1.一种基于深度时空融合网络的雷达回波外推模型的实现方法，其特征在于，包括步骤如下：S1，对雷达图像数据进行处理，得到雷达序列数据；

S2，通过整合时间差分网络TDN和时空轨迹网络STN构建时空融合神经网络模型，采用时间差分网络中的差分运算来提取相邻两张雷达图像的差分特征，并将差分特征向高层传递、逐层抽象，提取不确定的时空变化过程中确定性的部分；同时利用空间轨迹网络来学习瞬态变化部分；具体实现步骤如下：S21，通过交叉融合时间差分网络TDN和时空轨迹网络STN构建时空融合神经网络模型；

S22，通过构建时间差分网络TDN，学习图像序列的长期运动趋势；

S23，通过构建时间差分网络的循环单元，学习图像序列的长期趋势信息；

S24，通过构建时空轨迹网络STN，学习图像序列的短期瞬态变化；

S25，通过构建时空轨迹网络的循环单元，记忆图像序列的短期轨迹信息；

步骤S21中，所述时空融合神经网络模型的结构为：底层采用ST‑LSTM循环单元，其他层为通过堆叠时间差分TDiff‑LSTM和时空轨迹STraj‑LSTM形成的STUNNER‑block；ST‑LSTM循环单元的输入为原始的雷达图像，通过提取抽象特征并将时空序列编码到网络中，表达式如下：其中， 为输入的雷达图像， 为隐状态，为时序状态， 为时空记忆状态；上标l表示层数，总层数用L表示；下标t表示时间步；

STUNNER‑block用于提取和整合运动趋势和轨迹变化，表达式如下：其中， 为差分隐状态， 为差分时序状态；

S3，采用雷达序列数据，对时空融合神经网络模型进行训练，直到满足条件后，停止训练，保存模型；

S4，利用步骤S3得到的最终模型，预测云图的未来运动趋势。

2.根据权利要求1所述的基于深度时空融合网络的雷达回波外推模型的实现方法，其特征在于，步骤S22中，时间差分网络TDN的底层为ST‑LSTM循环单元，其他层循环单元为时间差分TDiff‑LSTM；

时间差分网络TDN第2层的堆叠时间差分TDiff‑LSTM取底层ST‑LSTM循环单元提取的时空特征的差分 作为输入。

3.根据权利要求1所述的基于深度时空融合网络的雷达回波外推模型的实现方法，其特征在于，步骤S23中，时间差分TDiff‑LSTM逐层抽象差分特征 和 学习雷达图像序列中的平稳性趋势信息，表达式如下：堆叠时间差分TDiff‑LSTM的表达式为：

其中，concat(.,.)函数表示在通道维度上拼接，符号σ为sigmoid函数；符号⊙、*分别代表哈达玛乘积和卷积操作；gt、it、ft和ot分别为更新门、输入门、遗忘门和输出门；W为卷积核大小为5×5的卷积，b为偏置项，W和b的下标的不同组合代表不同的参数；W1×1为卷积核大小为1×1的卷积；

时间差分网络TDN第2层的时间差分TDiff‑LSTM的所有门gt、it、ft和ot通过底层两个连续隐状态的差分 和同层差分隐状态 更新；

最后两层时间差分网络TDN的所有门都由上一层时间差分TDiff‑LSTM的差异状态和同层差分隐状态 更新。

4.根据权利要求1所述的基于深度时空融合网络的雷达回波外推模型的实现方法，其特征在于，步骤S24中，所述时空轨迹网络STN共四层，底层与时间差分网络TDN共享同一个ST‑LSTM循环单元。

5.根据权利要求1所述的基于深度时空融合网络的雷达回波外推模型的实现方法，其特征在于，步骤S25中，时空轨迹STraj‑LSTM为时空轨迹网络STN的循环单元，堆叠的时空轨迹STraj‑LSTM利用局部连接变化的卷积来捕捉瞬态变化，并与时间差分TDiff‑LSTM提取的趋势信息 融合；

时空轨迹STraj‑LSTM以同一个STUNNER‑block中时间差分TDiff‑LSTM的差分隐状态前一层的隐藏状态 时空记忆状态 以及同层的隐状态 时序状态作为输入，表达式如下：

6.根据权利要求1所述的基于深度时空融合网络的雷达回波外推模型的实现方法，其特征在于，步骤S25中，用“warp”操作将ST‑LSTM循环单元中的局部不变卷积优化为位置变化的连接结构，时空轨迹STraj‑LSTM的表达式如下：其中，[.,.]表示在通道维度上拼接；*和⊙分别代表卷积和Hadamard操作；W为卷积核′ ′ ′大小为5×5的卷积，b为偏置项，W和b的下标的不同组合代表不同的参数；g t、i t、f t、ot为时空记忆状态 的选择门、输入门、遗忘门和输出门；W1×1为卷积核大小为1×1的卷积。