CN117688975A - 一种基于演化规律挖掘的气象事件预测方法及系统 - Google Patents

一种基于演化规律挖掘的气象事件预测方法及系统 Download PDF

Info

Publication number
CN117688975A
CN117688975A CN202410148822.8A CN202410148822A CN117688975A CN 117688975 A CN117688975 A CN 117688975A CN 202410148822 A CN202410148822 A CN 202410148822A CN 117688975 A CN117688975 A CN 117688975A
Authority
CN
China
Prior art keywords
meteorological
graph
type
event
nodes
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.)
Granted
Application number
CN202410148822.8A
Other languages
English (en)
Other versions
CN117688975B (zh
Inventor
马廷淮
黄凯
荣欢
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 CN202410148822.8A priority Critical patent/CN117688975B/zh
Publication of CN117688975A publication Critical patent/CN117688975A/zh
Application granted granted Critical
Publication of CN117688975B publication Critical patent/CN117688975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于演化规律挖掘的气象事件预测方法及系统，包括：采集气象数据并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；将实时气象事件与预设的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构建方法包括：对气象事件类型图进行图卷积和图池化获得池化图GP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GP对气象事件分布规律进行挖掘和扩展，能够提升预测准确性、揭示规律和计算气象事件发生概率，有助于各行业和民众做出合理决策和安排。

Description

一种基于演化规律挖掘的气象事件预测方法及系统
技术领域
本发明属于气象预测领域，具体涉及基于演化规律挖掘的气象事件预测方法及系统。
背景技术
现实世界的气象事件，例如干旱和暴雨，气象事件具有多方面气象因素、复杂的时空变化情况、相互交织的关系和多种可能的结果。为了预测气象事件有许多研究提出了从气象事件实例图中学习气象事件模式的方法，即气象事件模式归纳；基于集合的方法和基于序列的方法将复杂气象事件分别视为原子气象事件的集合或线性序列。
然而，目前的气象事件图模式只关注于气象事件发展的局部结构信息，忽略了全局信息，无法揭示气象事件演化规律和发展逻辑。对于后续气象事件的匹配度并没有达到较好的效果，也导致气象事件发展的不合理性。
发明内容
本发明提供了一种基于演化规律挖掘的气象事件预测方法及系统，结合全局气象信息能够有效地揭示气象事件发展规律，提高气象事件预测的准确性。
为达到上述目的，本发明所采用的技术方案是：
本发明第一方面提供了一种基于演化规律挖掘的气象事件预测方法，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。
优选的，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。
优选的，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个簇中心的类型节点；/>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。
优选的，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个簇中心的类型节点；/>表示类型图中第i个节点的邻域。
优选的，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。
优选的，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。
优选的，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。
优选的，在气象事件类型图上新增聚合节点之间的连接边的过程包括：
；
；
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。
本发明第二方面提供了一种基于演化规律挖掘的气象事件预测系统，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。
本发明第三方面提供了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；所述处理器用于根据所述指令进行操作以执行本发明第一方面所述的方法。
与现有技术相比，本发明的有益效果：
本发明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；所述池化图包括池化节点以及连接边；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/>；增加各聚合节点之间的连接边；基于各气象事件之间的时序是否符合气象事件分布/>，对各聚合节点之间增加的连接边进行筛选；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；本发明首先分析获取气象事件分布规律，然后对气象事件分布规律进行挖掘和扩展，能够提升预测准确性、揭示规律和计算气象事件发生概率，有助于各行业和民众做出合理决策和安排。
附图说明
图1是本发明实施例1提供的气象事件预测方法的流程示意图。
图2是本发明实施例1提供的气象规律演化模型的网络结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
如图1所示，本实施提供了一种基于演化规律挖掘的气象事件预测方法，包括：
获取气象数据并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；
将实时气象事件与预设的气象规律演化模型进行融合，获取实时气象事件演绎图。
如图2所示，所述气象规律演化模型的获取方法包括：
由获取的历史气象数据提取触发词以及气象参数，将触发词转化为气象事件类型，并根据气象事件类型和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的方法包括：
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，表达公式为：
；
；
；
公式中，表示为处于簇中心的类型节点；/>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；/>表示为学习向量；W表示为学习向量；/>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。
通过局部极值卷积得到每个簇的聚类适应度得分，表达公式为：
；
；
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个簇中心的类型节点；/>表示类型图中第i个节点的邻域。
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的方法包括：
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，n表示为池化图/>中节点的数量，为池化图/>的全局表示。
所述池化图包括池化节点以及连接边；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/>，表达公式为：
；
；
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。
将气象事件类型图的类型节点更新为聚合节点，表达公式为：
；
；
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。
增加各聚合节点之间的连接边；基于各气象事件之间的时序是否符合气象事件分布，对各聚合节点之间增加的连接边进行筛选；
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。
其中，计算各聚合节点之间的连接边的表达公式为：
；
；
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。
实施例2
本实施例提供了一种基于演化规律挖掘的气象事件预测系统，所述气象事件预测系统可以应用于实施例1所述的气象事件预测方法，气象事件预测系统包括：
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。
实施例3
本实施例提供了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；所述处理器用于根据所述指令进行操作以执行实施例1所述的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

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。
CN202410148822.8A 2024-02-02 2024-02-02 一种基于演化规律挖掘的气象事件预测方法及系统 Active CN117688975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410148822.8A CN117688975B (zh) 2024-02-02 2024-02-02 一种基于演化规律挖掘的气象事件预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410148822.8A CN117688975B (zh) 2024-02-02 2024-02-02 一种基于演化规律挖掘的气象事件预测方法及系统

Publications (2)

Publication Number Publication Date
CN117688975A true CN117688975A (zh) 2024-03-12
CN117688975B CN117688975B (zh) 2024-05-14

Family

ID=90133803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410148822.8A Active CN117688975B (zh) 2024-02-02 2024-02-02 一种基于演化规律挖掘的气象事件预测方法及系统

Country Status (1)

Country Link
CN (1) CN117688975B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128578A (en) * 1996-12-26 2000-10-03 Nippon Telegraph And Telephone Corporation Meteorological radar precipitation pattern prediction method and apparatus
US20160291204A1 (en) * 2013-11-19 2016-10-06 Wobben Properties Gmbh Method and wind energy installation for lightning warning
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
CN114821338A (zh) * 2022-05-28 2022-07-29 南宁师范大学 一种多源异构数据融合的甘蔗多灾种气象灾害预警方法
CN115267945A (zh) * 2022-06-29 2022-11-01 国网江苏省电力有限公司苏州供电分公司 一种基于图神经网络的雷电预警方法与系统
CN116011681A (zh) * 2023-02-21 2023-04-25 合肥本源量子计算科技有限责任公司 一种气象数据预测方法、装置、存储介质及电子装置
CN116432032A (zh) * 2023-04-12 2023-07-14 湖北省气象信息与技术保障中心 基于多源数据和机器学习的气象数据异常事件识别方法
CN116845889A (zh) * 2023-09-01 2023-10-03 东海实验室 一种基于层次化超图神经网络的电力负载预测方法
CN116863201A (zh) * 2023-06-02 2023-10-10 盐城工学院 一种基于深度图神经网络的图像分类方法
US20230351164A1 (en) * 2022-04-27 2023-11-02 Nanjing University Of Information Science And Technology Meteorological big data fusion method based on deep learning
CN117010518A (zh) * 2023-07-28 2023-11-07 本源量子计算科技（合肥）股份有限公司 一种气象预测方法、装置、介质及电子装置
CN117116096A (zh) * 2023-10-25 2023-11-24 南京航空航天大学 基于多通道交通图像与深度cnn的机场延误预测方法及系统
CN117115498A (zh) * 2023-03-15 2023-11-24 北京思路创新科技有限公司 用于识别气象图的方法和电子设备
CN117175535A (zh) * 2022-05-23 2023-12-05 国网新疆电力有限公司 一种风电群体功率预测方法、系统、设备及介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128578A (en) * 1996-12-26 2000-10-03 Nippon Telegraph And Telephone Corporation Meteorological radar precipitation pattern prediction method and apparatus
US20160291204A1 (en) * 2013-11-19 2016-10-06 Wobben Properties Gmbh Method and wind energy installation for lightning warning
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
US20230351164A1 (en) * 2022-04-27 2023-11-02 Nanjing University Of Information Science And Technology Meteorological big data fusion method based on deep learning
CN117175535A (zh) * 2022-05-23 2023-12-05 国网新疆电力有限公司 一种风电群体功率预测方法、系统、设备及介质
CN114821338A (zh) * 2022-05-28 2022-07-29 南宁师范大学 一种多源异构数据融合的甘蔗多灾种气象灾害预警方法
CN115267945A (zh) * 2022-06-29 2022-11-01 国网江苏省电力有限公司苏州供电分公司 一种基于图神经网络的雷电预警方法与系统
CN116011681A (zh) * 2023-02-21 2023-04-25 合肥本源量子计算科技有限责任公司 一种气象数据预测方法、装置、存储介质及电子装置
CN117115498A (zh) * 2023-03-15 2023-11-24 北京思路创新科技有限公司 用于识别气象图的方法和电子设备
CN116432032A (zh) * 2023-04-12 2023-07-14 湖北省气象信息与技术保障中心 基于多源数据和机器学习的气象数据异常事件识别方法
CN116863201A (zh) * 2023-06-02 2023-10-10 盐城工学院 一种基于深度图神经网络的图像分类方法
CN117010518A (zh) * 2023-07-28 2023-11-07 本源量子计算科技（合肥）股份有限公司 一种气象预测方法、装置、介质及电子装置
CN116845889A (zh) * 2023-09-01 2023-10-03 东海实验室 一种基于层次化超图神经网络的电力负载预测方法
CN117116096A (zh) * 2023-10-25 2023-11-24 南京航空航天大学 基于多通道交通图像与深度cnn的机场延误预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZIHENG GAO等: "Dynamic adaptive spatio-temporal graph neural network for multi-node offshore wind speed forecasting", 《APPLIED SOFT COMPUTING》, vol. 141, 17 April 2023 (2023-04-17), pages 1 - 21, XP087313411, DOI: 10.1016/j.asoc.2023.110294 *
吴文君: "一种突发气象灾害事件的时空语义信息抽取与主题演化研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 1, 15 January 2024 (2024-01-15), pages 009 - 126 *
陈晓静: "面向AESS的机载气象雷达仿真激励系统关键算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 7, 15 July 2013 (2013-07-15), pages 136 - 1062 *
高峰等: "城市雾霾灾害链演化模型及其风险分析", 《科技导报》, vol. 36, no. 13, 31 December 2018 (2018-12-31), pages 73 - 81 *

Also Published As

Publication number Publication date
CN117688975B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
WO2016101628A1 (zh) 一种数据建模中的数据处理方法及装置
CN111143578B (zh) 基于神经网络抽取事件关系的方法、装置和处理器
CN110704616B (zh) 设备告警工单识别方法及装置
CN116307212B (zh) 一种空气质量预测方法及系统
CN102750286A (zh) 一种处理缺失数据的新型决策树分类器方法
CN115293919A (zh) 面向社交网络分布外泛化的图神经网络预测方法及系统
CN110569883A (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN113705598A (zh) 数据分类方法、装置及电子设备
CN113268370A (zh) 一种根因告警分析方法、系统、设备及存储介质
CN112381664A (zh) 电网短期负荷预测方法、预测装置及存储介质
CN118070010A (zh) 一种基于生成对抗网络的可再生能源场景生成方法
CN117688975B (zh) 一种基于演化规律挖掘的气象事件预测方法及系统
CN113297185A (zh) 一种特征衍生方法及装置
CN116245259A (zh) 基于深度特征选择的光伏发电预测方法、装置和电子设备
CN114004408B (zh) 一种基于数据分析的用户电力负荷预测方法
CN113220973B (zh) 一种基于知识推理技术的舆情验真方法
CN115796906A (zh) 软件造价估算系统
CN114969511A (zh) 基于分片的内容推荐方法、设备及介质
CN112000389A (zh) 一种配置推荐方法、系统、装置及计算机存储介质
CN109783464B (zh) 一种基于Spark平台的频繁项集挖掘方法
CN113610629A (zh) 一种从大规模特征集中筛选客户数据特征的方法及装置
CN109189775B (zh) 一种工业监控平台海量数据处理系统及方法
CN117745423B (zh) 一种异常账户的识别方法
Nemeth et al. The initial analysis of failures emerging in production process for further data mining analysis
CN117252488B (zh) 基于大数据的产业集群能效优化方法及系统

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