1.一种台风云图预测方法，其特征在于，包括：将台风云图序列样本输入至预训练的FSTA‑ LSTM神经网络模型中，得到预测的台风云图序列，确定台风云图预测结果；其中，所述FSTA‑ LSTM神经网络模型的训练过程包括：搭建神经网络模型；其中，所述神经网络模型包括依次连接的特征增强模块、Encoder编码器、STA‑LSTM模块、Decoder解码器和多尺度特征融模块，且所述Encoder编码器和Decoder解码器采用跳跃连接；

将预处理后的台风云图序列样本数据输入至神经网络模型中，台风云图序列样本经神经网络模型的多层网络架构的前向传播后，再反向传播更新神经网络模型的网络权重，获得FSTA‑ LSTM神经网络模型。

2.根据权利要求1所述的台风云图预测方法，其特征在于，所述台风云图序列样本经神经网络模型的多层网络架构的前向传播包括：特征增强模块提取台风云图序列样本 的初步特征 ；所述特征增强模块包括一层卷积层和压缩激励SE模块；

Encoder编码器根据初步特征 提取台风云图序列样本 的深度特征 ；所述Encoder编码器包括四层卷积层和四层LeakyReLu激活函数；

STA‑LSTM模块提取深度特征 的时空信息，输出隐藏状态 ；STA‑LSTM模块包括堆叠在Encoder编码器之后的四层STA‑LSTM网络单元；

Decoder解码器对输入进行解码操作，所述输入为相同尺度Encoder编码器的输出与前一层Decoder解码器的输出或输出隐藏状态 相加；其中，所述Decoder解码器包括四层反卷积层和四层LeakyReLu激活函数；

多尺度特征融模块将每一层解码器的输出上采样为同一尺度后将结果求和，并进行卷积操作，获得预测的台风云图序列 ，所述多尺度特征融模块包括一层反卷积层和一层LeakyReLu激活函数。

3.根据权利要求2所述的台风云图预测方法，其特征在于，所述压缩激励SE模块的计算公式为：；

其中，为输入的台风云图序列样本， 为通道权重相乘， 为初步特征， sigmoid、ReLU均为激活函数，linear为线性操作，Pool为池化操作。

4.根据权利要求2所述的台风云图预测方法，其特征在于，所述STA‑LSTM网络单元用于将前一时刻同一层网络输出的记忆单元 、隐藏状态 、当前时刻深度特征 和同一时刻前一层的时空记忆单元 输入到当前时刻第l层的STA‑LSTM网络单元中，经前向传播后得到当前时刻的时间记忆单元 、时空记忆单元 和隐藏状态 ，再通过CBAM卷积注意力机制优化当前时刻的时空记忆单元 和隐藏状态 ；其中t=1,2…,10，l=1,2,3,4；

， 、 、 参数通过初始化设定；

所述STA‑LSTM网络单元的设计公式为：；

；

；

；

；

；

；

；

；

；

其中，*表示卷积运算，⊙ 表示Hadamard积，tanh表示双曲正切激活函数，表示激活函数 ，CBAM表示卷积注意力机制，和 表示当前时刻的输入调制门， 和 表示当前时刻的遗忘门、和 表示当前时刻的输入门， 表示当前时刻的输出门， 表示偏差，为权重。

5.根据权利要求4所述的台风云图预测方法，其特征在于，所述卷积注意力机制的计算公式为：；

；

其中，Channel_ATT为通道注意力模块，Spatial_ATT为空间注意力模块，Input为输入，CA为通道注意力模块的输出，Out为最终的输出。

6.根据权利要求5所述的台风云图预测方法，其特征在于，所述通道注意力模块的计算公式为：；

其中，MaxPool和AvgPool分别为最大池化操作和平均池化操作， 、 分别代表两个 1×1 卷积的权重。

7.根据权利要求5所述的台风云图预测方法，其特征在于，所述空间注意力模块的计算公式为：；

其中，MaxPool和AvgPool分别为最大池化操作和平均池化操作， 代表1×1 卷积的权重。

8.根据权利要求1所述的台风云图预测方法，其特征在于，所述台风云图序列样本的预处理过程包括：获取历史台风云图序列样本；

将所述历史台风云图序列样本进行格式转换、对比度提升、尺寸改变，并进行归一化处理；其中归一化的公式为：；

将归一化处理后的数据划分成为训练集和测试集。

9.一种台风云图预测系统，其特征在于，包括处理器及存储介质；

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至8任一项所述方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。