1.一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，包括如下步骤：步骤1、获取历史大气可降雨量数据，并对其进行归一化处理；

步骤2、初步构建卷积神经网络预测模型，卷积神经网络预测模型包括卷积层、池化层、激活层和全连接层；将归一化处理后的数据作为输入对卷积神经网络预测模型进行训练；

所述卷积神经网络预测模型的基本构架表示如下：

在卷积层中，一个卷积核K会在输入数据X上滑动，计算局部区域的加权和，形成特征图C，数学表达式如下：其中,n是当前位置，m是卷积核覆盖的局部区域的位置，激活层用于加入非线性因素；

池化层通常用来降低特征图的空间维度，分为最大池化和平均池化两种，分别表示为：Pmax(x)＝max(xi)，其中i∈R

其中，R是池化窗口覆盖的区域，|R|是该区域内的元素数量；

在全连接层中，神经元的输出会与下一层的每一个神经元相连接，全连接层的输出可以表示为：y＝w·a+b

其中，w表示权重矩阵，b表示偏置向量，a表示上一层的输出；初步构建的所述卷积神经网络预测模型的训练方法为：首先对模型进行权重初始化，将历史ERA5数据作为训练样本，对模型进行训练并得到输出结果；接着把输出结果与期望值比较，如有偏差，则调整权重值重新进行训练，直到输出结果与期望值相近，并通过交叉验证方法对模型进行验证和调优，在训练过程中使用交叉熵损失函数：其中，y是真实样本，是模型预测的概率；

步骤3、使用北斗精密单点定位方法计算得到对流层总延迟ZTD，并利用Sa经验模型解算对流层静力学延迟ZHD；

步骤4、利用对流层总延迟、对流层湿延迟和对流层静力学延迟的关系解算对流层湿延迟；

步骤5、根据大气可降雨量和对流层湿延迟的对应关系，通过计算得到大气可降雨量；

步骤6、将大气可降雨量数据作为输入，利用步骤2完成训练的卷积神经网络预测模型对整个区域进行预测，输出预测结果并保存。

2.根据权利要求1所述的一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，所述步骤1中，历史大气可降雨量数据采用的ERA5官网上提供的大气可降雨量数据。

3.根据权利要求1所述的一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，所述激活层采用的是ReLU激活函数。

4.根据权利要求1所述的一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，所述步骤2中，完成训练的卷积神经网络预测模型通过交叉验证的方法进行验证和调优。

5.根据权利要求1所述的一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，所述步骤3中，对流层静力学延迟ZHD的计算方法为：式中，φ表示接收机所在的纬度；H表示海拔高度；Pg表示接收机所在海平面的压力；0.002277指的是将大气延迟转换为等效水汽延迟的系数；0.00266是对流层干延迟修正系数中纬度的余弦函数的系数；0.00028是海拔高度的系数。

6.根据权利要求1所述的一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，所述步骤4中，对流层湿延迟ZWD的计算方法为：ZWD＝ZTD-ZHD。

7.根据权利要求6所述的一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，所述步骤5中，待预测区域内大气可降雨量的计算方法为：根据大气可降雨量和对流层湿延迟的对应关系计算大气可降雨量，具体公式表示如下：PWV＝Π×ZWD

式中，ZWD表示对流层湿延迟；Π是一个无量纲的转换因子。

8.根据权利要求7所述的一种基于卷积神经网络的北斗导航系统短时降雨预测方法，其特征在于，所述无量纲的转换因子Π的计算公式如下：式中，ρw代表液态水蒸气密度；Rw是水蒸气比气体常数；K2′和K3分别是大气折射常数；Tm表示大气加权平均温度。