1.一种基于PFA‑GRU‑OL‑MRT的动态滑坡位移实时预测方法，其特征在于，包括以下步骤：步骤一：获取在线监测得到的历史滑坡位移数据，对数据进行预处理；

步骤二：设置PFA‑GRU‑OL‑MRT模型所需超参数；

所述PFA‑GRU‑OL‑MRT模型包括三个子模型，分别为PFA‑GRU初始子模型、在线学习子模型和PFA‑GRU动态重构子模型；

所述PFA‑GRU‑OL‑MRT模型所需超参数，包括PFA‑GRU初始子模型窗口大小W1、在线学习子模型窗口大小W2、PFA‑GRU动态重构子模型窗口减小规模Wminus，PFA‑GRU动态重构子模型最小窗口大小Wmin、PFA‑GRU初始子模型训练迭代次数initial_epochs、在线学习子模型训练迭代次数OL_epochs、PFA‑GRU动态重构子模型训练迭代次数MRT_epochs、PFA‑GRU初始子模型滑窗流转训练次数initial_num、PFA‑GRU动态重构子模型滑窗流转训练次数MRT_num、PFA粒子总数swarmsize、PFA迭代次数maxiter、预测偏差允许值Re、超参数寻优范围上限ub和下限lb；

步骤三：基于粒子烟花算法和历史滑坡位移数据，采用滑窗流转训练方式，优化门控循环单元的超参数；

所述粒子烟花算法是一种粒子群优化算法的改进算法，其步骤如下：(一)初始化在粒子烟花算法中，初始粒子采用随机初始化的方式生成：0

Xi＝lb+(ub‑lb)×rand(0,1)

其中，i是粒子的编号，Xi代表第i个粒子的位置，上标代表迭代次数，其中0代表是初始化阶段，lb为寻优范围的下限，ub为寻优范围的上限，rand(0,1)代表0～1之间的随机数组成的M维向量，其中M代表求解问题维度；在初始化阶段，粒子烟花算法仅随机生成占总粒子数量80％的粒子，而剩余20％的粒子在局部强化搜索阶段生成；

对初始化的所有粒子进行适应度评价，并将适应度最优的粒子定义为烟花粒子；

(二)局部强化搜索

以烟花粒子为中心，在周围一定范围内随机生成剩余20％的粒子，并将这些个体称为火花粒子；火花粒子的总数Nk和每个火花粒子的位置Gbj表示为：Nk＝0.2×N

‑2t/T

Gbj＝Gb+0.2×(ub‑lb)×e ×(2×rand(0,1)‑1)其中，N为粒子总数，j是火花粒子的编号，Gb为烟花粒子位置，t代表当前迭代次数，T代表最大迭代次数；

随后，计算所有火花粒子的适应度值；

(三)粒子更新

在粒子更新阶段，分三种情况进行不同处理：

(1)对于烟花粒子和火花粒子外的其他粒子，其更新过程为:

t+1 t t t t t

Vi ＝(1‑t/T)Vi/2+c1r1(Pi‑Xi)+c2r2(Gb‑Xi)t+1 t t+1

Xi ＝Xi+Vi

其中，V代表速度，c1和c2为学习因子；r1和r2为0～1之间的随机数，Pi代表粒子i搜索历史中的最优位置；

(2)对于烟花粒子，在每次迭代中直接更新为所有烟花粒子和火花粒子中适应度最优粒子的位置，速度定义为0；

(3)删除所有火花粒子；

(四)淘汰机制

重新计算所有粒子的适应度值，重新定义所有粒子中适应度最优的粒子为烟花粒子，更新粒子i的历史最优位置Pi，同时删除适应度最差的粒子，并在求解域内随机生成一个新粒子；

对于每次迭代，都重复进行步骤(二)～步骤(四)，直到满足收敛条件或者达到最大迭代次数后，输出最优解的位置；

步骤四：基于优化的超参数，结合历史滑坡位移数据建立PFA‑GRU初始子模型；

步骤五：每次获取最新监测数据Dt，基于在线学习策略对输入的子模型进行实时训练，得到在线学习子模型并预测t+1时刻的滑坡位移DPt+1，并输出预测结果DPt+1；

步骤六：获取下一个监测数据Dt+1后，结合DPt+1对预测结果进行精度评价，然后将Dt+1赋值给Dt，即Dt＝Dt+1，若预测偏差小于允许值，则将在线学习子模型作为输入子模型返回步骤五进行下一轮预测；若预测偏差大于允许值，则采用滑窗流转训练方式，进行PFA‑GRU动态模型重构，将PFA‑GRU动态重构子模型作为输入子模型返回步骤五，并进行下一轮预测。

2.如权利要求1所述的一种基于PFA‑GRU‑OL‑MRT的动态滑坡位移实时预测方法，其特征在于，步骤三中，所述滑窗流转训练方式，是指采用滑动的窗口进行模型训练，窗口是指从时间序列数据中选用的训练数据规模是固定的，并以窗口内的所有数据为输入，窗口外的下一个数据为输出进行训练；而采用滑动的窗口进行模型训练是指每对一个窗口完成训练后，窗口会沿着时间序列向最新监测数据方向进行滑动，滑动会删除窗口中时间最早的一个监测数据，并加入窗口后的一个监测数据重新进行训练；

在滑窗流转训练方式下，采用MSEave作为粒子烟花算法优化门控循环单元超参数时的适应度函数，MSEave计算方式如下：①计算每个滑窗位置得到预测值和对应实测值间的均方误差MSE，②求得所有滑窗位置MSE的平均值，即为MSEave。

3.如权利要求1所述的一种基于PFA‑GRU‑OL‑MRT的动态滑坡位移实时预测方法，其特征在于，步骤三中，所述超参数包括门控循环单元模型的单元数、学习率、Dropout率、L2正则化强度。

4.如权利要求1所述的一种基于PFA‑GRU‑OL‑MRT的动态滑坡位移实时预测方法，其特征在于，步骤五中，所述在线学习策略是指每获得一个最新监测数据Dt，以在线学习窗口大小W2获取训练数据，即以Dt前的W2个数据为训练输入，Dt为训练输出，对PFA‑GRU模型进一步训练实现参数微调，W2

5.如权利要求1所述的一种基于PFA‑GRU‑OL‑MRT的动态滑坡位移实时预测方法，其特征在于，步骤六中，所述动态模型重构，其模型重构窗口大小W3是动态的，在模型重构的初始阶段，W3＝在线学习窗口大小W2，如果模型重构后的预测偏差仍大于允许值，则每次删除Wminus个时间较早的监测数据来减小窗口大小，然后继续重构模型，直到达到最小窗口大小Wmin为止停止重构模型，并输出预测精度最高的子模型。