1.一种雷达回波外推方法，其特征在于，包括：

对获取到的二维雷达回波数据进行处理，生成三维雷达回波数据，所述三维雷达回波数据包含宽度、高度和时间三个维度；

利用基于3D卷积构建而成的特征提取器，提取所述三维雷达回波数据中的时空特征信息，获得包含了整体空间信息和短时动态信息的三维特征图；

将所述三维特征图输入至循环神经网络模块，获得不同时刻输出的高层抽象特征信息；将所述不同时刻输出的高层抽象特征信息输入至基于时间通道的通道注意力模块，得到在时间通道上加权的特征信息；

基于在时间通道上加权的特征信息，进行反向重构，还原特征信息中包含的时空信息，得到最终的雷达回波外推结果；

所述特征提取器包括顺次设置的多层2D卷积网络，以及一层3D卷积网络；

所述三维特征图的获取方法包括：

使用所述多层2D卷积网络对所述三维雷达回波数据的每一个时间通道进行卷积运算得到初始三维特征图；

使用所述一层3D卷积网络对所述初始三维特征图进行时空特征信息的提取，得到包含了整体空间信息和短时动态信息的三维特征图；

所述循环神经网络通过以下方法构建：

获取标准ST‑LSTM循环单元；

将所述取标准ST‑LSTM循环单元中的普通卷积替换为3D卷积；

所述循环神经网络的表达式包括：

其中，tanh为tanh函数，σ是sigmoid函数；*是3D卷积操作；⊙是Hadamard乘积；

+表示矩阵加法，Xt是t时间步特征提取器输出的三维特征图； 为输入信息，是来自t‑1时间步l层的隐藏状态； 为输入信息，是来自t‑1时间步的记忆状态；

为输入信息，是t时间步来自l‑1层的空间记忆状态；gt和gt′分别为t时间步的时间记忆单元和空间记忆单元对各输入信息进行3D卷积运算后得到的融合的输入信息；it和it′分别为t时间步的时间记忆单元和空间记忆单元对各输入信息进行3D卷积运算后得到的输入门，输入门用来控制当前时刻信息有多少被写入记忆单元；ft和ft′分别为t时间步的时间记忆单元和空间记忆单元对各输入信息进行3D卷积运算后得到的遗忘门，遗忘门用来控制保留多少上一时刻的信息； 和 分别是t时间步l层的时间记忆状态和空间记忆状态；ot为输出门，负责更新t时间步的隐层状态 Wij表示在门控单元j中对输入信息i进行卷积操作的卷积核中可学习的权重参数，下标x、h、c、m分别用来标识输入信息X、隐藏状态信息H、时间记忆状态信息C、空间状态记忆信息M；下标g、i、f、o分别用来标识输入调制门、输入门、遗忘门和输出门，W1×1表示1×1卷积核对应的可学习参数；bj是门控单元j中的偏置项。

2.根据权利要求1所述的一种雷达回波外推方法，其特征在于，所述三维雷达回波数据的生成方法包括：使用长度为M，步长为S的滑动窗口对获取到的二维雷达回波数据进行预处理；

将每次滑动窗口内的连续M帧图像在时间维度上依次进行拼接，作为各时刻的输入数据，得到三维雷达回波数据。

3.根据权利要求1所述的一种雷达回波外推方法，其特征在于：所述时间通道的通道注意力模块的表达式为：ω＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))其中，σ为sigmoid函数，MLP为多层感知器， 为矩阵对应元素的乘积，AvgPool(F)为对F进行空间全局平均池化，MaxPool(F)为对F进行空间全局最大池化；F为将循环神经网络输出的不同时刻高层抽象特征信息在时间通道上进行堆叠得到的三维特征信息，三个维度分别为特征信息的宽度、特征信息的高度、特征信息的通道数，ω为权重矩阵，ω的每个通道代表一个特殊的检测器，用来判断哪些时刻的信息对雷达回波外推结果具有重要的影响并为其赋以更高的权重；F′为将权重矩阵ω与三维特征信息F相乘得到在时间通道上加权的特征信息。

4.根据权利要求1所述的一种雷达回波外推方法，其特征在于：所述最终的雷达回波外推结果的获取方法包括：将在时间通道上加权的特征信息，输入至反向重构模块，所述反向重构模块为单层3D卷积网络，其卷积核的通道数为加权的特征信息的通道数，卷积核的个数为外推的时间步数；

所述反向重构模块基于接收到的数据进行卷积运算，还原加权的特征信息中包含的时空信息，得到最终的雷达回波外推结果。

5.一种雷达回波外推装置，其特征在于，包括：顺次设置的数据处理模块、特征提取器、循环神经网络模块、通道注意力模块和反向重构模块；

利用所述数据处理模块对获取到的二维雷达回波数据进行处理，生成三维雷达回波数据，所述三维雷达回波数据包含宽度、高度和时间三个维度；

利用基于3D卷积构建而成的特征提取器，提取所述三维雷达回波数据中的时空特征信息，获得包含了整体空间信息和短时动态信息的三维特征图；

将所述三维特征图输入至循环神经网络模块，获得不同时刻输出的高层抽象特征信息；将所述不同时刻输出的高层抽象特征信息输入至基于时间通道的通道注意力模块，得到在时间通道上加权的特征信息；

将在时间通道上加权的特征信息输入至反向重构模块，进行反向重构，还原特征信息中包含的时空信息，得到最终的雷达回波外推结果；

所述特征提取器包括顺次设置的多层2D卷积网络，以及一层3D卷积网络；

所述三维特征图的获取方法包括：

使用所述多层2D卷积网络对所述三维雷达回波数据的每一个时间通道进行卷积运算得到初始三维特征图；

使用所述一层3D卷积网络对所述初始三维特征图进行时空特征信息的提取，得到包含了整体空间信息和短时动态信息的三维特征图；

所述循环神经网络通过以下方法构建：

获取标准ST‑LSTM循环单元；

将所述取标准ST‑LSTM循环单元中的普通卷积替换为3D卷积；

所述循环神经网络的表达式包括：

其中，tanh为tanh函数，σ是sigmoid函数；*是3D卷积操作；⊙是Hadamard乘积；

+表示矩阵加法，Xt是t时间步特征提取器输出的三维特征图； 为输入信息，是来自t‑1时间步l层的隐藏状态； 为输入信息，是来自t‑1时间步的记忆状态；

为输入信息，是t时间步来自l‑1层的空间记忆状态；gt和gt′分别为t时间步的时间记忆单元和空间记忆单元对各输入信息进行3D卷积运算后得到的融合的输入信息；it和it′分别为t时间步的时间记忆单元和空间记忆单元对各输入信息进行3D卷积运算后得到的输入门，输入门用来控制当前时刻信息有多少被写入记忆单元；ft和ft′分别为t时间步的时间记忆单元和空间记忆单元对各输入信息进行3D卷积运算后得到的遗忘门，遗忘门用来控制保留多少上一时刻的信息； 和 分别是t时间步l层的时间记忆状态和空间记忆状态；ot为输出门，负责更新t时间步的隐层状态 Wij表示在门控单元j中对输入信息i进行卷积操作的卷积核中可学习的权重参数，下标x、h、c、m分别用来标识输入信息X、隐藏状态信息H、时间记忆状态信息C、空间状态记忆信息M；下标g、i、f、o分别用来标识输入调制门、输入门、遗忘门和输出门，W1×1表示1×1卷积核对应的可学习参数；bj是门控单元j中的偏置项。

6.一种雷达回波外推系统，其特征在于，包括存储介质和处理器；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1‑4中任一项所述方法的步骤。