1.基于时空序列聚类算法和LSTM神经网络雷电预测方法，其特征在于：包括如下步骤：

1)对基于雷电预测问题对密度聚类DBSCAN算法的改进过程；

步骤1)中，对所要预测一段时间内的雷电数据进行时间片划分，选取所要预测的一段时间上的雷电数据；其中数据包括雷电发生的经度，纬度，雷电强度，雷电坡度，发生雷电的时刻；把数据分成时间片；假设在划分的时间片与时间片之间，雷电中心的移动是跳跃式的；

首先，计算一个时间片上的所有雷电活动地理位置之间的欧氏距离，得到距离集合D(i)＝(d1，d2，...，dh，...) 其中i表示这一个时间片上共有雷电活动的数量，dh表示这一时间片上某两个雷电活动之间的距离，h表示在集合D(i)中这一时间片上某两个雷电活动之间的距离的统计；

其次，统计距离集合D(i)中在区间V1[0，0.1)，V2[0.1，0.2)，V3[0.2，0.3)，V4[0.3，0.4)，V5[0.4，

0.5)的距离个数用m1，m2，m3，m4，m5进行表示，并构建统计矩阵

取区间V1，V2，V3，V4，V5中值为p1，p2，p3，p4，p5，利用公式计算

通过获得的Eps邻域值和定义的Minpts＝2并通过检查雷电数据集中每个点的Eps邻域来搜索簇；如果点O的Eps邻域包含的最少点超过MinPts个，则创建一个以点O为核心对象的簇；当没有新的点添加到任何簇时，就确定了雷电聚集的簇；如果q不属于任何一个雷电聚集的簇，就称q为噪声点；

然后，所述的步骤1)中确定的雷电聚集簇上的雷电活动(o1,o2,...,on)的地理位置o1(w1,v1),o2(w2,v2),......，,on(wn,vn)并通过公式采用平均值法，求得雷电中心 其中on代表聚类簇上某一个雷电中心活动，wn和vn表示聚类簇上某一个雷电中心活动的纬度和经度， 和 代表聚类簇上所有雷电中心纬度和经度的平均值；

2)利用LSTM神经网络对短时雷电进行预测过程；

步骤2)中，一个雷电中心变化数据的处理，雷电中心变化数据包括时间片的起止时间T，雷电中心的经度L，雷电中心的纬度W，雷电中心的强度ST，雷电中心的坡度SL，统计时间片上的雷击次数Num。

2.根据权利要求1所述的基于时空序列聚类算法和LSTM神经网络雷电预测方法，其特征在于：所述的步骤2)中，将一个雷电中心不同时间片上的数据T，L，ST，SL，Num，输入到经度LSTM神经网络中，得到这个雷电活动在下一个时间序列中的经度值；将一个雷电活动的所有的雷电中心数据T，W，ST，SL，Num，输入到纬度LSTM神经网络中，得到这个雷电活动在下一个时间序列中的纬度值。