第3期 甘雨，等：新冠肺炎疫情趋势预测模型 ·533· 3.2实验参数设置 LSTM的隐层数量为1，维度为22。 1 模型参数：根据文献[5]，设a=7 取潜伏期平 3.3 实验结果及分析 均值的倒数；y=江，取从成为感染者到成为移除 本文在不同的数据集上分别对E、I、R进行 者平均时长的倒数。对传统SEIR模型的B、B 预测。LS-Net的实验结果如图5所示，传统 进行计算时，设k=15,k2=3。 SEIR模型的实验结果如图6所示。LS-Net和传 各地区人口总数：N云南省=48583万人四、N上海市 统SEIR模型对现存确诊人数峰值的预测结果如 2824.14万人9、N陕臂省=3876.21万人0。 表1所示。 300 Set_10 200 oSet_10 300 Set 10 Set 20 ----Sct30 150 200 Set40 …Set40 200 ·一真实值 100 …一真卖值 100 100 ---Sct30 …Sct40 一真实值 0 40 60 0 20 40 60 80 0 20 40 6080 did tld d (a)云南省疑似病例预测结果 (b)云南省确诊病例预测结果 (©)云南省移除病例预测结果 200 Set 10 300 Set 10 600 -Set 10 Set 20 -Set 20 Set 20 150 ----Set30 --Set 30 ---Set 30 ......Set40 200 .......Set40 400 % 真实值 一真实值 100 200 50 …Set40 一·一真实值 0 20 40 60 80 0 20 40 60 80 0 20 40 60 80 阳 d (d上海市疑似病例预测结果 (©)上海市确诊病例预测结果 (①上海市移除病例预测结果 300 Set 10 300 oSet 10 600 oSet 10 Set 20 -Set 20 w-Set 20 ----Set30 ----Set30 ----St30 200 …Set40 200 …Set40 400 一一真卖值 一·一真实值 100 100 200 的 …Set40 一一真实值 20 40 60 80 0 20 40 60 80 0 20 40 6080 t/d dd tld (g)陕西省疑似病例预测结果 ()陕西省确诊病例预测结果 ()陕西省移除病例预测结果 图5本文疫情趋势预测模型的实验结果 Fig.5 Experimental results of the proposed epidemics trend prediction model 从图5和表1可看出，在Set10的测试集上 最终预测结果都会产生影响。从图5(a)、(d)、(g) LS-Net能大致预测出I的峰值及达到峰值的时 可看出3个地区只在前10天左右有疑似病例，而 间，且曲线走势与真实情况大致相同。但由于训 在疑似病例清零的14天之后感染者仍有新增，说 练集样本较少，3类人群的预测结果均高于真实 明以疑似病例数作为E与真实的潜伏期人数有较 数据，尤其在R的预测上误差较大。由在Set10、 大差异。 Set20、Set30、Set40测试集上的预测结果的纵 从图6和表1可看出，传统SEIR模型的预测 向对比可知，随着训练集样本的增加以及疫情后 结果与现实情况相差巨大。这是因为，传统 期发展趋于稳定，预测结果与真实值的误差逐渐 SEIR模型中B、B,为定值，难以模拟真实情况。 减小。图5()实验结果中，I后期有反弹趋势，可 且由图5(b)、(e)、(h)可知疫情前期感染人数急剧 预测结果却趋于平稳下降，这或许与数据集中的 增加，此时间段内B,、B2较大。所以在不添加任 中期至后期E均为0有关。在SEIR模型中，感染 何约束条件的情况下，仍使用前期的B、B2对后 者由潜伏者转化而来，因此E对I、R和E本身的 期疫情进行预测会有较大误差。3.2 实验参数设置 α= 1 7 γ= 1 14 β1 β2 k1=15 k2=3 模型参数：根据文献 [5]，设 ，取潜伏期平 均值的倒数； ，取从成为感染者到成为移除 者平均时长的倒数。对传统 SEIR 模型的 、 进行计算时，设 ， 。 各地区人口总数：N云南省=4858.3 万人[28] 、N上海市= 2824.14 万人[29] 、N陕西省=3876.21 万人[30]。 LSTM 的隐层数量为 1，维度为 22。 3.3 实验结果及分析 本文在不同的数据集上分别对 E、I、R 进行 预测。 LS-Ne t 的实验结果如 图 5 所示，传 统 SEIR 模型的实验结果如图 6 所示。LS-Net 和传 统 SEIR 模型对现存确诊人数峰值的预测结果如 表 1 所示。 疑似病例数/人 200 300 100 0 20 40 60 80 t/d (a) 云南省疑似病例预测结果 疑似病例数/人 100 200 150 50 0 20 40 60 80 t/d (d) 上海市疑似病例预测结果 疑似病例数/人 100 300 200 0 20 40 60 80 t/d (g) 陕西省疑似病例预测结果 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 Set_10 Set_20 Set_40 Set_30 真实值 t/d (b) 云南省确诊病例预测结果 0 20 40 60 80 50 100 150 200 确诊病例数/人 t/d (e) 上海市确诊病例预测结果 0 20 40 60 80 确诊病例数/人 200 100 300 t/d (h) 陕西省确诊病例预测结果 0 20 40 60 80 确诊病例数/人 200 100 300 t/d (c) 云南省移除病例预测结果 0 20 40 60 80 200 100 300 移除病例数/人 t/d (f) 上海市移除病例预测结果 0 20 40 60 80 400 200 600 移除病例数/人 t/d (i) 陕西省移除病例预测结果 0 20 40 60 80 400 200 600 移除病例数/人 图 5 本文疫情趋势预测模型的实验结果 Fig. 5 Experimental results of the proposed epidemics trend prediction model 从图 5 和表 1 可看出，在 Set_10 的测试集上 LS-Net 能大致预测出 I 的峰值及达到峰值的时 间，且曲线走势与真实情况大致相同。但由于训 练集样本较少，3 类人群的预测结果均高于真实 数据，尤其在 R 的预测上误差较大。由在 Set_10、 Set_20、Set_30、Set_40 测试集上的预测结果的纵 向对比可知，随着训练集样本的增加以及疫情后 期发展趋于稳定，预测结果与真实值的误差逐渐 减小。图 5(e) 实验结果中，I 后期有反弹趋势，可 预测结果却趋于平稳下降，这或许与数据集中的 中期至后期 E 均为 0 有关。在 SEIR 模型中，感染 者由潜伏者转化而来，因此 E 对 I、R 和 E 本身的 最终预测结果都会产生影响。从图 5(a)、(d)、(g) 可看出 3 个地区只在前 10 天左右有疑似病例，而 在疑似病例清零的 14 天之后感染者仍有新增，说 明以疑似病例数作为 E 与真实的潜伏期人数有较 大差异。 β1 β2 β1 β2 β1 β2 从图 6 和表 1 可看出，传统 SEIR 模型的预测 结果与现实情况相差巨大。这是因为，传 统 SEIR 模型中 、 为定值，难以模拟真实情况。 且由图 5(b)、(e)、(h) 可知疫情前期感染人数急剧 增加，此时间段内 、 较大。所以在不添加任 何约束条件的情况下，仍使用前期的 、 对后 期疫情进行预测会有较大误差。 第 3 期 甘雨，等：新冠肺炎疫情趋势预测模型 ·533·