1.一种基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，包括如下步骤：步骤1、为雷达回波外推任务构建边缘‑云协作分层架构，包括：云层、边缘层、传感器层，通过传感器层采集原始雷达数据提取雷达回波序列，通过边缘层进行数据本地处理及传输，通过联邦学习架构利用云层云服务中心的计算能力；

步骤2、在边缘层构建循环生成对抗网络，采用循环生成架构在每个边缘服务器上部署循环生成模型，对经传感器层处理后的雷达回波序列数据的建立基于联邦学习的分布式学习模型，对后续雷达回波序列进行预测；

步骤3、构建双交叉注意力长短期记忆单元，采用堆叠架构，形成基于长短期记忆网络的循环单元，进行雷达回波外推，通过挖掘不同时间点雷达回波数据之间的潜在联系，提升边缘‑云协作分层架构在生成雷达回波预测方面的性能。

2.根据权利要求1所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，所述边缘‑云协作分层架构中，云层、边缘层、传感器层通过互联网相互连接；

所述传感器层包含多个雷达网络，每个雷达网络由多个本地雷达组成，实时采集原始雷达数据，提取雷达回波序列，传输至最近的边缘服务器；所述雷达回波序列由连续时间间隔内捕获的多个雷达回波图组成，用于描绘特定区域一段时间内的天气状况；

所述边缘层包含多个边缘服务器，接收雷达回波序列数据，作为本地客户端通过循环生成对抗网络对本地数据进行计算和传输，更新本地参数并传输至云层的云服务中心；

所述云服务中心包含存储设备、网络设备、同构或异构计算设备；云服务中心接收边缘层本地参数后，通过全局模型执行全局聚合，使用全局参数刷新全局模型，并将全局参数分发至各边缘服务器；

所述边缘服务器接收到云服务中心发出的全局参数后，通过边缘侧本地模型进行训练，计算本地损失梯度，更新本地参数。

3.根据权利要求2所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，所述传感器层，在多个气象数据平台同时通过多个本地雷达采集原始雷达数据，本地雷达原始数据上传延迟 ，表示为：；

其中， 是雷达网络 中雷达回波图的数量， 是雷达网络 的带宽，是信噪比，是本地雷达的数量；

不同雷达网络处理延迟 ，表示为：

；

其中， 是雷达网络 的数据传输速度；

传感器层的数据传输能耗 ，表示为：

；

其中， 是设备的传输功率， 是处理雷达数据的功率， 、 分别表示数据上传时间和数据处理时间， 、 分别表示数据上传能量和数据处理能量。

4.根据权利要求2所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，所述分布式学习模型中，部署在边缘服务器 上针对雷达网络 的损失函数，表示为：；

其中， 是分布式模型的参数， 表示边缘服务器 从对应的本地雷达网络 收集的雷达回波序列， 是雷达回波序列的数量， 表示每个雷达回波序列 上的损失函数；

在全局迭代 中，边缘服务器上的分布式模型使用梯度下降法，依据上一次迭代的全局参数 更新局部参数 ，公式如下：；

其中，是学习率，是梯度的符号， 表示在第 轮全局迭代时，边缘服务器 上对应本地雷达网络 的模型基于本地数据计算得到的损失值。

5.根据权利要求4所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，在每个边缘服务器中进行本地模型训练和本地参数更新，包括：梯度计算、本地模型优化和参数更新，方法如下：通过分布式学习模型执行的浮点运算次数，量化边缘服务器上计算资源的使用情况，边缘服务器在一次全局迭代中的计算延迟 ，表示为：；

其中， 表示边缘服务器 中分布式模型的浮点运算次数， 表示每个GPU周期的浮点运算次数， 表示边缘服务器 为雷达网络 分配的计算资源；

边缘服务器向云服务器上传参数时出现的参数上传延迟 ，表示为：；

其中， 表示本地模型参数的大小， 表示来自雷达网络 的训练任务分配的带宽；

基于边缘服务器的计算延迟和参数上传延迟确定总能耗 ，计算公式为：；

其中， 表示边缘服务器的传输功率， 表示边缘服务器的计算功率， 、 分别表示边缘层数据上传的能量消耗和边缘层数据计算的能量消耗。

6.根据权利要求4所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，所述云服务中心接收各边缘服务器上传的本地参数，通过全局模型进行模型聚合：；

其中，是来自传感器层雷达网络的所有雷达数据序列， 是雷达数据序列的数量，表示边缘服务器设备的数量， 表示第 轮全局迭代后生成的全局模型参数。

7.根据权利要求4所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，步骤2中，部署于每个边缘服务器上的循环生成模型包含两组相同的生成器和判别器；

在所述边缘层中，输入的雷达回波序列被分割成两个子序列分别输入至生成器，每个子序列的时间分辨率均为原始雷达回波序列的一半；

所述生成器，基于卷积神经网络构建，包括若干层，生成的潜在序列结果依赖于上一个时间步长和上一层的信息，以及当前的输入特征和隐藏状态；

所述判别器，基于循环生成的长短期记忆网络构建，获取生成器生成的潜在序列结果，与实际序列相结合，得到一个标量，用于描述输入的雷达回波序列来自真实数据或生成器的概率，评估雷达回波序列的真实性；

所述循环生成模型，根据收到的雷达回波序列预测下一个雷达回波图，公式为：；

其中，是输入的雷达回波图的数量，是预测的雷达回波图的数量， 表示实际的雷达回波图， 表示预测 的雷达回 波图， 函数表示 条件概率 分布函数 ，表示将基于过去 个时间步的回波图，预测未来 个时间步回波图的概率分布。

8.根据权利要求7所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，所述分布式学习模型中，每个边缘服务器基于数据集 训练两个生成器，学习生成数据分布 和 ，方法如下：步骤2.1、基于来自概率分布 的随机噪声 ，通过生成器得到虚假雷达回波序列 ；

步骤2.2、建立判别器 和 ，用于区分来自数据分布 和 的虚假图像与来自分布 的真实图像；

步骤2.3、在每个边缘服务器 上，循环生成对抗网络的目标函数表示为价值函数： ；

；

；

其中， 、分别表示判别器集合、生成器集合， 分别表示奇数时间步子序列判别器、生成器， 分别表示偶数时间步子序列判别器、生成器， 、 、 分别表示奇数时间步真实雷达回波序列的分布、偶数时间步真实雷达回波序列的分布、生成器输入的噪声分布；表示期望， 和 分别表示判别器 和 将 判定为真实数据样本的概率， 和 分别表示判别器 和 将 和 生成的数据判定为真的概率。

9.根据权利要求1所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，所述双交叉注意力长短期记忆单元由遗忘门、调制门、输入门和输出门组成，通过记忆状态、隐藏状态和卷积提取高强度雷达回波，方法如下；

步骤3.1、初始的双交叉注意力长短期记忆单元，输入数据为当前时间步 的雷达回波图和同一层先前时间步 的隐藏状态 ，通过第一组调制门 、输入门 和遗忘门 进行更新，得到更新后的长期记忆信息 ，更新过程表示为：；

；

；

；

其中，表示Sigmoid激活函数；、 、 分别表示时间步 的时空记忆输入门、时空记忆调制门输出、时空记忆遗忘门输出； 表示时间步 的雷达回波图，包含高度、宽度空间维度和特征通道， 、 、 分别表示输入数据 到输入门、调制门、遗忘门的空间权重矩阵， 、 、 分别表示上一时间步隐藏状态 到输入门、调制门、遗忘门的时间权重矩阵，、 、 分别输入门的偏置项、调制门的偏置项、表示遗忘门的偏置项； 表示交互式双注意力机制，是先前雷达回波图的数量， 表示过去 个时间步的长时记忆序列， 表示更新后间步 第层的长期记忆信息，表示矩阵乘积，表示卷积过程；

步骤3.2、将时间步 的雷达回波图与时空单元 组合处理，在当前时间步通过第二组调制门 、输入门 和遗忘门 进行更新，得到更新后的时空记忆信息 ，更新过程表示为：；

；

；

；

其中，、 、 分别表示时间步 时空记忆单元输入门、调制门、遗忘门的输出， 、、 分别表示输入数据 到时空记忆单元输入门 、调制门 、遗忘门 的空间权重矩阵， 、 、 分别表示上一时间步隐藏状态 到时空记忆单元输入门 、调制门 、遗忘门 的时间权重矩阵，表示网络的层数， 表示十字交叉注意力机制， 、分别表示时间步 第层、第 层的时空记忆单元；

步骤3.3、将长期记忆信息 和时空记忆信息 通过卷积运算进行融合，得到输出控制门 ，公式为：；

其中， 、 、 、 分别表示当前输入数据 、上一时间步隐藏状态 、长时记忆单元 、时空记忆单元 到输出门 的权重矩阵； 表示输出门的偏置项，表示时间步 输出门的输出；

步骤3.4、将长期记忆信息 和时空记忆信息 沿通道维度拼接，进行   卷积运算后经过激活函数处理，得到当前的隐藏状态 ，公式为：；

其中， 表示 卷积运算，表示张量拼接运算。

10.根据权利要求9所述的基于边缘云协作的雷达回波外推循环生成对抗预报方法，其特征在于，所述十字交叉注意力机制，通过十字交叉注意力单元实现，方法如下：步骤3.2.1、对于生成器生成的雷达回波图，使用两个带有 滤波器的卷积层生成查询图 和键图 ；

步骤3.2.2、对查询图 和键图 进行亲和性运算，得到注意力图 ；

步骤3.2.3、对输入数据应用另一个 滤波器卷积层，创建用于特征适配的数值 ，在和 之间进行聚合操作，收集关键信息；

步骤3.2.4、将宽度和高度进行转置，输出反馈回十字交叉注意力单元。