1.一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述方法包括下述步骤：

(1)生成灰度图像：对测量后的零件表面形貌三维高密度点云数据进行处理，生成灰度图像；

(2)获得子图集：将步骤(1)中生成的灰度图像切分成子图集；

(3)空间自相关性分析：删除每张子图中的空值后，分别计算其莫兰指数，找出莫兰指数值最大的子图，将其大小M×N作为空间自相关程度最高的采样区域大小；

(4)灰度图像滑窗切分：以M×N为滑窗大小，设置滑动步长为固定值，将步骤(1)中生成的灰度图像切分成一系列M×N像素大小的子图；

(5)时间自相关性分析：a.先对获得的所有M×N像素大小的子图进行去空值操作，按照零件加工顺序构成时间序列，并通过单位根检验判断序列的平稳性；b.对非平稳序列进行差分操作并再次通过单位根检验，直到序列的检验结果为平稳序列；c.最后，计算序列的时间自相关函数，得到最优时间延迟阶数P；

(6)构建时空全卷积循环神经网络：通过全卷积网络的跳级结构、卷积长短期记忆网络和批量标准化算法，搭建时空全卷积循环神经网络模型。

2.根据权利要求1所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述步骤(1)的具体过程为：对测量后的零件表面形貌三维高密度点云数据中反映零件表面形貌的高度值映射为像素的灰度值，形成能够反映表面形貌高度值的灰度图像。

3.根据权利要求1所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述步骤(2)的分切方式为：以D像素为采样间隔、(X，Y)为采样初始位置、W×H为初始采样图像尺寸、n为采样个数进行等间距采样，为W×H，[W+2*D]×[H+2*D]，……，[W+(n-1)*D]×[H+(n-1)*D]像素大小的一系列子图。

4.根据权利要求1或3所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述采样间隔D像素选取整数且非素数，以适应时空全卷积循环神经网络的搭建。

5.根据权利要求1所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述步骤(4)中，图像切分采用滑动窗口分切的方法。

6.根据权利要求1所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述步骤(2)和步骤(4)通过OpenCV完成。

7.根据权利要求1所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述步骤(5)中，序列平稳性判定采用单位根检验的方法，序列平稳化采用差分的方法，最优时间延迟阶数P采用计算时间自相关函数获得。

8.根据权利要求1所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述步骤(6)的具体过程为：根据步骤(5)的时间延迟阶数P，得到基于时空全卷积循环神经网络模型的输入维度为(None,P,M,N,1)，输出维度为(None,M,N,1)，即利用前P个表面形貌预测出第P+1个表面形貌，其中None表示批量值，将步骤(5)得到的一系列子图划分为训练集、验证集和测试集，然后以批量的形式输入网络进行模型训练和测试，实现加工表面的预测。

9.根据权利要求1或8所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述子图以批量形式输入网络，图像送入网络前将背景值置0，以降低图像背景值对预测主体的影响，基于时空全卷积循环神经网络搭建通过TensorFlow 2.0完成。

10.根据权利要求1所述的一种基于时空全卷积循环神经网络的零件加工表面预测方法，其特征是，所述基于时空全卷积循环神经网络构建过程中的程序编译环境均为Jupyter Notebook，编程语言为Python3.7。