CN117035073B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117035073B
CN117035073B CN202311036851.7A CN202311036851A CN117035073B CN 117035073 B CN117035073 B CN 117035073B CN 202311036851 A CN202311036851 A CN 202311036851A CN 117035073 B CN117035073 B CN 117035073B
Authority
CN
China
Prior art keywords
event
graph
candidate
events
weather
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311036851.7A
Other languages
English (en)
Other versions
CN117035073A (zh
Inventor
荣欢
龚智恒
马廷淮
黄凯
汤毅翔
蒋永溢
徐瑞洋
杨启坤
陈思
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202311036851.7A priority Critical patent/CN117035073B/zh
Publication of CN117035073A publication Critical patent/CN117035073A/zh
Application granted granted Critical
Publication of CN117035073B publication Critical patent/CN117035073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

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。

Description

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
技术领域
本发明属于信息检索和数据挖掘领域，具体涉及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。
背景技术
事件是人类社会的核心概念之一，人们的社会活动往往是事件驱动的。事件之间在时间上相继发生的演化规律和模式是一种十分有价值的知识。然而，当前无论是知识图谱还是语义网络等知识库的研究对象都不是事件。
为了揭示事件的演化规律和发展逻辑，有研究提出了事理图谱的概念，作为对人类行为活动的直接刻画。事理图谱可以为揭示和发现事件演化规律与人们的行为模式提供强有力的支持。事件的演化规律和发展逻辑可以归纳为事件模式。事件模式归纳是从未标记的文本中学习复杂的事件以及其论元的高级表示的一项任务。由于事件模式并没有一个统一的定义，因此存在着众多的事件模式定义方法以及其相关的归纳方法。
在气象预测领域，事件的演化规律和发展逻辑是我们关注的重点之一。为了揭示气象事件的演化规律和发展逻辑，可以借鉴事理图谱和事件模式的概念，对气象事件进行建模和分析。目前已有的研究可以将事件模式归纳分为两类：一种是原子事件模式归纳，Chambers等基于集合的方法通过一个集合来表示事件触发器，而不建模它们的相互关系，可视为原子图式归纳，忽略了气象事件之间的关系，例如台风与降雨的因果关系。另外一种是叙事事件模式归纳，Rachel Rudinger等将事件与事件之间的关系考虑在内，并将事件结构排序为序列，但是缺忽略了事件之间通过参数和参数关系的相互作用。
事件模式的定义也在随着研究不断的进行扩展，新研究提出了事件实例图和事件图模式的概念，事件实例图的基础是假定如果出现在同一片文章中的两个事件实例的论元是共指的或者语义相关的话，那么两个事件实例是互相连接的。通过许多具有相同类型的事件实例对可以诱导出多条从一个事件类型到另外一个事件类型的路径，从而形成了一种新的事件模式——事件图模式。
由于气象预测领域的复杂性和时空变化的不确定性，仅仅依靠已有的事理图谱和事件模式可能难以适应新的气象事件。模型在未知领域或新兴事件上的泛化能力有待进一步提高，需要考虑到事件模式中更多参数以及全局结构的影响。
目前的事件图模式只关注于事件发展的局部结构信息，忽略了全局信息，无法揭示事件演化规律和发展逻辑。对于后续事件的匹配度并没有达到较好的效果，也导致事件发展的不合理性。
发明内容
本发明所要解决的技术问题在于：针对目前的气象预测领域，气象事件图模式只关注候选事件的前一个事件，忽略了事件发展的全局结构信息，使得后续事件与实例图的事件匹配度无法达到预期效果。本发明提出一种基于分层事件发展模式归纳的未来事件预测算法，利用骨架图的全局结构信息和实例图的细节信息形成了高阶骨架图-低阶实例图的分层事件发展模式归纳结构，考虑到了事件发展的全局信息，利用归纳得到的事件发展模式预测未来事件，提高事件匹配度。
为解决以上技术问题，本发明提供如下技术方案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，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；
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；
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；
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。
进一步地，前述的一种基于分层事件发展模式归纳的未来事件预测算法，所述预设关键信息包括天气状况、气温变化、以及降雨量。
进一步地，前述的步骤S3将候选事件实例图输入到变分自编码器，使用异步消息传递方案来编码，并且解码得到高阶骨架图，具体为：
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h(en)作为编码器的输出，将h(en)分别输入两个MLP，得到后验近似qφ(z|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。
进一步地，前述的步骤S4中，提取包含气象细节信息的特征包括气压变化、风向、以及风速。
进一步地，前述的，步骤S5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。
进一步地，前述的步骤S6具体为：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。
进一步地，前述的步骤S2中，具体为：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，在候选事件集合中通过图池和多层感知机得到每个事件的评分，并通过评分函数将其转化为概率，选择出概率最高的候选事件添加到当前实例图中，形成候选事件实例图。
本发明另一方面提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明所述方法的步骤。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述方法的步骤。
相较于现有技术，本发明采用以上技术方案的有益技术效果如下：
1.提升预测准确性：通过聚合全局信息，本发明能够更准确地预测未来气象事件的发展情况，包括天气状况、气温变化、降雨量等。相比传统算法，本发明能够揭示事件的演化规律和发展逻辑，从而提高预测的准确性。
2.处理非线性事件：本发明不仅适用于线性变化的事件，还能够处理那些不随着时间线性变化的气象事件，如突发性暴雨、台风路径变化等。这使得气象预测更加全面和精确。
3.揭示气象事件规律：通过分层事件发展模式归纳，本发明能够揭示和总结气象事件的演化规律，帮助气象学家和预测员更好地理解和解释气象事件的发展过程。
4.计算事件发生概率：本发明可以计算未来气象事件发生的概率，为用户提供更全面的预测信息。通过生成事件发展概率图，用户可以了解不同时间点上各种气象事件发生的可能性大小。
综上所述，本发明在气象预测领域中具有提升预测准确性、处理非线性事件、揭示规律和计算事件发生概率等有益效果。这些效果将为气象预测工作提供更准确、全面和可解释的预测结果，有助于各行业和民众做出合理决策和安排。
附图说明
图1是基于分层事件发展模式归纳的未来事件预测算法的流程图。
图2是基于分层事件发展模式归纳的未来事件预测算法的模型图。
图3是对于当前实例图和后续实例图的连通图构建骨架图的编码-解码过程图。
图4是基于本算法得到的事件发展模式示例图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
参考图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，包括以下步骤：
S1、基于已知的气象数据，或者观测报告，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。预设关键信息可以是天气状况、气温变化、以及降雨量等。
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。如图3所示，步骤S3中，考虑天气影响因素的动态变化，为了捕获事件骨架的全局结构，使用一个变分自编码器D-VAE。变分自编码器使用异步消息传递方案来编码和解码高阶骨架图。在编码阶段，使用GRU来根据邻居的传入消息计算每个节点的隐藏状态。在计算完所有节点的隐藏状态后，使用结束节点en的隐藏状态h(en)作为编码器的输出。然后将h(en)输入两个MLP，得到后验近似qφ(z|G)的均值和方差参数。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一个高阶骨架图；
S4、根据气象领域的专业知识，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，包括气压变化、风向、以及风速等特征，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SGNN中，根据已知气象事件特点进行模型优化，计算后续事件节点与原有图的匹配度,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；结合图2，步骤S5包括以下子步骤：
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。
S7、事件发展模式图包括事件之间的因果关系、参数之间的相互作用以及事件发展的时间序列信息。如图4所示，这样的模式图能够揭示事件的典型演化路径和规律，为未来事件的预测提供依据。在预测过程中，我们将候选事件与现有实例图进行匹配，并计算其匹配度得分。根据匹配度得分，我们可以得到若干个未来气象事件的概率。这些概率可以形成气象事件发展演化概率图，其中每个事件节点代表一个候选事件，节点上的概率值表示该事件发生的可能性大小。通过分析和比较这些概率值，我们可以对未来气象事件的发展趋势进行评估和预测。
虽然本发明已以较佳实施例阐述如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (6)

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h(en)作为编码器的输出，将h(en)分别输入两个MLP，得到后验近似qφ(z|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。
2.根据权利要求1所述的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，所述预设关键信息包括天气状况、气温变化、以及降雨量。
3.根据权利要求1所述的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，步骤S4中，提取包含气象细节信息的特征包括气压变化、风向、以及风速。
4.根据权利要求1所述的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，步骤S2中，具体为：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，在候选事件集合中通过图池和多层感知机得到每个事件的评分，并通过评分函数将其转化为概率，选择出概率最高的候选事件添加到当前实例图中，形成候选事件实例图。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。
CN202311036851.7A 2023-08-16 2023-08-16 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 Active CN117035073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311036851.7A CN117035073B (zh) 2023-08-16 2023-08-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311036851.7A CN117035073B (zh) 2023-08-16 2023-08-16 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

Publications (2)

Publication Number Publication Date
CN117035073A CN117035073A (zh) 2023-11-10
CN117035073B true CN117035073B (zh) 2024-03-29

Family

ID=88644606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311036851.7A Active CN117035073B (zh) 2023-08-16 2023-08-16 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

Country Status (1)

Country Link
CN (1) CN117035073B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019119050A1 (en) * 2017-12-21 2019-06-27 The University Of Queensland A method for analysis of cough sounds using disease signatures to diagnose respiratory diseases
CN114462379A (zh) * 2020-11-09 2022-05-10 中国科学院信息工程研究所 一种改进的基于事件演化图的脚本学习方法和装置
CN115392248A (zh) * 2022-06-22 2022-11-25 北京航空航天大学 一种基于上下文和图注意力的事件抽取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7647286B2 (en) * 2006-09-07 2010-01-12 International Business Machines Corporation System and method for managing a chaotic event by providing optimal and adaptive sequencing of decision sets with supporting data
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US10902657B2 (en) * 2018-11-28 2021-01-26 Adobe Inc. Jointly editing related objects in a digital image
US20230102786A1 (en) * 2021-09-24 2023-03-30 Bmc Software, Inc. Ccontinuous knowledge graph generation using causal event graph feedback

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019119050A1 (en) * 2017-12-21 2019-06-27 The University Of Queensland A method for analysis of cough sounds using disease signatures to diagnose respiratory diseases
CN114462379A (zh) * 2020-11-09 2022-05-10 中国科学院信息工程研究所 一种改进的基于事件演化图的脚本学习方法和装置
CN115392248A (zh) * 2022-06-22 2022-11-25 北京航空航天大学 一种基于上下文和图注意力的事件抽取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Combining Event Segment Classification And Graph Self-Encoder For Event Prediction;Yewen Yuan;《2023 2nd International Conference on Big Data, Information and Computer Network》;20230428;253-258 *

Also Published As

Publication number Publication date
CN117035073A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
US11640494B1 (en) Systems and methods for construction, maintenance, and improvement of knowledge representations
Ahmed et al. Transformers in time-series analysis: A tutorial
US9535902B1 (en) Systems and methods for entity resolution using attributes from structured and unstructured data
Sgueglia et al. A systematic literature review of IoT time series anomaly detection solutions
Xia et al. Distantly supervised lifelong learning for large-scale social media sentiment analysis
Wang et al. Complex event processing over distributed probabilistic event streams
Boyen et al. Discovering the hidden structure of complex dynamic systems
Leng et al. Mining and matching relationships from interaction contexts in a social manufacturing paradigm
Wang et al. Mining temporal association rules with frequent itemsets tree
Qin et al. Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning.
Omrani et al. Multi-label class assignment in land-use modelling
CN114647741A (zh) 工艺自动决策和推理方法、装置、计算机设备及存储介质
Wang et al. SPENT: A successive POI recommendation method using similarity-based POI embedding and recurrent neural network with temporal influence
Wang et al. Incremental fuzzy association rule mining for classification and regression
Wang et al. A survey on temporal knowledge graph completion: Taxonomy, progress, and prospects
Bai et al. RLAT: Multi-hop temporal knowledge graph reasoning based on Reinforcement Learning and Attention Mechanism
Schwier et al. Zero knowledge hidden markov model inference
Pillay et al. Exploring graph neural networks for stock market prediction on the jse
CN117035073B (zh) 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
He et al. BAT: mining binary-API topic for multi-service application development
CN111027202A (zh) 一种数字城市的预测方法、装置、设备及存储介质
US20240086731A1 (en) Knowledge-graph extrapolating method and system based on multi-layer perception
Gupta et al. Voting Regression Model for Covid-19 Time Series Data Analysis
CN117539948B (zh) 基于深度神经网络的业务数据检索方法及装置
Zheng et al. A survey of dynamic graph neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant