申请/专利权人：南京信息工程大学

申请日：2023-08-16

公开（公告）日：2024-03-29

公开（公告）号：CN117035073B

主分类号：G06N5/02

分类号：G06N5/02;G01W1/10;G06F18/213;G06N3/0442;G06N3/042;G06N3/0455;G06N3/045;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2023.11.28#实质审查的生效;2023.11.10#公开

摘要：本发明公开了一种基于分层事件发展模式归纳的未来气象事件预测方法，利用信息抽取工具从气象数据中提取出若干个气象事件，并按时间顺序进行排列；以最早发生的事件作为当前的实例图，并将其他事件作为候选事件集合，选择概率最大的后续事件，并将其添加到当前实例图中。利用DVAE抽取事件骨架图，随后，将骨架图和实例图分别输入到缩放图神经网络中，获得后续事件与当前实例图之间的匹配得分。在完成添加后续节点的实例图后，进行共指合并和实体关系边生成的处理。迭代执行归纳出气象事件发展模式图。本发明可以利用事件发展模式预测气象事件的概率，结合了气象事件发展的全局结构信息，减少了局部结构信息对于后续事件预测的影响。

主权项：1.一种基于分层事件发展模式归纳的未来气象事件预测方法，其特征在于，包括以下步骤：S1、基于已知的气象数据，抽取其中预设关键信息，获得事件触发词和实体，然后构建由事件触发词类型节点、以及事件中的实体节点组成的按时间顺序排列的若干个原子事件序列；S2、将若干个原子事件序列中第一个原子事件作为当前实例图，将除当前实例图之外的各个原子事件作为候选事件，并从候选事件中选择一个概率最大的事件添加到当前实例图中，形成候选事件实例图；S3、根据已知的气象事件特点，结合天气影响因素的动态变化，将步骤S2得到的候选事件实例图输入到变分自编码器中执行重构并更新图结构：节点集合不变，更新边的连接，生成高阶骨架图；具体包括以下子步骤：S301、在编码阶段，使用GRU根据候选事件实例图中邻居节点的传入消息计算每个节点的隐藏状态；S302、用结束节点en的隐藏状态hen作为编码器的输出，将hen分别输入两个MLP，得到后验近似qφz|G的均值和方差参数；S303、在解码阶段，给定要解码的潜在向量z，首先使用一个MLP将z映射到作为馈送给的GRUdecoder初始隐藏状态，然后，解码器逐个节点地构造高阶骨架图；S4、根据气象领域的专业知识，按预设的特征提取方法，从步骤S2得到的候选事件实例图中提取包含气象细节信息的特征，并将其作为低阶实例图；S5、将步骤S3中的高阶骨架图、以及低阶实例图分别作为输入，输入至缩放图神经网络中，根据已知气象事件特点进行模型优化，考虑不同时间尺度的相关性和气象要素之间的关系计算得到候选事件的得分；包括如下子步骤：S501、将低阶的实例图和高阶的骨架图分别输入到两个缩放图神经网络中，通过映射函数来获得气象事件的表示，然后利用门控图神经网络更新事件表示，S502、根据每个节点得隐藏状态，对气象事件对关系建模，S503、门控图神经网络将气象上下文事件的输出为对候选事件的输出为S504、使用注意力神经网络根据后续事件候选计算每个上下文事件的相对重要性，然后计算相关度得分；S6、根据候选事件的得分，将分数最高的候选事件作为正确的后续事件添加到候选事件实例图，并更新，对更新后的候选事件实例图进行合并共指和实体关系边生成；然后返回执行步骤S3，直到全部候选事件都添加到候选事件实例图中并且更新完毕，获得事件发展模式图；具体是：更新候选事件实例图后，检测每个节点的实体类型，将与现有实体节点有共引用的节点分类为具有实体类型的新实体节点，或加入实例图中的一个现有实体节点；在实体关系边生成这个阶段，确定保留的边结构，并分配关系类型，将关系边生成概率建模为关系类型的分类分布，使用两个隐藏层和ReLU激活函数实现MLP；S7、利用事件发展模式图，推演和预测未来的气象情况，并形成天气状况演化概率图。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于分层事件发展模式归纳的未来气象事件预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD