[发明专利]一种基于多元时间序列图神经网络的多步长气象预测方法

权利要求书

1.一种基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：包括，

获取历史数据；

对历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集；

根据训练数据训练多元时间序列图神经网络模型；

根据多元时间序列图神经网络模型预测未来多步长的多元气象信息。

2.如权利要求1所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述历史数据包括目标地区的多元气象信息数据，所述目标地区的多元气象信息数据包括但不限于太阳辐照度、温度、湿度、气压、风速等。

3.如权利要求2所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述历史数据进行预处理和构造训练数据，并根据预测任务制作监督数据集包括以下步骤：

对多元气象信息数据中的空缺值进行线性插值补全，具体公式为：

其中，t_i和t_j表示数据空缺区间的前一个和后一个时间节点，和分别为时间节点t_i和t_j的数据值，x_t为插值后介于t_i和t_j之间的时间节点t的数据值，

对补全后的数据进行归一化处理，归一化表达式为：

其中，x表示数据集中的某一特征，x'表示归一化后的特征值，x_min和x_max分别表示历史数据中该特征的最小值和最大值；

对历史数据中的每连续P+Q个时间节点t₁,...,t_P+Q的数据进行划分，利用前P个时间节点t₁～t_P的多元气象信息作为输入数据，其后Q个时间节点t_P+1～t_P+Q的多元气象信息作为对应的监督信息，构造训练数据集，其中P和Q是根据任务需求确定的超参数。

4.如权利要求1所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述训练数据训练多元时间序列图神经网络模型包括初始化层、图学习层、图卷积模块、时域卷积模块、跳连接、以及输出模块；

所述初始化层负责将初始数据映射到一个潜在空间，图学习层负责计算一个图邻接矩阵，用于获取节点之间的隐含关联，其中，一个节点是用来代表一个类别的气象信息；所述图卷积模块负责将节点的信息与其邻居的信息融合，以处理图中的空间依赖关系；所述时域卷积模块则负责提取时间特征；所述图卷积模块和时域卷积模块交错串联。

5.如权利要求4所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述初始化层是一个1×1卷积层，其负责将输入数据映射到一个潜在空间，该潜在空间的维数根据任务需要设定。

6.如权利要求4所述的基于多元时间序列图神经网络的多步长气象预测方法，其特征在于：所述图学习层的计算方法由以下公式表示：

M₁＝tanh(αE₁Θ₁)

M₂＝tanh(αE₂Θ₂)

idx＝argtopk(A[i,:])

A[i,-idx]＝0,for i＝1,2,...,N

其中，E₁,E₂是随机初始化的节点嵌入，可以随着模型训练更新；Θ₁,Θ₂是可学习的模型参数；tanh()和ReLU()是激活函数；α是用来控制激活函数饱和度的超参数；argtopk(A[i,:])表示矩阵A的第i行中最大的k个值的位置，其中k为超参数；A[i,-idx]表示A的第i行中除idx位置以外的元素。