1.一种基于大数据思维的滑坡多场监测数据融合及滑移预测方法，其特征在于，以获取的各类监测数据为唯一依据，通过集成方差计算、相关性分析、聚类分析、回归分析和BP神经网络分析来确定隐含在各类监测数据间的滑坡滑移预测函数。

2.一种基于大数据思维的滑坡多场监测数据融合及滑移预测方法，其特征在于，包括以下步骤：

1）采集待预测滑坡的多场数据，包括：位移监测数据、地球物理场数据、气象数据和水文数据；

2）对采集的数据进行预处理，包括：统一坐标系；通过方差计算剔除每类数据中的奇异数据；对每类数据取单位时间的平均值作为后续的计算和模拟数据；

3）进行相关性分析，得到钻孔测斜或GPS地表位移与其他数据种类间相对显著相关的数据类及其相关系数；

4）依据相关系数，对测斜数据、GPS位移数据和其他与滑坡滑移最相关的两个或多个变量和其他剩余数据进行聚类分析，得到对滑坡滑移影响大小的聚类结果；将对滑坡滑移影响大的因素确定为参与后续分析的变量或数据种类；

5）对选定参与的变量进行回归分析，获得回归方程和回归方程的拟合效果；

6）对选定参与的变量进行BP神经网络分析，将步骤1）中采集的对应数据的2/3数据作为训练数据，1/3数据作为校验数据，取得最佳的迭代模型和对期望拟合程度的评估数据；

7）增加参与的变量数量，重复步骤5）与步骤6），这个过程可进行多次，直到找到其中回归拟合效果最好和BP神经网络拟合程度最高的回归方程；

8）用最新获得的数据再次验证最后获得的回归方程，如误差不超过第7）步的最终误差，分析结束；如误差超过第7）步的最终误差，则把最新数据加入到采集的整体数据中，转入第2）步重新开始循环；

9）获得本次分析的滑坡滑移预测公式。