1.一种基于演化规律挖掘的气象事件预测方法,其特征在于,包括:使用注意力机制对气象数据的触发词及其参数表示进行聚合,得到实时气象事件;
将实时气象事件与气象规律演化模型进行融合,获取实时气象事件演绎图;
所述气象规律演化模型的获取方法包括:
根据历史气象数据提取触发词以及气象参数,根据触发词以及气象参数构建气象事件类型图;
对气象事件类型图进行图卷积和图池化获得池化图 和类型节点;将气象事件类型图中的类型节点更新为聚合节点;基于池化图 计算获得气象事件分布 ;
在气象事件类型图上新增聚合节点之间的连接边;基于气象事件分布 筛选各聚合节点之间新增的连接边;
添加气象事件类型图中缺少的气象事件类型对应的聚合节点,建立气象事件类型图中的聚合节点与新添加的聚合节点之间的连接边,获得气象规律演化模型。
2.根据权利要求1所述的气象事件预测方法,其特征在于,对气象事件类型图进行图卷积和图池化获得池化图 和类型节点,包括:对气象事件类型图进行GCN卷积得到类型节点,建立节点特征矩阵;以类型节点为中心添加相邻的类型节点构建簇;通过局部极值卷积得到每个簇的聚类适应度得分,将簇的聚类适应度得分添加至节点特征矩阵的节点内;根据聚类适应度得分对类型节点筛选,并经过图池化获得池化图 。
3.根据权利要求2所述的气象事件预测方法,其特征在于,以类型节点为中心添加相邻的类型节点构建簇,包括:;
;
;
公式中, 表示为处于第i簇中心的类型节点; 表示为簇中与中心类型节点相邻的类型节点; 表示为以类型节点为中心添加相邻类型节点构建的簇; 表示为查询气象事件的关注度;i和j表示设定序号; 表示为学习向量;W表示为学习矩阵; 表示为所述气象事件类型图经过GCN卷积得到的类型节点; 表示为根据触发词以及气象参数构建的气象事件类型图中第j气象事件节点; 代表拼接操作。
4.根据权利要求2所述的气象事件预测方法,其特征在于,通过局部极值卷积得到每个簇的聚类适应度得分,包括:;
;
公式中, 表示为簇的聚类适应度得分, 、 和 分别表示可学习参数矩阵; 处于第j簇中心的类型节点; 表示类型图中第i个节点的邻域。
5.根据权利要求2所述的气象事件预测方法,其特征在于,根据聚类适应度得分对类型节点筛选,并经过图池化获得池化图 ,包括:根据聚类适应度得分挑选类型节点得到索引;将由索引对应的簇组成池化图 ;
若簇 和簇 之间存在公共类型节点,在池化图 中连接簇 和簇得到池化图 ;所述池化图 的全局表示公式为:;
公式中, 是池化图 中对应第i个池化节点, 代表拼接操作,n表示为池化图 中节点的数量, 为池化图 的全局表示。
6.根据权利要求5所述的气象事件预测方法,其特征在于,基于池化图 计算获得气象事件分布 ,包括:;
;
公式中, 、 、 和 分别表示学习矩阵; 表示为气象事件分布的均值, 表示为气象事件分布的方差。
7.根据权利要求1所述的气象事件预测方法,其特征在于,将气象事件类型图的类型节点更新为聚合节点,包括:;
;
公式中,表示为气象事件 的前序气象事件; 和 分别表示学习矩阵; 表示为气象事件 对应的聚合节点; 表示为气象事件 对应的聚合节点; 表示为气象事件 对应的类型节点; 表示为气象事件 对应的类型节点。
8.根据权利要求7所述的气象事件预测方法,其特征在于,在气象事件类型图上新增聚合节点之间的连接边,包括:;
;
公式中, 表示为服从气象事件分布的聚合节点; 和 分别表示学习矩阵; 表示为气象事件 和气象事件 之间的邻接矩阵。
9.一种基于演化规律挖掘的气象事件预测系统,其特征在于,包括:聚合模块,用于使用注意力机制对气象数据的触发词及其参数表示进行聚合,得到实时气象事件;
预测模块,用于将实时气象事件与气象规律演化模型进行融合,获取实时气象事件演绎图;
规律分析模块,用于根据历史气象数据提取触发词以及气象参数,根据触发词以及气象参数构建气象事件类型图;对气象事件类型图进行图卷积和图池化获得池化图 和类型节点;将气象事件类型图中的类型节点更新为聚合节点;基于池化图 计算获得气象事件分布 ;
扩展模块,用于在气象事件类型图上新增聚合节点之间的连接边;基于气象事件分布筛选各聚合节点之间新增的连接边;添加气象事件类型图中缺少的气象事件类型对应的聚合节点,建立气象事件类型图中的聚合节点与新添加的聚合节点之间的连接边,获得气象规律演化模型。
10.一种电子设备,包括存储介质和处理器;所述存储介质用于存储指令;其特征在于,所述处理器用于根据所述指令进行操作以执行权利要求1至8任一项所述的方法。