第16卷第3期 智能系统学报 Vol.16 No.3 2021年5月 CAAI Transactions on Intelligent Systems May 2021 D0:10.11992tis.202008037 新冠肺炎疫情趋势预测模型 甘雨，吴雨，王建勇 (四川大学计算机学院，四川成都610065) 摘要：2019年新型冠状病毒肺炎(corona virus disease2019,COVID-19)的爆发对人们的健康和生活造成了极大的危 害和影响。预测疫情的发展趋势可帮助人们提前制定应对措施。SEI模型是经典的传染病模型之一，由于该模 型中病毒传染率为常数，难以对新冠肺炎传播情况进行准确建模并完成疫情趋势预测。针对此问题，本文提出基 于长短期记忆网络(long short-term memory,LSTM)的病毒传染率预测方法，并将其与SEIR模型结合，建立新冠肺 炎疫情趋势预测模型(LSTM-SEIR network,LS-Net)。为了验证本文提出的方法，收集了国内多个省市官方公布的 疫情数据进行实验。实验结果表明，本文提出的LS-Nt可对疫情发展趋势进行有效预测，并优于传统SEIR模型。 关键词：新型冠状病毒；SEI模型；长短期记忆网络；智能系统；预测模型；实时预测；神经网络；深度学习 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2021)03-0528-09 中文引用格式：甘雨，吴雨，王建勇.新冠肺炎疫情趋势预测模型.智能系统学报，2021,16(3)：528-536. 英文引用格式：GAN Yu,.WUYu,WANG Jianyong.Epidemics trend prediction model of COVID-lJ.CAAI transactions on in telligent systems,2021,16(3):528-536. Epidemics trend prediction model of COVID-19 GAN Yu,WU Yu,WANG Jianyong (College of Computer Science,Sichuan University,Chengdu 610065,China) Abstract:The outbreak of coronavirus disease 2019(COVID-19)has threatened and brought a serious impact on the health and daily life of people.If people are warned beforehand about the speed of the disease,they are able to take ne- cessary preventive measures.As one of the most classical epidemic models,the SEIR model can hardly model the spread of COVID-19 and predict its trend because the rate of transmission is constant,which is one of the required para- meters of the SEIR model.Aiming at this problem,a dynamic prediction method of the rate of transmission is derived based on long short-term memory(LSTM).An LSTM-SEIR network(LS-Net)is then proposed based on the LSTM and SEIR models to predict the trend of the COVID-19 epidemic.To validate the LS-Net,official epidemiological data re- leased from different domestic areas are collected.The experimental results show that LS-Net can predict the spread of COVID-19 validly and with better performance compared with that of the traditional SEIR model. Keywords:COVID-19;SEIR model;LSTM;intelligent systems;prediction model;real time prediction;neural net- works;deep learning 2019年12月，新型冠状病毒肺炎疫情 2020年1月31日，世界卫生组织宣布C0VID- (corona virus disease2019,COVID-19)在中国湖北 19疫情构成“国际关注的突发公共卫生事件”，后 省武汉市爆发。新型冠状病毒传染速度极快，短 于当地时间2020年3月11日宣布C0VD-19疫 时间内即造成多人感染。为控制疫情，武汉市于 情成为全球大流行。一时之间，疫情的发展趋势 2020年1月23日实施封城管理，此后全国多个省 成为全国乃至世界人民共同关注的问题。通过对 市相继启动突发公共卫生事件【级响应机制。 疫情发展趋势的有效预测可对人们提前制定应对 措施提供帮助。从疫情爆发初期开始，世界范围 收稿日期：2020-08-31. 基金项目：国家自然科学基金青年基金项目(61906127). 内就有诸多学者对疫情情况进行了预测。 通信作者：王建勇.E-mail:wWy@scu.edu.cn SR模型和SEIR模型s刀都是常用的传染DOI: 10.11992/tis.202008037 新冠肺炎疫情趋势预测模型 甘雨，吴雨，王建勇 （四川大学 计算机学院，四川 成都 610065） 摘 要：2019 年新型冠状病毒肺炎 (corona virus disease 2019，COVID-19) 的爆发对人们的健康和生活造成了极大的危 害和影响。预测疫情的发展趋势可帮助人们提前制定应对措施。SEIR 模型是经典的传染病模型之一，由于该模 型中病毒传染率为常数，难以对新冠肺炎传播情况进行准确建模并完成疫情趋势预测。针对此问题，本文提出基 于长短期记忆网络 (long short-term memory，LSTM) 的病毒传染率预测方法，并将其与 SEIR 模型结合，建立新冠肺 炎疫情趋势预测模型 (LSTM-SEIR network, LS-Net)。为了验证本文提出的方法，收集了国内多个省市官方公布的 疫情数据进行实验。实验结果表明，本文提出的 LS-Net 可对疫情发展趋势进行有效预测，并优于传统 SEIR 模型。 关键词：新型冠状病毒；SEIR 模型；长短期记忆网络；智能系统；预测模型；实时预测；神经网络；深度学习 中图分类号：TP391.4 文献标志码：A 文章编号：1673−4785(2021)03−0528−09 中文引用格式：甘雨, 吴雨, 王建勇. 新冠肺炎疫情趋势预测模型 [J]. 智能系统学报, 2021, 16(3): 528–536. 英文引用格式：GAN Yu, WU Yu, WANG Jianyong. Epidemics trend prediction model of COVID-19[J]. CAAI transactions on in￾telligent systems, 2021, 16(3): 528–536. Epidemics trend prediction model of COVID-19 GAN Yu，WU Yu，WANG Jianyong (College of Computer Science, Sichuan University, Chengdu 610065, China) Abstract: The outbreak of coronavirus disease 2019 (COVID-19) has threatened and brought a serious impact on the health and daily life of people. If people are warned beforehand about the speed of the disease, they are able to take ne￾cessary preventive measures. As one of the most classical epidemic models, the SEIR model can hardly model the spread of COVID-19 and predict its trend because the rate of transmission is constant, which is one of the required para￾meters of the SEIR model. Aiming at this problem, a dynamic prediction method of the rate of transmission is derived based on long short-term memory (LSTM). An LSTM-SEIR network (LS-Net) is then proposed based on the LSTM and SEIR models to predict the trend of the COVID-19 epidemic. To validate the LS-Net, official epidemiological data re￾leased from different domestic areas are collected. The experimental results show that LS-Net can predict the spread of COVID-19 validly and with better performance compared with that of the traditional SEIR model. Keywords: COVID-19; SEIR model; LSTM; intelligent systems; prediction model; real time prediction; neural net￾works; deep learning 201 9 年 1 2 月，新型冠状病毒肺炎疫 情 (corona virus disease 2019, COVID-19) 在中国湖北 省武汉市爆发。新型冠状病毒传染速度极快，短 时间内即造成多人感染。为控制疫情，武汉市于 2020 年 1 月 23 日实施封城管理，此后全国多个省 市相继启动突发公共卫生事件Ⅰ级响应机制。 2020 年 1 月 31 日，世界卫生组织宣布 COVID- 19 疫情构成“国际关注的突发公共卫生事件”，后 于当地时间 2020 年 3 月 11 日宣布 COVID-19 疫 情成为全球大流行。一时之间，疫情的发展趋势 成为全国乃至世界人民共同关注的问题。通过对 疫情发展趋势的有效预测可对人们提前制定应对 措施提供帮助。从疫情爆发初期开始，世界范围 内就有诸多学者对疫情情况进行了预测[1-3]。 SIR 模型[4-5] 和 SEIR 模型[6-7] 都是常用的传染 收稿日期：2020−08−31. 基金项目：国家自然科学基金青年基金项目 (61906127). 通信作者：王建勇. E-mail：wjy@scu.edu.cn. 第 16 卷第 3 期 智 能 系 统 学 报 Vol.16 No.3 2021 年 5 月 CAAI Transactions on Intelligent Systems May 2021