1.一种双流卷积长短期记忆网络的短时临近降雨预报方法，其特征在于，其步骤如下：

步骤一，将历史连续降雨数据绘制成降雨图并构建具有统一时间维度和空间维度的长时间周期输入序列和具有统一时间维度和空间维度的短时间周期输入序列，所述具有统一时间维度和空间维度的长时间周期输入序列和所述具有统一时间维度和空间维度的短时间周期输入序列的最后时刻为同一时刻；

步骤二，对所述具有统一时间维度和空间维度的输入序列采用层标准化Layer Normalization方法调整其分布；

步骤三，构造所述双流卷积长短期记忆网络的预测模型，其包含长期预测子网络和短期预测子网络，

所述长期预测子网络包含第一3D卷积Ⅰ和3D‑SA‑LSTM堆叠网络Ⅰ，所述具有统一时间维度和空间维度的长时间周期输入序列通过所述第一3D卷积I编码得到长时间周期的降雨数据的时空特征图I，所述长时间周期的降雨数据的时空特征图I通过所述3D‑SA‑LSTM堆叠网络I后提取得到降雨过程中的时空特征I；

所述短期预测子网络包含第一3D卷积Ⅱ和3D‑SA‑LSTM堆叠网络Ⅱ，所述具有统一时间维度和空间维度的短时间周期输入序列通过所述第一3D卷积II编码得到短时间周期的降雨数据的时空特征图II，所述短时间周期的降雨数据的时空特征图II通过所述3D‑SA‑LSTM堆叠网络II后提取得到降雨过程中的时空特征II；

步骤四，引入重结合模块，所述重结合模块包含压缩和激励块和第二3D卷积网络，所述压缩和激励块对所述降雨过程的时空特征I进行调整得到降雨过程中的时空特征Ⅲ，并对调整后的降雨过程中的时空特征Ⅲ和所述降雨过程中的时空特征Ⅱ进行降雨过程中的时空特征拼接，得到降雨过程中的时空特征Ⅳ，再通过所述第二3D卷积网络对通过所述降雨过程中的时空特征Ⅳ进行卷积计算，完成预测解码操作，得到最终对未来降雨过程的预测。

2.根据权利要求1所述的短时临近降雨预报方法，其特征在于，步骤一中，所述具有统一时间维度和空间维度的输入序列公式： ，其中，第一维度S代表时间维度，第二维度代表输入图像的长，第三维度代表输入图像的宽。

3.根据权利要求1所述的短时临近降雨预报方法，其特征在于，步骤三中，所述3D‑SA‑LSTM堆叠网络Ⅰ包括第一编码网络和第一预测网络，所述第一编码网络由R1层*S1列3D‑SA‑LSTM记忆网络单元Ⅰ堆叠构成，所述第一预测网络由R2层*S2列3D‑SA‑LSTM记忆网络单元Ⅰ堆叠构成，所述3D‑SA‑LSTM记忆网络单元Ⅰ包括LSTM记忆网络单元、第一3D卷积网络Ⅰ和自注意力模块SA block，所述LSTM记忆网络单元融入第一3D卷积网络Ⅰ和自注意力模块SA block。

4.根据权利要求1所述的短时临近降雨预报方法，其特征在于，步骤三中，所述3D‑SA‑LSTM堆叠网络Ⅱ包括第二编码网络和第二预测网络，所述第二编码网络由R1层*S1列3D‑SA‑LSTM记忆网络单元Ⅱ堆叠构成，所述第二预测网络由R2层*S2列3D‑SA‑LSTM记忆网络单元Ⅱ堆叠构成，所述3D‑SA‑LSTM记忆网络单元Ⅱ包括LSTM记忆网络单元、第一3D卷积网络Ⅱ和自注意力模块SA block，所述LSTM记忆网络单元融入3D卷积网络Ⅱ和自注意力模块SA block。

5.根据权利要求3或4所述的短时临近降雨预报方法，其特征在于，所述3D‑SA‑LSTM记忆网络单元Ⅰ或3D‑SA‑LSTM记忆网络单元Ⅱ的计算公式如下：其中，是sigmoid激活函数，* 和 分别是3D卷积操作和Hadamard乘， 是用于状态变量转换通道数的 卷积，SA是自注意力模块， 代表是拼接操作；所述3D‑SA‑LSTM记忆网络单元共有四个输入： 、 、 、 ，其中， 是由输入序列通过3D卷积编码得到的张量；  是上个时间步长的输出；  是上个时间步长的时间状态变量； 是本时间步长的 层的时空状态变量，当 l = 1， ；时间状态变量：由遗忘门： 、输入门：和输入模态门： 控制时间状，空间状态变量： 由遗忘门： 、输入门：和输入模态门： 控制 中所保留的信息；最后，通过时间状态变量： 、时空状态变量： 和输出门： 计算得到隐藏状态变量： ，由上个时间步长的输出： 和所述

3D‑SA‑LSTM记忆网络单元隐藏状态变量： 共同通过自注意力模块SA block计算得到所述3D‑SA‑LSTM记忆网络单元最后的输出： 。

6.根据权利要求5所述的短时临近降雨预报方法，其特征在于，所述自注意力模块SA block 具体计算如下所示：

其中 是在将张量变换成合适的二维形式后进行矩阵乘法，和 是通道数，是一系列的   卷积， 是空间位置的注意力权重， 是列出所有可能位置的权重系数， 是特征图的值， 是特征图中每对点的相似系数，下标  是坐标的位置，是 所有可以取得值，通过对 进行标准化得到 ，第i个位置的聚合特征 是和输入信号相同尺寸的输出信号，通过利用所有位置的加权和计算得到；通过对和本单元隐藏状态变量和上个时间步长的输出通过残差连接计算得到最终的输出： ，其中 是超参数，控制有多少比例的历史状态会被保留。

7.根据权利要求3或4所述的短时临近降雨预报方法，其特征在于，步骤四中，对未来降雨过程的预测网络，所述R1层的层数=R2层的层数，所述S1列的列数= S2列的列数。

8.根据权利要求1所述的短时临近降雨预报方法，其特征在于，步骤四中，所述得到最终对未来降雨过程的预测还包括使用了自适应损失函数来调整不同降雨量在数据集中的分布，所述自适应损失函数公式如下：

其中， 代表真实输出， 代表预测输出，N为当前输出帧的总数，n表示当前第n个输出帧，W、H分别代表降雨图的横纵坐标。