降水量的预测对水资源预测、防洪、水资源调度、灾害预警等都有实用性的基础，现有的预测降水量模型中，使用的原始台站数据会因系统误差或其它因素的影响造成数据的异常记录，导致后续预测过程中数据偏差，预测结果精度低。本发明中公开一种预测降水量模型的建立方法，同时使用当前可获得的气象资料，基于深度学习方法设计实现一种模型，用于根据以往的历史气象记录信息，可预估某地区未来一段时间的降水量，效率高，结果精确。针对现有技术中的上述不足，本发明提供一种降水量预测模型的建立方法，属于降水量预测技术领域，该方法包括以下步骤：S1：获取台站数据进行预处理，然后通过监督学习方式对预处理后的台站数据进行填补，得到补齐站点数据；所述台站数据包括站点坐标、站点坐标对应的要素值；S2：将归一化后的补齐站点数据送入神经网络进行特征提取；S3：将经特征提取后的数据输入Seq2Seq神经网络中进行编码，得到隐状态后再进入Seq2Seq神经网络中进行解码，输出预测气象空间特征序列；S4：基于Transformer神经网络对所述预测气象空间特征序列进行解码得到降水量预测模型。该方法建立的模型可用于精确预测一时间段内的降水量。