1.一种基于时序预测神经网络的天气雷达回波外推方法，其特征在于，包括以下步骤：S1，用OpenCV读取连续时间序列的天气雷达回波数据集，数据集中包含n个天气雷达回波样本；其中，n个天气雷达回波样本中包括训练集、验证集、测试集；每个天气雷达回波样本由20帧时间连续的天气雷达回波图像组成，其中，前10帧天气雷达回波图像记为x，作为模型的输入；后10帧天气雷达回波图像记为y，每帧图像以灰度图PNG格式存储；

S2，采用自适应性的归一化方法对天气雷达回波数据集进行预处理；

S3，在ST‑LSTM单元中嵌入时空自注意力模块，得到基于时空自注意力和时序预测神经网络的时空序列预测模型；

S4，将预处理后的天气雷达回波数据集中的训练集用于训练模型；

S5，将训练好的模型对测试集进行预测，利用验证集进行验证，通过验证后，得到雷达回波外推模型。

2.根据权利要求1所述基于时序预测神经网络的天气雷达回波外推方法，其特征在于，步骤S2中，对天气雷达回波数据集进行预处理的具体实现过程如下：S21，求得天气雷达回波样本X中的x的最大雷达反射率值；

S22，根据最大反射率值进行归一化处理，具体公式如下：

其中，ProNormalization(X)表示对天气雷达回波样本X进行归一化操作，max(x)表示对x取最大值，gain表示增益。

3.根据权利要求1所述基于时序预测神经网络的天气雷达回波外推方法，其特征在于，步骤S3中，构建时空序列预测模型的具体实现过程如下：S31，通过联立两个Self‑Attention基础结构，搭建时空自注意力模块，提取第l层第t时间步的时间特征信息 和第l层第t时间步的空间特征信息S32，将时空自注意力模块ST‑SAM嵌入时序预测神经网络单元ST‑LSTM，得到ST‑SARNN Block，完成ST‑SARNN Block内部计算；

S33，通过堆叠ST‑SARNN Block，得到“编码‑预测”型时序预测模型；

S34，利用“编码‑预测”型时序预测模型中的Encoding Network对x进行多层的ST‑SARNN Block计算；利用Forecasting Network对y进行逐时间步的预测。

4.根据权利要求3所述基于时序预测神经网络的天气雷达回波外推方法，其特征在于，所述步骤S31的具体实现过程如下：S311，对时空自注意力模块ST‑SAM第l隐藏层的时间步的高阶特征信息 进行时间特征部分的卷积计算，分别得到 三个时间维度的隐藏状态权重矩阵，具体公式如下：其中，convolution()表示卷积计算； 表示时间维度的“查询”向量， 表示时间维度的“被查”向量， 表示时间维度的“内容”向量；

S312，计算第l层第t时间步的时间特征信息 具体公式如下：

其中，softmax()表示激活函数；T表示矩阵转置；z为自变量；

S313，计算第l层第t时间步的空间特征信息 具体公式如下：

其中， 表示空间维度的“查询”向量， 表示空间维度的“被查”向量， 表示空间维度的“内容”向量；

S314，将 作为第l层第t时间步的时间特征信息流输出，作为输入传递给第l层第t+1时间步；将 作为第l层第t时间步的空间特征信息流输出，作为输入传递给第l+1层第t时间步。

5.根据权利要求3所述基于时序预测神经网络的天气雷达回波外推方法，其特征在于，所述步骤S32的ST‑SARNN Block内部计算的具体过程如下：S321，初步提取时间特征信息 得到第l层第t时间步的初始时间特征记忆隐藏状态矩阵 具体计算公式如下：其中, 表示对第l‑1层第t时间步的时间特征信息 进行卷积操作；σ()为sigmoid函数，与tanh()函数同均为激活函数；*表示卷积操作；Wxg、Wxf、Wxi分别表示初步提取时间特征时单元状态更新值、遗忘门和输入门中针对 进行卷积计算时可训练的卷积核参数；Whg、Whf、Whi分别表示初步提取时间特征时单元状态更新值、遗忘门和输入门中针对进行卷积计算时可训练的卷积核参数；bg、bf、bi分别表示初步提取时间特征时单元状态更新值、遗忘门和输入门中卷积运算时的偏置项；gt表示初步提取时间特征时的单元状态更新值；it表示初步提取时间特征时的输入门；ft表示初步提取时间特征时的遗忘门；

是第l层第t‑1时间步的时间特征信息； 是第l层第t‑1时间步的初始时间特征记忆隐藏状态矩阵；

S322，初步提取空间特征信息 得到第l层第t时间步的初始空间特征记忆隐藏状态矩阵 具体计算公式如下：其中,W’xg、W’xf、W’xi分别表示初步提取空间特征时单元状态更新值、遗忘门和输入门中针对 进行卷积计算时可训练的卷积核参数；Wmg、Wmf、Wmi分别表示初步提取空间特征时单元状态更新值、遗忘门和输入门中针对 进行卷积计算时可训练的卷积核参数；b’g、b’f、b’i分别表示初步提取空间特征时单元状态更新值、遗忘门和输入门中卷积运算时的偏置项； 是第l‑1层第t时间步的空间特征信息；g’t表示初步提取空间特征时的单元状态更新值；i’t表示初步提取空间特征时的输入门；f’t表示初步提取空间特征时的遗忘门；是第l层第t时间步的初始空间特征记忆隐藏状态矩阵；

S323，进一步提取时间特征信息和空间特征信息，具体公式如下：

其中,Wxo、Who、Wco和Wmo分别表示用于对 和 进行卷积计算时卷积核内部可被训练的参数；bo表示在进行卷积运算求得输出门ot时的偏置项； 表示将 和 在通道维度进行拼接，再进行一次1×1卷积，W1×1为1×1卷积核内的训练参数；表示计算得到的时空信息初步融合数据；ST‑SAM()表示时空自注意力模块； 表示第l层第t时间步进一步提取后的时间特征信息； 表示第l层第t时间步进一步提取后的空间特征信息。

6.根据权利要求1所述基于时序预测神经网络的天气雷达回波外推方法，其特征在于，所述步骤S4的具体实现过程如下：S41，将训练集中的每个样本的x输入到ST‑SARNN模型中，得到预测的y的雷达回波图像y′i；

S42，计算损失函数loss，公式如下：

其中m为同一批训练的样本数，yi为第i个雷达回波真值。