本说明书实施例涉及边坡位移预测，特别涉及一种边坡位移预测方法。
背景技术：
1、近年来，露天开采占煤矿开采的比重增加，开挖时形成的露天煤矿边坡在超厚煤层结构面强发育、强冻融等内外动力作用下，易诱发露天煤矿边坡变形超限与失稳风险，对露天煤矿高质量、安全开采形成巨大威胁。
2、当前的边坡稳定性预测方法高度依赖于全面且精细的数据采集，旨在通过整合多元化的信息来提升边坡安全评估的准确性和可靠性。这一过程不仅涉及传统的地质勘察数据，如岩土物理力学性质、地质结构特征等，而且还囊括了先进的实时监测数据，诸如gps位移监测、远程sens ing影像分析、地下渗流与应力监测等高科技手段。此外，环境因素同样被纳入考虑范畴这些都可能对边坡稳定性产生直接或间接的影响。所有这些海量数据的整合与分析，构成了一个复杂的数据处理链路，旨在通过大数据技术和机器学习算法的深度挖掘，识别出影响边坡安全的关键因素及其相互作用机制，从而实现对边坡未来状态的精准预测与早期预警，保障采矿作业的安全高效进行。
3、但是这种高度依赖于全面且精细的数据采集的边坡稳定性预测方法带来了一系列挑战，如：无法高效处理大量数据且无法深刻捕捉大量数据的内部潜在联系，为此，亟需一种更加高效实用的边坡位移预测方法。
技术实现思路
1、有鉴于此，本说明书实施例提供了一种边坡位移预测方法。本说明书一个或者多个实施例同时涉及一种边坡位移预测装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
2、根据本说明书实施例的第一方面，提供了一种边坡位移预测方法，包括：
3、获取待监测区域当前时刻之前的初始图结构，其中，所述初始图结构包括至少两个监测点以及所述监测点的时间不变特征；
4、基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构；
5、利用图神经网络分析所述中间图结构的空间特征获得空间信息，并利用循环神经网络分析所述空间信息和前一时刻的时间信息，获得当前时刻的时间信息；
6、将所述当前时刻的时间信息输入至回归器获得当前时刻的位移预测结果。
7、在本说明书一个或多个实施例中，所述初始图结构中监测点的连接关系通过边表示；所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构，包括：
8、确定第一监测点和第二监测点，其中，所述第一监测点和第二监测点为初始图结构中的任意两个监测点；
9、获取所述第一监测点和第二监测点的位置信息，并根据所述位置信息确定所述第一监测点和第二监测点的间隔距离；
10、在所述间隔距离小于距离阈值的情况下，保留所述第一监测点和所述第二监测点之间的边；
11、在所述间隔距离不小于距离阈值的情况下，去除所述第一监测点和所述第二监测点之间的边。
12、在本说明书一个或多个实施例中，所述初始图结构中监测点的连接关系通过边表示；所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构，还包括：
13、确定第一监测点和第二监测点，其中，所述第一监测点和第二监测点为初始图结构中的任意两个监测点；
14、获取所述第一监测点和第二监测点预设时间内的位移累积量以及当前时刻的位移量；
15、根据所述位移累积量和所述当前时刻的位移量确定所述第一监测点和第二监测点的位移连接强度；
16、在所述位移连接强度小于连接强度阈值的情况下，保留所述第一监测点和所述第二监测点之间的边；
17、在所述位移连接强度不小于连接强度阈值的情况下，去除所述第一监测点和所述第二监测点之间的边。
18、在本说明书一个或多个实施例中，所述初始图结构中监测点的连接关系通过边表示；所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构，还包括：
19、确定各个监测点之间的邻接矩阵；
20、基于所述邻接矩阵得到各个监测点之间的转移矩阵；
21、根据所述转移矩阵和空间扩散强度确定所述各个监测点之间的位移特征扩散矩阵；
22、确定第一监测点和第二监测点，并基于所述位移特征扩散矩阵确定所述第一监测点和第二监测点对应的目标位移特征扩散值，其中，所述第一监测点和第二监测点为初始图结构中的任意两个监测点；
23、在所述目标位移特征扩散值小于预设空间扩散阈值的情况下，保留所述第一监测点和所述第二监测点之间的边；
24、在所述目标位移特征扩散值不小于预设空间扩散阈值的情况下，去除所述第一监测点和所述第二监测点之间的边。
25、在本说明书一个或多个实施例中，所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构之后，还包括：
26、获取预设的时间滞后范围和预设的时间滞后强度；
27、根据所述时间滞后范围和所述时间滞后强度确定扩散强度变化函数；
28、根据所述扩散强度变化函数对所述中间图结构数据进行时间扩散卷积。
29、在本说明书一个或多个实施例中，所述利用图神经网络分析所述中间图结构的空间特征获得空间信息，包括：
30、获取所述目标监测点和所述目标监测点的邻居集合；
31、利用所述图神经网络对所述目标监测点和所述目标监测点的邻居集合的空间特征进行聚合，得到所述目标监测点当前时刻的空间信息。
32、在本说明书一个或多个实施例中，所述利用循环神经网络分析所述空间信息和前一时刻的时间信息，获得当前时刻的时间信息，包括：
33、获取所述监测点前一时刻的时间信息；
34、利用所述循环神经网络的更新函数对所述目标监测点当前时刻的空间信息和所述述监测点前一时刻的时间信息进行更新，获得当前时刻的时间信息。
35、根据本说明书实施例的第二方面，提供了一种边坡位移预测装置，包括：
36、获取模块，被配置为获取待监测区域当前时刻的初始图结构，其中，所述初始图结构包括至少两个监测点以及所述监测点的时间不变特征；
37、中间图结构获得模块，被配置为基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构；
38、时间信息获得模块，被配置为利用图神经网络分析所述中间图结构的空间特征获得空间信息，并利用循环神经网络分析所述空间信息和前一时刻的时间信息，获得当前时刻的时间信息；
39、位移预测结果获得模块，被配置为被配置为将所述当前时刻的时间信息输入至回归器获得当前时刻的位移预测结果。
40、根据本说明书实施例的第三方面，提供了一种计算设备，包括：
41、存储器和处理器；
42、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述边坡位移预测方法的步骤。
43、根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述边坡位移预测方法的步骤。
44、根据本说明书实施例的第五方面，提供了一种计算机程序产品，其中，当所述计算机程序在计算机中执行时，令计算机执行上述边坡位移预测方法的步骤。
45、本说明书一个实施例实现了通过简化监测点的连接关系，减少了监测点图的连接稠密度，利用图扩散和时间扩散方法对监测点的时间不变特征和时间变化特征进行扩散建模，捕获时间变化特征对位移的时间滞后性影响，通过时空模型捕获其时空关系，获得模型的位移预测结果，既能高效处理大规模空间数据，又能精确捕获和预测时间序列数据中的复杂动态关系，为露天煤矿边坡的安全监控提供强有力的技术支持。
1.一种边坡位移预测方法，其特征在于，包括：
2.根据权利要求1所述的边坡位移预测方法，其特征在于，所述初始图结构中监测点的连接关系通过边表示；所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构，包括：
3.根据权利要求1所述的边坡位移预测方法，其特征在于，所述初始图结构中监测点的连接关系通过边表示；所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构，还包括：
4.根据权利要求1所述的边坡位移预测方法，其特征在于，所述初始图结构中监测点的连接关系通过边表示；所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构，还包括：
5.根据权利要求1所述的边坡位移预测方法，其特征在于，所述基于所述监测点的时间不变特征简化所述初始图结构中监测点的连接关系，获得中间图结构之后，还包括：
6.根据权利要求1所述的边坡位移预测方法，其特征在于，所述利用图神经网络分析所述中间图结构的空间特征获得空间信息，包括：
7.根据权利要求6所述的边坡位移预测方法，其特征在于，所述利用循环神经网络分析所述空间信息和前一时刻的时间信息，获得当前时刻的时间信息，包括：
8.一种边坡位移预测装置，其特征在于，包括：
9.一种计算设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述边坡位移预测方法的步骤。
