1.一种智能化尾矿坝位移预测预警方法，其特征在于，包括以下步骤：步骤一：获取尾矿坝的在线监测历史数据，包括位移、降雨量和库水位数据；

步骤二：数据预处理，包括采用自适应指数加权移动平均法对位移数据进行处理，以及分别对降雨量、库水位和处理后的位移数据进行独立归一化；

步骤三：设置预测模型的参数；

所述预测模型，包括主预测模型、趋势项误差修正模型和噪声项误差修正模型；

步骤四：构建基于门控循环单元神经网络的尾矿坝位移主预测模型框架，并基于归一化后的数据训练主预测模型；

步骤五：通过主预测模型预测主预测位移，并计算主预测位移结果和监测结果之间的误差，构建误差序列；

步骤六：通过粒子群优化算法优化变分模态分解‑逼近理想解排序法模型的超参数，并基于优化后的变分模态分解‑逼近理想解排序法模型对误差序列进行分解，得到趋势项误差序列和噪声项误差序列；

步骤七：构建含有随机丢弃层的门控循环单元神经网络模型框架，采用趋势项误差序列构建趋势项误差修正模型、采用噪声项误差序列构建噪声项误差修正模型；

步骤八：通过蒙特卡洛‑随机丢弃采样，基于趋势项误差修正模型得到趋势项修正量的均值μ1和标准差σ1，基于噪声项误差修正模型得到噪声项修正量的均值μ2和标准差σ2；

步骤九：根据动态权重计算机制计算趋势项最终权重Wq和噪声项最终权重Wz；

步骤十：计算最终位移预测值及置信区间，并反归一化；

步骤十一：获取下一轮监测数据后，若监测位移值超出预测值95%置信区间上下限，则判定位移趋势异常，发出位移报警；若监测位移值未超出预测值95%置信区间上下限，判定位移趋势正常；随后，判定是否继续预测，若继续则将下一轮数据归一化后，返回步骤五并循环执行，否则终止计算。

2.如权利要求1所述的一种智能化尾矿坝位移预测预警方法，其特征在于，步骤三中，所述预测模型的参数，包括主预测模型的窗口大小、趋势项误差修正模型和噪声项误差修正模型窗口大小、噪声容限τ、蒙特卡洛采样次数T、变分模态分解的模态数K的取值范围、惩罚因子α的取值范围、样本熵权重取值范围、能量比权重取值范围、相关性权重取值范围。

3.如权利要求1所述的一种智能化尾矿坝位移预测预警方法，其特征在于，步骤六中，所述变分模态分解‑逼近理想解排序法模型，是一种结合了变分模态分解方法和逼近理想解排序法的组合模型，其中变分模态分解的模态数K、惩罚因子α、逼近理想解排序法的样本熵权重WS、能量比权重WE、相关性权重WR都是通过粒子群优化算法优化求得，且优化范围的选取区间为3≤K≤8，1000≤α≤3000，0.1≤WS≤0.6，0.1≤WE≤0.6，0.1≤WR≤0.6；

该模型通过以下步骤实现误差序列的模态优选与重构：

步骤S61:通过变分模态分解将误差序列分解为K个模态；

步骤S62:计算各模态的样本熵SK、能量占比EK及与原始误差的相关系数RK，并分别归一化后得到SK1、EK1、RK1；

步骤S63:按优化后的权重WS、WE、WR计算各模态综合评分CK：CK=WS×SK1+WE×EK1+WR×RK1

选取综合评分大于平均分的模态作为最优子集，将最优模态子集相加，得到趋势项误差序列；将剩余模态相加，得到噪声项误差序列。

4.如权利要求1所述的一种智能化尾矿坝位移预测预警方法，其特征在于，步骤八中，所述蒙特卡洛‑随机丢弃采样，步骤包括：S81：对趋势项误差修正模型进行T次前向传播，每次传播时保持随机丢弃层激活状态，得到T个趋势项修正量；

S82：对噪声项误差修正模型进行T次前向传播，每次传播时保持随机丢弃层激活状态，得到T个噪声项修正量；

S83：计算所述T个趋势项修正量的均值μ1和标准差σ1；

S84：计算所述T个噪声项修正量的均值μ2和标准差σ2；

其中，T的取值范围为50 200次。

~

5.如权利要求1所述的一种智能化尾矿坝位移预测预警方法，其特征在于，步骤九中，所述动态权重计算机制，具体为：S91：计算趋势项修正量的绝对均值|μ1|和噪声项修正量的绝对均值|μ2|；

‑6

S92：计算趋势项贡献度w1=|μ1|/(|μ1|+|μ2|+1×10 )，噪声项贡献度w2=1‑w1；

‑6 ‑6

S93：计算趋势项置信度c1=1/(σ1+1×10 )和噪声项置信度c2=1/(σ2+10 )，其中σ1和σ2分别为趋势项和噪声项的标准差；

S94：计算综合权重：趋势项最终权重Wq=w1×c1/(w1×c1+w2×c2)，噪声项最终权重Wz=1‑Wq。

6.如权利要求1所述的一种智能化尾矿坝位移预测预警方法，其特征在于，步骤十中，所述最终位移预测值及置信区间，最终位移预测值是指最终位移预测值均值μ总，置信区间包括置信区间上限和置信区间下限，计算方式为：S101：最终位移预测值均值μ总=μ1×Wq+μ2×Wz；

2 2 2 2 1/2

S102：最终位移预测值标准差σ总=(σ1×Wq+σ2×Wz) ；

S103：置信区间上限=主预测位移+μ总+1.96×σ总；

S104：置信区间下限=主预测位移+μ总‑1.96×σ总。