1.一种气象预报方法，其特征在于，包括：
获取预报区域的最近设定时长内的气象分析场序列；所述最近设定时长内的气象分析场序列为：从当前时刻往前设定时长内的气象分析场序列；
将所述最近气象分析场序列输入所述预报区域的深度神经网络进行深度学习，得到所述预报区域的深度神经网络的输出；
将所述输出作为预报区域的自当前时刻开始的预报时长内的预报场序列；
还包括对所述预报区域的深度神经网络进行训练的步骤：
初始化一个具有输入层、预设层数个中间层以及输出层的深度神经网络；所述预设层数小于设定时长内的气象分析场序列中的气象分析场的数量；
获取预报区域当前时刻预报时长之前的第一气象分析场序列和紧随所述第一气象分析场序列之后的预报时长内的第二气象分析场序列，其中所述第一气象分析场序列为任一符合预设条件的设定时长内的气象分析场序列；
将所述第一气象分析场序列和第二气象分析场序列作为深度神经网络的输入和输出，对深度神经网络进行训练；
获取多个第一气象分析场序列和对应的第二气象分析场序列，根据上述训练方法对所述深度神经网络进行重复训练；
将训练完成的深度神经网络，作为所述预报区域的深度神经网络。
2.根据权利要求1所述的气象预报方法，其特征在于，在将所述第一气象分析场序列输入到输入层、第二气象分析场序列输入到输出层之后，还包括步骤：
在所述第一气象分析场序列中选取预设层数数量的气象分析场；
获取所述预设层数个气象分析场对应的时间点，将所述时间点中离当前时刻最远的第k个时间点之后预报时长内的气象分析场序列输入所述深度神经网络的第k个中间层，其中，k是从1到预设层数的自然数。
3.根据权利要求2所述的气象预报方法，其特征在于，还包括：
获取当前时刻预报时长之前最近的符合预设条件的设定时长内的第三气象分析场序列及紧随的预报时长内的第四气象分析场序列；
所述深度神经网络完成训练的条件为：
将第三气象分析场序列输入深度神经网络获得输出结果与对应的第四气象分析场序列之间的对比误差不大于停止阈值。
4.根据权利要求1所述的气象预报方法，其特征在于，还包括：
获取所述预报区域；
确定所述预报时长；
若所述气象分析场存在，则直接获取所述气象分析场，否则将所述气象分析场所在时刻的在分析场作为所述分析场。
5.根据权利要求1所述的气象预报方法，其特征在于，所述预设条件为无条件或季节条件。
6.根据权利要求1所述的气象预报方法，其特征在于，用于训练的数据存储在历史气象大数据中。
7.一种气象预报系统，包括：
分析场获取模块，用于获取预报区域的最近设定时长内的气象分析场序列；所述最近设定时长内的气象分析场序列为：从当前时刻往前设定时长内的气象分析场序列；
预报模块，用于将所述最近气象分析场序列输入所述预报区域的深度神经网络进行深度学习，得到所述预报区域的深度神经网络的输出；将所述输出作为预报区域的自当前时刻开始的预报时长内的预报场序列；
还包括对所述预报区域的深度神经网络进行训练的训练模块；所述训练模块包括：
初始化单元，用于初始化一个具有输入层、预设层数个中间层以及输出层的深度神经网络；所述预设层数小于设定时长内的气象分析场序列中的气象分析场的数量；
气象分析场获取单元，用于获取预报区域当前时刻预报时长之前的第一气象分析场序列和紧随所述第一气象分析场之后的预报时长内的第二气象分析场序列，其中所述第一气象分析场序列为任一符合预设条件的设定时长内的气象分析场序列；
训练控制单元，用于将所述第一气象分析场序列和第二气象分析场序列作为深度神经网络的输入和输出，对深度神经网络进行训练；并获取多个第一气象分析场序列和对应的第二气象分析场序列，对所述深度神经网络进行重复训练；将训练完成的深度神经网络，作为所述预报区域的深度神经网络。
8.根据权利要求7所述的气象预报系统，其特征在于，训练控制单元还获取当前时刻预报时长之前最近的符合预设条件的设定时长内的第三气象分析场序列及紧随的预报时长内的第四气象分析场序列；所述深度神经网络完成训练的条件为：将第三气象分析场序列输入深度神经网络所得的输出结果与对应的第四气象分析场序列之间的对比误差不大于停止阈值。