θ)为f在u条件下的近似后验分布，为p(f|u,θ)的近似；p(f≠u|u,θ)为先验分布p(f≠u|f,u,θ)的简化。

4.如权利要求3所述的方法，其特征在于：训练函数f和输出向量y的近似联合分布p(y,f|θ)按式(2.5)得到：式中： 为原始似然函数；

将式(2.4)代入式(2.5)中，近似联合分布p(y,f|θ)关于u的展开式按式(2.6)得到：p(y,f|θ)＝p(y|f,θ)p(f≠u|u,θ)p(u|θ) (2.6)式中，p(y|f,θ)为y在f条件下的先验分布。

5.如权利要求4所述的方法，其特征在于：步骤二中，训练函数f在输出向量y条件下的真实后验分布p(f|y,θ)关于u的展开式按式(2.7)得到：p(f|y,θ)＝p(u|y,θ)p(f≠u|y,u,θ) (2.7)式中，p(u|y,θ)为u在y条件下的先验分布；p(f≠u|y,u,θ)为f≠u在u、y条件下的先验分布；

训练函数f的近似后验分布q(f|θ)关于u的展开式按式(2.8)得到：q(f|θ)＝q(u|θ)p(f≠u|u,θ) (2.8)式中：q(u|θ)为u的后验分布。

6.如权利要求5所述的方法，其特征在于：步骤三中，对数边际似然函数logp(y|θ)的下界按式(3.1)构造：式中：logp(y|θ)为y的对数边际似然函数； 为依赖于q(f|θ)的变分自由能界；

其中，变分自由能界 按式(3.2)确定：

式中：KL[q(f|θ)||p(f|y,θ)]为q(f|θ)与p(f|y,θ)之间的KL散度；p(f|y,θ)为f在y条件下的真实后验分布；

将式(2.6)、(2.8)代入式(3.1)中， 关于u的表达式按式(3.3)得到：式中：fn＝f(xn)为xn处的隐函数值； 为消除项。

7.如权利要求6所述的方法，其特征在于：步骤三中，最优变分自由能界Fvfe(θ)和最优近似后验分布qvfe(f|θ)分别按式(3.4)、(3.5)确定：式中：I为单位矩阵；trace(·)为正则化跟踪项。

8.如权利要求7所述的方法，其特征在于：步骤五中，新真实后验分布p(f|y,ynew,θnew)按式(5.1)得到：式中：qnew(f|θnew)为获取新监测数据后f的新近似后验分布；p(f|y,ynew,θnew)为获取新监测数据后f的新真实后验分布； 为依赖于超参数θnew的标准化常量；p(f|θnew)为获取新监测数据后f的新真实先验分布；p(y|f)获取新监测数据后给定f下新数据中旧输出向量y的条件分布；p(ynew|f)为获取新监测数据后给定f下新数据中新输出向量ynew的条件分布；

其中，p(y|f)按式(5.2)得到：

式中： 为依赖于超参数θ的标准化常量；qvfe(f|θ)为获取新监测数据前f的最优近似后验分布； 为获取新监测数据前f的真实先验分布。

9.如权利要求8所述的方法，其特征在于：

步骤五中，新变分自由能界 按式(5.3)得到：

式中：logp(ynew|y,θnew)为新输出向量ynew在旧输出向量y条件下的对数边际似然函数；

KL[qnew(f|θnew)||p(f|y,ynew,θnew)]为qnew(f|θnew)与p(f|y,ynew,θnew)之间的新KL散度；

其中，KL[qnew(f|θnew)||p(f|y,ynew,θnew)]按式(5.4)得到：式中：p(f≠u,new|unew,θnew)为剩余训练函数值f≠u,new的先验分布；qnew(unew|θnew)为新伪点Pnew的训练函数值集合unew的后验分布；p(unew|θnew)为unew的先验分布；f≠u,new＝fnew‑unew；fnew为新历史监数据的训练函数值集合；

其中，q(f|θ)按式(5.5)确定：

式中： 和 分别为正态分布的均值和方差；

其中，新近似后验分布qnew(f|θnew)关于u的展开式按式(5.6)得到：qnew(f|θnew)＝qnew(unew|θnew)p(f≠u,new|unew,θnew)(5.6)式中：qnew(unew|θnew)为unew的后验分布。

10.如权利要求9所述的方法，其特征在于：步骤五中，新最优近似后验分布qnew,vfe(f|θnew)和新最优变分自由能界 分别按式(5.7)、(5.8)得到：式中：pnew(unew|θnew)为新伪点Pnew的训练函数值集合unew的先验分布；

Kfu,new为f与unew之间的协方差矩阵，Kuu,new为u和unew之间的协方差矩阵； 为Kuu,new的逆矩阵；