1.一种基于脑图的低遗忘热点事件预测方法，其特征在于，包括：将待预测的社交网络热点事件流输入构建好的BNN模型，利用构建好的BNN模型预测事件后续发展；

其中，BNN模型的构建包括：

提取推理预测的三个脑区fMRI成像；

将三个脑区fMRI成像转化为脑图网络并融合，得到融合图；

将融合图中节点替换为神经元模型，得到原始BNN；

以一个事件流为一批次地分批次将若干个事件流中事件逐个输入原始BNN，每一批次均对原始BNN进行权重更新后利用相似性计算进行阈值处理，得到若干组BNN1、BNN2…BNNn；

将若干组BNN1、BNN2…BNNn相继融合，并利用相似性计算对需要重放的事件进行经验重放，得到构建好的BNN模型。

2.根据权利要求1所述的一种基于脑图的低遗忘热点事件预测方法，其特征在于，将三个脑区fMRI成像转化为脑图网络，包括：将fMRI成像转为时序数据，通过时序数据构建Shrinkage协方差矩阵；

将Shrinkage协方差矩阵转换为相关性系数矩阵，通过相关性系数矩阵构建功能脑区网络；

使用Kamada‑Kawai布局算法将功能脑区网络可视化；

使用二维Newton‑Raphson方法对fMRI成像中随机选取的节点m求单个功能脑区网络系统能量 的最小值；

使用单个功能脑区网络系统能量 最小下求得的参数绘制出脑图网络；

其中，Shrinkage协方差矩阵为：；

式中， 为Shrinkage协方差矩阵， 为平滑参数， 为时序数据的协方差矩阵，n为时序数据的样本数量， 为第i个样本， 为样本均值，D为一个对角矩阵，其非对角元素为0，对角线上的元素为： ， p为矩阵S的维数；

相关性系数矩阵为：

 ；

式中， 和 为变量i和变量j的标准差， ， ， 为相关性系数矩阵的元素取值范围为[‑1,1]且 ，当的绝对值大于设定值时，判定节点i与节点j有联系。

3.根据权利要求2所述的一种基于脑图的低遗忘热点事件预测方法，其特征在于，当梯度最大值小于设定阈值时，得到单个功能脑区网络系统能量 的最小值；

其中，单个功能脑区网络系统能量计算公式为：；

式中， x、y为功能脑区网络节点的坐标，k为设置的常数，l为长度与平衡状态的差值；

梯度的计算公式为：

；

式中， 和 为 和 的偏导数，为：；

。

4.根据权利要求1所述的一种基于脑图的低遗忘热点事件预测方法，其特征在于，脑图网络的融合和若干组BNN1、BNN2…BNNn的相继融合均采用共识迭代算法进行，包括：步骤a：对初始图做并集处理，得到共识图；

步骤b：计算每张初始图与共识图之间的相似度，根据相似度分配每张初始图对应的权重；

步骤c：对权重分配后的初始图做并集处理并融合出新的共识图；

步骤d：重复步骤b和步骤c，直至达到设定的迭代次数K，得到最终共识图 ；

步骤e：根据设定的边与节点的阈值，将最终共识图 权重低于阈值的边与节点抹除；

其中，共识图的计算公式为：

；

式中， 为共识图， 为初始图；

每张初始图与共识图之间的相似度的计算公式为：；

式中，为初始图i的相似度， 与 为初始图i的边与节点， 与 为共识图的边与节点，a为设定的初始图与共识图每条边与每条节点的初始权重，为常数；

每张初始图所对应的权重分配公式为：；

式中，为初始图i的权重， 为初始图的相似度之和；

新的共识图的每条边和每个节点的权重为：；

式中， 为新的共识图中边或节点i的权重， 为初始图j所对应的权重， 为初始图j中边或节点i的权重。

5.根据权利要求1所述的一种基于脑图的低遗忘热点事件预测方法，其特征在于，对原始BNN进行权重更新后利用相似性计算进行阈值处理，包括：利用交叉熵损失函数对原始BNN进行权重更新，得到新的BNN；

计算新的BNN中各节点和边与原始BNN的相似度，根据设定的相似度阈值删去低于阈值的边或节点；

其中，交叉熵损失函数和权重更新公式为：；

；

式中， 为真实标签， 为预测输出， 和 为新、旧权重，为学习率， g为损失函数对权重的梯度；

新的BNN中各节点和边与原始BNN的相似度的计算公式为：；

；

式中， 为边i的相似度， 和 为边i的新旧权重， 与 为与边i相连的节点的新、旧权重； 为节点j的相似度， 和 为节点j的新、旧权重， 和为与节点j相连的边的新、旧权重。

6.根据权利要求1所述的一种基于脑图的低遗忘热点事件预测方法，其特征在于，利用相似性计算对需要重放的事件进行经验重放，包括：对于每一组BNN1、BNN2…BNNn，计算BNN1、BNN2…BNNn分别与原始BNN的相似度并排序，选取相似度满足设定阈值的若干BNNi，将若干BNNi对应的事件存入预设的重放池并加至对应事件流的末尾；

在若干BNNi对应的事件存入重放池时，将若干BNNi对应的相似度与已存入重放池的事件对应的相似度进行排序并选取较高相似度的事件存入，更新重放池并维持重放池内存入事件的数目不变；

其中，BNN1、BNN2…BNNn分别与原始BNN的相似度的计算公式为：；

；

式中， 为BNNk与原始BNN的相似度， 为边i的相似度， 为节点j的相似度， n、m分别为边与节点的总数。

7.一种基于脑图的低遗忘热点事件预测装置，其特征在于，包括：预测模块，用于将待预测的社交网络热点事件流输入构建好的BNN模型，利用构建好的BNN模型预测事件后续发展；

其中，BNN模型的构建包括：

提取推理预测的三个脑区fMRI成像；

将三个脑区fMRI成像转化为脑图网络并融合，得到融合图；

将融合图中节点替换为神经元模型，得到原始BNN；

以一个事件流为一批次地分批次将若干个事件流中事件逐个输入原始BNN，每一批次均对原始BNN进行权重更新后利用相似性计算进行阈值处理，得到若干组BNN1、BNN2…BNNn；

将若干组BNN1、BNN2…BNNn相继融合，并利用相似性计算对需要重放的事件进行经验重放，得到构建好的BNN模型。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6中任一项所述的基于脑图的低遗忘热点事件预测方法的步骤。

9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的基于脑图的低遗忘热点事件预测方法的步骤。