1.一种基于有向图神经网络的高温灾害预报方法，其特征在于，包括步骤如下：S1，将各气象要素分别进行标准化处理，使各气象要素按比例缩放在同一取值范围内；

根据高温预警等级，将高温灾害数值设置为0，1，2，3，分别表示无高温灾害、高温黄色预警、高温橙色预警、高温红色预警；高温灾害数值进入模型后会被编码为离散值向量（y1,y2,y3,y4），作为标签加入输入数据，完成数据重构；

根据气象要素本身的时间周期特性，将标准化后的各气象要素基于滑动窗口法构建成多维时间序列样本集；

按照设定比例，将所述多维时间序列样本集划分为训练集、验证集和测试集；

S2，构建有向图神经网络模型；

S3，确定损失函数后开始训练有向图神经网络模型，通过调整学习率、优化器、正则化参数得到满足要求的模型作为预测模型，并保存预测模型；

S4，将历史多变量时间序列输入预测模型，根据需求改变输出步长，得到未来一段时间内的高温灾害预报。

2.根据权利要求1所述的基于有向图神经网络的高温灾害预报方法，其特征在于，所述步骤S1中，各气象要素包括日最高气温、降水、风速、空气湿度、日照时数、蒸散发；

根据气象要素的周期性特征，建成多维时间序列样本集如下：

设 ，R表示实数，表示在时间步长t时的多元变量的值，其中 表示时间步长t时变量i的值，则给定时间长度为p的多变量数据的历史序列为：标签集为：

其中， 分别代表g时刻的无灾害风险的概率、发出高温黄色预

警概率、发出高温橙色预警概率和发出高温红色预警概率，其中g=1，2，3，…，p。

3.根据权利要求1所述的基于有向图神经网络的高温灾害预报方法，其特征在于，所述步骤S2中，有向图神经网络模型需要从图的角度来建模变量之间的相互驱动关系，将各气象要素作为图中的节点，采用图邻接矩阵描述各节点之间的关系；再采用逐步学习策略学习节点信息，并不断更新邻接矩阵的状态；所述逐步学习策略为：图学习层从一个起始状态，每一次学习向图中添加一个节点，再利用循环神经网络根据节点信息自回归计算相似性得分，生成新节点与每个初始节点间的连接关系；

循环神经网络处理节点初始信息并将节点的表示向量解码为隐藏状态作为下一次迭代的输入，在迭代过程中不断聚合各节点信息，迭代过程如下：其中，W和U均为超参数，xt为当前输入的时间序列数据；

sigmoid函数表达式为 ， e是自然对数函数的底数；  表示随机初始化的节点嵌入， 是神经网络模型参数； 是控制激活函数饱和速率的超参数，均在训练过程中被学习；A为根据节点对信息聚合后得到的邻接矩阵； 为上一层迭代的输出隐藏状态、 为该层的隐藏状态即节点的表示向量；

通过聚合各节点信息，不断更新图的构成，最终得到全局图邻接矩阵。

4.根据权利要求3所述的基于有向图神经网络的高温灾害预报方法，其特征在于，所述步骤S2中，根据气象数据的时间周期特征、能量循环与水循环和气象要素间相互影响，构建有向图神经网络模型；所述有向图神经网络模型通过嵌套式的图卷积模块和时间卷积模块将输入数据的信息进行聚合，具体实现过程如下：图学习模块从输入时间序列数据中根据逐步学习策略方法自适应提取图邻接矩阵，作为后续图卷积模块聚合节点信息过程的输入；同时，抽样的方法每次只计算成对节点间的相似性得分，将得分作为隐藏状态在每一次计算过程中聚合得到最终的全局图邻接矩阵；

图形卷积模块由两个混合传播层组成，分别处理通过每个节点的流入和流出信息，混合传播层包括信息传播过程和信息选择过程；信息传播过程基于图邻接矩阵给定的图结构传播节点信息，信息选择过程过滤传播过程产生的噪声；

在图邻接矩阵中赋予连接节点的边不同的权重，实现在信息传播过程中加入注意力机制，表达式为：其中，  对应每条边的权重，  为网络上一次迭代的输出隐藏状态， 为该层的隐藏状态即节点的表示向量。

5.根据权利要求4所述的基于有向图神经网络的高温灾害预报方法，其特征在于，所述时间卷积模块由四种不同大小的卷积核组成，用于提取数据的时间特征，提取过程中通过设定卷积核的大小来控制感受野，感受野的计算公式如下：其中，  为上一层感受野大小；  为当前层感受野移动步长，默认为1； 为当前层卷积核大小。

6.根据权利要求1所述的基于有向图神经网络的高温灾害预报方法，其特征在于，所述步骤S3中，选取交叉熵损失函数作为损失函数，具体公式为：其中，m为数据总量，p为分类数， k为当前输入数据，   为预测值，  为真实值。