1.一种基于CBAIM差分循环神经网络的短临预报方法，其特征在于包括如下步骤：步骤1，选用气象雷达数据集，输入雷达回波图像序列；

步骤2，对所输入图像进行去噪和归一化处理；

步骤3，通过STLSTM单元对图像序列的时间信息和空间信息建模；

步骤4，通过循环特征提取架构MIM和三层差分注意力单元MICA获取差分信息；

步骤5，通过CBAM模块进行通道域和空间域的关注；

步骤6，对数据降维输出单时间步结果；

步骤7，输出预测结果；

所述步骤3中，在STLSTM单元内部采用卷积算子对雷达回波图像进行特征提取，STLSTM单元内部由两条相似的数据流组成，数据流由三个门控机制组成，分别是遗忘门、输入门和输出门，两条数据流的其中一条生成长期记忆信息C，另一条生成空间记忆M，结果H由C和M的特征提取生成，H、C和M三种特征图的维度为 ；

所述步骤4中，MICA单元内部具有差分结构，通过MIM架构获取差分信息，采用卷积算子作为基本运算，对H、C和M三种特征图作进一步特征提取；

所述步骤5中，使用CBAM进行通道域和空间域不同权重的关注；CBAM模块由通道注意力机制结构和空间注意力机制结构组成。

2.如权利要求1所述的方法，其特征在于：所述步骤1中，选用的气象雷达数据集是雷达回波数据的时间序列，以灰度图片的形式储存，时间分辨率为6分钟，单张图片的维度是，以一个小时的10张雷达回波图像序列作为输入。

3.如权利要求1所述的方法，其特征在于：所述步骤2中，采用低值伪影的操作进行去噪，归一化的公式为  ，其中： 表示一个二维图像中第i行第j列的一个像素值，即雷达回波值； （x）表示图像所有像素点值的最小值； 表示图像所有像素点值的最大值； 表示归一化处理后的二维图像中的第i行第j列的第一个像素值。

4.如权利要求1所述的方法，其特征在于：所述步骤6中，使用卷积核大小为 的卷积层，将卷积过滤器的数量设为1，输出维度为 的预测结果作为预测得到的时刻的雷达回波图像。

5.如权利要求1所述的方法，其特征在于：所述步骤7中，循环步骤3‑步骤6，循环19个时间步，最后得到的后10个时间步的结果就是CBAIM网络模型预测未来一小时的雷达图像。

6.如权利要求1所述的方法，其特征在于：将预测结果与真实值通过MSE损失函数求出损失值，损失值对模型进行反向传播更新模型中的参数，重复对多批数据求损失值，更新模型参数。

7.如权利要求6所述的方法，其特征在于：所述MSE损失函数表示为，其中 表示宽为w高为h的真实雷达回波图像中第i行

第j列的像素值； 表示模型预测结果第i行第j列的像素值；K表示一共有K帧图像。