[发明专利]一种基于事件知识图谱构建的流域旱涝事件长期预测方法

说明书

本发明公开了一种基于事件知识图谱构建的流域旱涝事件长期预测方法，预测步骤包括如下：S1，数据获取：在进行数据的获取时，可以对两种数据进行获取，一种是结构化数据，另一种是非结构化数据；S2，事件知识抽取：在进行抽取时可以从互联网文献库中抽取相关的事件信息，并进行结构化表示。本发明通过利用知识图谱来构建流域旱涝汛期事件预测模型，再充分利用信息的基础上实现预报的客观化和自动化，无需由人工来进行选取和预测分析工作，这样在预测的过程中就不会受到外部影响因素过多的情况，关系复杂的数据也能够进行较好的处理，利用知识图谱构建的预测方法省时省力，最后得出的预测结果不会存在个人主观的因素，在应用时非常方便。

技术领域

本发明涉及流域旱涝预测技术领域，尤其是一种基于事件知识图谱构建的流域旱涝事件长期预测方法。

背景技术

地球系统是一个各圈层复杂交互的整体，某个区域的降水往往受到多种外界因素的影响。以长江流域为例，科学家们发现长江流域降水受到海温、副热带高压、中高纬环流场、高原积雪、极地海冰等多种要素的影响，利用这一系列影响关系来进行旱涝事件预测是一种常用的统计预测方法。

由于影响流域旱涝分布的因素繁多、关系复杂，采用传统统计方法预测时难以考虑到各种因素的影响，现有方法多凭人工经验选取几种偏好的因子进行预测分析，这种做法耗时耗力、损失了大量有用信息的同时还带有强烈的主观性，因此会给预报带来较大的不确定性。

发明内容

本发明针对背景技术中的不足，提供了一种基于事件知识图谱构建的流域旱涝事件长期预测方法。

本发明为解决上述现象，采用以下技术方案，一种基于事件知识图谱构建的流域旱涝事件长期预测方法，预测方法包括如下：

S1，在进行数据的获取时，可以对两种数据进行获取，一种是结构化数据，另一种是非结构化数据；

S2，在进行抽取时可以从互联网文献库中抽取相关的事件信息，并进行结构化表示，如什么对象，什么时间，发生了什么事情，事件指数如何定义；

S3，从文献中抽取事件之间的逻辑关系，包括共指关系、从属关系、时序关系、因果关系等；

S4，利用上述抽取出的知识和关系构建知识图谱模型，由于因素复杂，最终指向旱涝事件的应该有多种关系；

S5，利用前述的结构化历史数据和模式历史预测数据，与上述抽取的事件相互对应，定义相应阈值，构建事件知识历史序列；

S6，将S5中构建的事件历史序列带入知识图谱模型当中，通过大量数据集的训练确定事件关系影响权重和事件触发机制；

S7，将最新的事件背景情况输入知识图谱模型中进行预测，并实现知识的不断迭代更新。

作为本发明的进一步优选方式，步骤S1中，其中结构化数据为长江流域气象水文站点历史降水资料，海温场、冰雪场、大气场等格点历史再分析数据、国家气候中心74项环流指数资料等，而非结构化数据为庞大的互联网文献库，需要根据实际情况进行选择。

作为本发明的进一步优选方式，步骤S2中，在进行对文献知识的抽取时，采用关键字提取算法TextRank来实现，该方法通过提取文献中的关键词作为关键知识，由于机器提取方法有时难以判断复杂的逻辑关系，因此在机器提取的基础上还需要人工经验来进行校正。

作为本发明的进一步优选方式，步骤S3中，抽取的逻辑关系包括事件的共指关系，包括赤道中东太平洋海温异常增温与发生厄尔尼诺事件是同一件事；其次从属关系，包括长江中下游降水偏多包含两湖水系降水偏多、江西省降水偏多的子事件；时序关系，包括冬季发生青藏高原积雪异常偏少事件，次年夏季发生长江流域暴雨洪涝事件；最后因果关系，包括前期赤道中东太平洋海温异常增温有利于长江中下游降水异常偏多。