·530· 智能系统学报 第16卷 在传统SEIR模型中，B,和B2常是由数据统计 情况的问题，本文基于LSTM和SEIR模型提出 得出的常数。而在现实情下，病毒的传染能力很大 LS-Neto 程度上会受到外界的影响，所以B,和B2应是不断变 2.1LS-Net的网络结构与数学模型 化的。且在上述方法中，B,和B2均由SR模型计算 LS-Net的总体结构如图2所示，其包括2个 得出，没有考虑到潜伏期患者的病毒传染情况。 模块：病毒传染率预测模块和疫情趋势预测模 2 新冠肺炎疫情趋势预测模型— 块。病毒传染率预测模块包括LSTM层、全连接 LS-Net 层(fully connection layer,.FC)和非线性变换层，实 现对新冠病毒传染率B,和B,的预测。疫情趋势 针对传统SEIR模型中的病毒传染率无法实 预测模块包括SEIR模型层，实现对新冠疫情趋 现自动动态预测和没有考虑到潜伏期患者的传染 势的预测。 输出 P(E) P() P(R) 疫情 趋势 测 SEIR 模块 传染率 FC (SoftPlus) 块 LSTM 输人 图2 LS-Net总体结构 Fig.2 Framework of the long short-term memory SEIR network 2.11病毒传染率预测模块 出门o。LSTM更新过程如式（⑤）所示： 病毒传染率后期的变化与疫情前期的防控和 (in s(WiX:+ba+Wmh-1+bu) 诊治措施息息相关，因此病毒传染率的预测需要 fi=s(WirX:+bis Whyh:-1+bht) 结合历史信息与当前信息共同分析得出。病毒传 C=s(WiX:+bi+Whch-1+bht) (5) 染率预测模块以LSTM为基础，结合病毒的传播 O:=s(WiaX:+bi+Whoh-1+bho) 规律对传染率进行预测。为更好地学习到时序数 C=ficm1+ic 据间的关联信息，LS-Net使用3天的潜伏期、感 h =o:tanh(c) 染者、移除者数量作为输入。 式中：X,为1时刻的输人。 LSTM可学习并生成包含历史信息与当前信 将h,输出的包含时序信息的特征输入到 息的数据，其包含3类门：输入门、遗忘门、输 FC层。FC层计算过程如式(6)所示：β1 β2 β1 β2 β1 β2 在传统 SEIR 模型中， 和 常是由数据统计 得出的常数。而在现实情下，病毒的传染能力很大 程度上会受到外界的影响，所以 和 应是不断变 化的。且在上述方法中， 和 均由 SIR 模型计算 得出，没有考虑到潜伏期患者的病毒传染情况。 2 新冠肺炎疫情趋势预测模型− LS-Net 针对传统 SEIR 模型中的病毒传染率无法实 现自动动态预测和没有考虑到潜伏期患者的传染 情况的问题，本文基于 LSTM 和 SEIR 模型提出 LS-Net。 2.1 LS-Net 的网络结构与数学模型 β1 β2 LS-Net 的总体结构如图 2 所示，其包括 2 个 模块：病毒传染率预测模块和疫情趋势预测模 块。病毒传染率预测模块包括 LSTM 层、全连接 层 (fully connection layer，FC) 和非线性变换层，实 现对新冠病毒传染率 和 的预测。疫情趋势 预测模块包括 SEIR 模型层，实现对新冠疫情趋 势的预测。 …… 输入 LSTM 输出 SEIR 疫情 趋势 预测 模块 病 毒 传 染 率 预 测 模 块 FC (SoftPlus) Yt Ct Xt Et It Rt at kt β1t β2t P(Et+1) Et−2 It−2 Rt−2 Et−1 It−1 Rt−1 P(It+1) P(Rt+1) S E I R α γ 图 2 LS-Net 总体结构 Fig. 2 Framework of the long short-term memory SEIR network 2.1.1 病毒传染率预测模块 病毒传染率后期的变化与疫情前期的防控和 诊治措施息息相关，因此病毒传染率的预测需要 结合历史信息与当前信息共同分析得出。病毒传 染率预测模块以 LSTM 为基础，结合病毒的传播 规律对传染率进行预测。为更好地学习到时序数 据间的关联信息，LS-Net 使用 3 天的潜伏期、感 染者、移除者数量作为输入。 it ft LSTM 可学习并生成包含历史信息与当前信 息的数据，其包含 3 类门：输入门 、遗忘门 、输 出门 ot。LSTM 更新过程如式 (5) 所示：    it = s(WiiXt +bii +Whiht−1 +bhi) ft = s(Wi f Xt +bi f + Wh f ht−1 +bh f) c˜t = s(Wic˜Xt +bic˜ + Whc˜ht−1 +bhc˜) ot = s(WioXt +bio + Whoht−1 +bho) ct = ftct−1 +itc˜t ht = ot tanh(ct) (5) 式中： Xt 为 t 时刻的输入。 将 ht 输出的包含时序信息的特征输入 到 FC 层。FC 层计算过程如式 (6) 所示： ·530· 智 能 系 统 学 报 第 16 卷