1.一种智能化尾矿坝位移实时预测方法，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，包括尾矿坝坝体表面位移、降雨量和库水位数据；

步骤二：对数据进行数据预处理，预处理包括删除表面位移异常数据，对表面位移缺失数据采用3次样条曲线插值，对表面位移、降雨量和库水位数据分别进行归一化；

步骤三：构建基于双向门控循环单元的尾矿坝位移初始预测模型框架，设置初始预测模型待寻优超参数及寻优范围；

步骤四：基于烟花镜像粒子算法和尾矿坝的在线监测历史数据，优化初始预测模型的超参数；

步骤五：基于优化的超参数和尾矿坝的在线监测历史数据，构建并训练得到尾矿坝位移初始预测模型，并根据初始预测模型预测下一监测时刻的位移；

步骤六：给定在线学习阶段的启动阈值T，每获取新的监测数据，并对新监测数据进行预处理后，基于自适应动态窗口在线学习机制对预测模型进行参数微调；

步骤七：根据最新的预测模型和监测数据，对下一监测时刻的尾矿坝位移进行预测，并反归一化后得到最终预测数据；

步骤八：如果继续下一次预测，返回步骤六，并重复步骤六 步骤七，否则计算终止。

~

2.如权利要求1所述的一种智能化尾矿坝位移实时预测方法，其特征在于，步骤三中，所述尾矿坝位移初始预测模型框架，包括输入层、双向长短时记忆层、随机丢弃层和输出层。

3.如权利要求1所述的一种智能化尾矿坝位移实时预测方法，其特征在于，步骤三中，所述初始预测模型待寻优超参数，包括初始模型滑动窗口大小、双向门控循环单元的单元数,初始预测模型学习率，丢弃率，L2正则化强度。

4.如权利要求1所述的一种智能化尾矿坝位移实时预测方法，其特征在于，步骤四中，所述烟花镜像粒子算法包含追踪粒子和烟花粒子两大类粒子，其中追踪粒子又分为当前迭代最优粒子、普通追踪粒子和镜像追踪粒子三小类，烟花镜像粒子算法计算过程包含以下四个阶段：（一）追踪粒子初始化：

（1）生成追踪粒子：随机生成追踪粒子Mi，其中每个粒子Mi的位置由以下公式确定：Mi=lb+(ub‑lb)×rand(1,dim)N1=round(N×0.9)

其中Mi代表第i个粒子的位置，下标i代表粒子的序号，i=1,2,…, N1，其中N1为追踪粒子数量，N为总粒子数量，lb和ub分别为搜索空间的下限及上限，dim为待优化问题的维度，rand(1,dim)生成一个1×dim的随机向量，其元素取值范围为[0,1]，round()函数代表对括号内的值四舍五入取整；

（2）计算初始适应度值：

计算每个追踪粒子的适应度值，记录当前迭代最优粒子位置xb，历史最优粒子位置Bh和历史最优适应度值；

（二）烟花粒子更新：

在当前迭代适应度最优粒子周围一定范围内，随机生成N2个烟花粒子，方法如下：N2= N‑N1

‑2t/T

xj=xb+Cf ×(ub‑lb)×e ×(2×rand(1,dim)‑1)其中，xj为烟花粒子的位置，Cf为烟花粒子系数；j=N1+1,N1+2,…,N；T为最大迭代次数，t为当前迭代次数；

（三）追踪粒子更新：

（1）除当前迭代最优粒子外，对每个追踪粒子i，生时一个0~1间的随机数Ri，并根据Ri值选择该粒子是普通追踪粒子还是镜像追踪粒子：当Ri≥0.5时，该粒子为普通追踪粒子，更新方式为：Mi =Mi+rand(1,dim)×((1‑t/T)×(xb‑Mi)+t/T×(Bh‑Mi))当Ri＜0.5时，该粒子为镜像追踪粒子，且又细分为：当(0.5×t/T)＜Ri＜0.5时，为当前迭代最优镜像追踪粒子，当0＜Ri≤(0.5×t/T)时，为历史最优镜像追踪粒子；镜像追踪粒子更新分为3个步骤：步骤S41：生成镜像追踪粒子xmirror,i：对于当前迭代最优镜像追踪粒子：

xmirror,i=2×xb‑Mi+0.1×randn(1,dim)对于历史最优镜像追踪粒子：

xmirror,i=2×Bh‑Mi+0.1×randn(1,dim)其中，randn(1,dim)生成一个1×dim的矩阵，元素服从标准正态分布；

步骤S42：判断镜像追踪粒子在各维度是否超出搜索空间边界，若在第j个维度超出边界，则对该维度位置进行修正：对于当前迭代镜像最优追踪粒子：

xmirror,i,j =ubj‑Ri×(ubj‑xb,j) if xmirror,i,j>ubjxmirror,i,j =lbj+Ri×(xb,j‑lbj) if xmirror,i,j

xmirror,i,j =ubj‑Ri×(ubj‑Bh,j) if xmirror,i,j>ubjxmirror,i,j =lbj+Ri×(Bh,j‑lbj) if xmirror,i,j

步骤S43：更新镜像追踪粒子个体位置：

对于当前迭代镜像最优追踪粒子：

Mi=xmirror,i+Cm×rand(1,dim)×(xb‑xmirror,i);对于历史最优镜像追踪粒子：

Mi=xmirror,i+Cm×rand(1,dim)×(Bh‑xmirror,i);其中Cm为镜像更新系数；

（2）对于当前迭代最优粒子，通过莱维飞行和随机扰动进行全局搜索：xb=xb+α×levy(β,dim)+γ×(Bh‑xb)+0.1×randn(1,dim)其中levy(β,dim)是莱维飞行函数，参数α、β和γ计算公式为：α=0.1×(1‑t/T)

β=1.5×(1‑t/T)

γ =1‑0.5×(1‑t/T)

（四）适应度更新

重新计算所有个体适应度值，更新当前迭代最优粒子位置xb、历史最优粒子位置Bh和历史最优适应度值；

最后，判断是否达到迭代终止条件，若满足迭代终止条件，则输出历史最优粒子位置Bh和历史最优适应度值，计算终止；若不满足终止条件，则重复计算阶段（二）阶段（四）。

~

5.如权利要求1所述的一种智能化尾矿坝位移实时预测方法，其特征在于，步骤六中，所述自适应动态窗口在线学习机制，包括两个步骤：步骤S61：计算位移预测结果P与预处理后的监测位移数据R间的相对误差E，E=(P‑R)/R；当累计预测的次数大于在线学习启动次数n后，统计近n次预测的平均相对误差En；当En≤ET时，不对预测模型进行在线学习而直接进行预测，当En>ET时，启用基于动态窗口的在线学习机制，其中ET为在线学习启动误差；

步骤S62：当基于动态窗口的在线学习机制启用时，根据动态改变的在线学习窗口大小进行在线学习，其具体步骤如下：设置在线学习窗口大小及学习率的寻优范围，基于烟花镜像粒子算法优化在线学习窗口大小Wb和最优学习率，并基于最新的Wb个数据，对预测模型进行参数微调以适应新的位移发展趋势。