短临强降雨,一般指短时间内降雨强度高的一种强对流天气现象,主要发生在每年的汛期。短临强降雨往往伴有强风,冰雹和雷暴等极端气候现象,容易引起山洪、泥石流、城市洪涝等自然灾害。提高短临强降雨的预测准确度是气象研究人员的重点研究目标之一,但由于短临强降雨的高突发性,气象数据的高维非线性导致传统预测方法效果不佳。而且传统预测方法往往只采用了单方面的气象数据,模型抗干扰性不强,非常依赖于数据的准确性。针对以上问题,本文结合多种数据,将短临强降雨预报问题模拟为时空序列预测问题,采用先进的图卷积神经网络模型,旨在发掘出多种数据源之间的潜在关联以及提升短临强降雨的预报精度,其主要研究内容如下:（1）综合实际观测资料及多模式模拟网格数据,采用IDW和RBF插值对站点数据和网格数据进行融合,由于模拟数据的差异性,需要分别去除异常值,并对数据进行标准化,最后采取箱型图差异指数分别选取可靠的特征用于模型的训练。（2）短临强降雨往往发生在某片区域上,强度和位置都会随着时间的推移而发生变化,预测问题本质上可以转为时空序列预测问题,本文引入时间注意力机制和空间注意力机制,分别用于捕获不同时间和不同空间之内的动态相关性,发掘出短临强降雨的演变规律。（3）结合注意力机制和时空图卷积网络,本文设计了一种融合多源数据的注意力机制时空图卷积网络（MASTGCN）,建立了多模态模拟网格数据的时空关联模型,该网络利用图卷积神经网络在空间维度上进行图形卷积来获取气象格点图结构中的空间特征,在时间维度上进行时间卷积来描述临近时间片气象格点间的依赖关系,并将多源数据的结果进行加权融合。实验证明,本文提出的融合多源数据的注意力机制时空图卷积网络,与其他基线模型相比,能够较为准确地实现短临强降雨的预测。在未来3小时降雨量的预测上其MAE和RMSE远远低于其他模型。针对于短临强降雨事件,其FAR、PO和TS等分类预测指标远远优于多模式模拟网格数据的预测结果,弥补了多模式模拟网格数据在短临强降雨预测上的不足,验证了本文所采用的融合多源数据的注意力时空图卷积神经网络在短临强降雨预测上的有效性。