互联网新闻数据具有时效性强、自由性高、流动性强的特点,它可以及时的反映出社会对某个事件发展情况的态度,因此研究面向新闻领域的事件预测具有重要的意义和价值。以往的研究主要基于时间的事件序列进行事件预测,忽略了词语间的结构关系对事件预测的影响。这使得事件预测存在特征提取不足和预测准确度较低的问题。本文为了更好的提取事件特征以及提高事件预测的准确率,首先设计了基于动态图注意力网络的事件预测算法,同时编码时间信息和事件内部词语间的关系,充分提取事件的特征;然后设计了基于特征融合图神经网络的事件预测算法,在第一步的基础上融入事件序列的先验知识,使事件预测的方向不出现偏差或错误;最后设计并实现了一个事件预测系统。本文的主要研究工作如下:（1）提出了基于动态图注意力网络的新闻事件预测模型（DGAT）。首先将新闻事件构建为新闻事件图,然后利用图注意力网络对新闻事件图进行编码,并结合时间特征编码模块同时编码当前事件序列的事件信息和词语间的结构信息,得到当前事件序列的特征向量。最后将该向量输入解码器中,得到最后的预测结果。本文使用中国新浪新闻专题数据集来验证提出的模型。实验结果证明所提模型能有效利用当前事件序列的信息,相较于以往的算法,错误率在两个数据集上分别降低了1.8%和1.26%。（2）提出了基于特征融合动态图神经网络的新闻事件预测模型（FFDGAT）。新闻事件序列包含的信息较少,仅提取当前事件序列的信息,DGAT模型可能会忘记过去的事件。针对DGAT模型存在的问题,在DGAT模型的基础上,设计了FFDGAT模型。该模型添加当前事件序列的语义背景作为先验知识,通过门控图神经网络对先验知识进行编码,并将得到的特征向量与DGAT模型得到的特征向量融合,实现新闻事件预测。实验结果证明先验知识可以为事件预测提供更多的指导信息,相较于DGAT模型,错误率在两个数据集上分别降低了2.21%和1.58%。（3）设计并实现了基于图神经网络的新闻事件预测系统。以上两点都是从算法层面对事件预测效果进行提升,为了方便用户使用本文提出的新闻事件预测模型,根据上述研究内容,本文构建了一个新闻事件预测系统,可以对用户输入的新闻事件数据进行处理,并进行新闻事件预测。系统主要包括用户信息管理,新闻事件预测,可视化交互等功能。