1.一种基于卷积网络和注意力机制的短时临近降雨预测方法，其特征在于，所述方法包括：

获取被预测区域在当前时间点前预设时段内的降雨过程图像；

将所述降雨过程图像进行预处理，获得完全时空特性的张量，所述预处理是将降雨过T×W×H程图像转换为完全时空特性的张量，即三维张量X∈R ，R表示数据特征的域值，其中T是时间维度信息，W、H分别是行列空间维度信息；

完全时空特性的张量输入多尺度特征融合的神经网络中进行特征提取，获得局部短期运动特征；

将所述局部短期运动特征输入到结合了注意力机制的卷积长短期记忆人工神经网络中进行降雨预测，获得降雨预测信息；

将所述预测结果信息输入到卷积层进行反向重构，获得所述被预测区域的未来降雨图像序列；

所述将所述局部短期运动特征输入到结合了注意力机制的卷积长短期记忆人工神经网络中进行降雨预测，获得降雨预测信息的步骤，包括：将所述局部短期运动特征输入结合了注意力机制的第一卷积长短期记忆人工神经网络中，学习全局长期的时空特征依赖关系，获得时间运动特征，并将所述时间运动特征压缩成隐状态张量输出；

将所述隐状态张量输入到结合了注意力机制的第二卷积长短期记忆人工神经网络中进行预测，获得预测结果信息；

所述第一卷积长短期记忆人工神经网络由3个卷积长短期记忆人工神经网络单元组成；第二卷积长短期记忆人工神经网络由3个卷积长短期记忆人工神经网络单元组成；

所述卷积长短期记忆人工神经网络单元包含了来自卷积神经网络时间和空间的输出，结构中计算过程如下：其中，t是指当前时刻，Xt表示当前时刻的输入，Ht‑1表示t‑1时刻的输出，Ht表示t时刻的输出，ft,it,ot分别代表ConvLTSM中遗忘门、输入门和输出门，Wxi代表输入门中与输入x相乘的卷积核参数，Whi代表了输入门中与隐藏状态h相乘的卷积核参数，Wci代表的是输入门中与状态更新单元c相乘的卷积核参数，Wxf代表遗忘门中与输入x相乘的卷积核参数，Whf代表了遗忘门中与隐藏状态h相乘的卷积核参数，Wcf代表的是遗忘门中与状态更新单元c相乘的卷积核参数，Wxo代表输出门中与输入x相乘的卷积核参数，Who代表了输出门中与隐藏状态h相乘的卷积核参数，Wco代表的是输出门中与状态更新单元c相乘的卷积核参数，Wxc代表的是状态更新单元c中与输入x相乘的卷积核参数，Whc代表的是状态更新单元c中与隐藏状态h相乘的卷积核参数，bi代表的是输入门的偏置项参数，bf代表的是遗忘门的偏置项参数，bo代表的是输出门的偏置项参数，bc代表的是状态更新单元的偏置项参数，σ表示非线性激活函数，Ct为t时刻的状态更新单元，Ct‑1为t‑1时刻的状态更新单元，为Hadamard乘积。

2.根据权利要求1所述的方法，其特征在于，所述第一卷积长短期记忆人工神经网络和所述第二卷积长短期记忆人工神经网络的激活函数为ReLU非线性激活函数。

3.根据权利要求1所述的方法，其特征在于，在所述各所述卷积长短期记忆人工神经网络单元之前，还引入了Batch Normalization方法；

通过Batch Normalization方法对输入到各所述卷积长短期记忆人工神经网络单元的数据进行批标准化后，输入到各所述卷积长短期记忆人工神经网络单元。