在全球极端降水事件频发、城市内涝风险加剧的背景下，高时效性降雨短临预报对防灾减灾至关重要，然而现有预报体系面临实时输入数据时空覆盖不足、数值模式计算成本高等瓶颈。针对这一问题，本文以陕西省西安市为研究区域，提出一种基于长短期记忆网络（Long Short-Term Memory, LSTM）的全球导航卫星系统（Global Navigation Satellite System, GNSS）大气可降水量（Precipitable Water Vapor, PWV）与气象要素时序外推方法，为人工智能降雨预报提供高时效性的辅助输入数据。本文融合2017至2024年GNSS PWV与同期地面气象站观测的温度、气压、湿度资料训练LSTM预测模型，以2025年独立数据评估其1至5小时的预测精度。验证结果表明，LSTM预测的GNSS PWV与气象要素在1至5小时的时效内保持了合理的预测精度，随着外推步长从1小时逐步延长至5小时，各预报变量的均方根误差（RMSE）均呈单调递增趋势，但增幅较为平缓。具体而言，气压的RMSE由2.18百帕升至3.23百帕，气温的RMSE由2.35摄氏度升至3.69摄氏度，相对湿度的RMSE由7.58%升至12.94%，PWV的RMSE由2.37毫米升至3.83毫米。上述误差水平均在短临预报可接受范围之内，表明该外推方法能够为人工智能降雨预报提供连续、可靠的多源数据支撑。研究表明，该方法可在不依赖数值模式实时产品的条件下，为区域人工智能降雨预报提供一种轻量级的数据增强手段。

LSTM，GNSS PWV，气象参数，短临降雨预报