·534· 智能系统学报 第16卷 le7 le7 4 et 10 2 20 40 60 80 20 40 60 80 20 40 60 80 t/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 1.5 r le7 1.5r le7 2.0 le7 Set_10 Set_10 1.0 1.5 1.0 真实住 真实值 1.0 0.5 0.5 0.5 40 60 g0 20 40 60 80 20 40 60 80 d d d (d上海市疑似病例预测结果 (e)上海市确诊病例预测结果 ()上海市移除病例预测结果 2.5 r le7 2.5r le7 3r le7 10 10 2.0 2.0 Set 1.5 1.0 0.5 0.5 20 40 60 20 40 60 80 20 40 60 80 t/d t/d (g)陕西省疑似病例预测结果 (h)陕西省确诊病例预测结果 ()陕西省移除病例预测结果 图6传统SER模型的实验结果 Fig.6 Experimental results of the traditional SEIR model 表1现存确诊人数峰值预测 Net。实验结果表明，LS-Net可省去人工拆分时段 Table 1 Peak prediction of the active infected cases 进行动态计算的繁琐过程，使用少量的训练数据 预测峰值/人 即可对疫情中现存确诊病例的峰值进行预测，在 地区 真实峰值/人 传统SEIR模型 本文模型 一定程度上可为人们在当前的防控措施下对疫情 云南省 135 的发展趋势预测提供参考。为使LS-Net成为一 24448349 153 个更通用的传染病疫情趋势预测模型，未来工作 上海市 255 12220887 263 将会基于现有模型从以下几点进行改进：)考虑 陕西省 189 19484749 239 各地人口的流动情况：2)提出可合理地估算潜伏 在以上使用包含了云南省、上海市、陕西省 期人群数量的方法。潜伏者数量由于还未出现感 的感染人数由急剧增加、到达峰值至逐渐降低趋 染症状，因此难以被统计。从已有数据中准确地 于稳定几个阶段的实验数据的实验中，LS-Net使 估算出潜伏期人群的数量将大大提高模型预测的 用LSTM和式(7)对B、B2进行实时动态预测，而 准确率。 传统SEIR则将B、B,设为定值，结果表明在使用 相同的训练数据和约束条件的情况下，LS-Net的 参考文献： 预测效果远优于传统SEIR模型。且在E与实际 [1]IMAI N,CORI A,DORIGATTI I,et al.Transmissibility 情况存在较大偏差的情况下，LS-Nt依然能够大 of2019-nCoV[EB/0L].(2020-01-25)[2020-07-30] 致预测出I达到峰值的日期，以及在E=0的情况 https://spiral.imperial.ac.uk:8443/handle/10044/1/77148. 下疫情趋势预测曲线基本能与实际数据拟合。 [2]READ J M.BRIDGEN JRE,CUMMINGS D A T.et al. 4结束语 Novel coronavirus 2019-nCoV:early estimation of epi- demiological parameters and epidemic predictions[EB/OL]. 本文结合LSTM和传统SEIR模型提出了LS (2020-01-28)[2020-07-28]https:/www.medrxiv.org疑似病例数/人 3 2 1 0 20 40 60 80 t/d (a) 云南省疑似病例预测结果 le7 疑似病例数/人 0 1.5 1.0 0.5 20 40 60 80 t/d (d) 上海市疑似病例预测结果 le7 疑似病例数/人 2.5 2.0 1.5 1.0 0.5 0 20 40 60 80 t/d (g) 陕西省疑似病例预测结果 le7 2.5 2.0 1.5 1.0 0.5 0 20 40 60 80 t/d (h) 陕西省确诊病例预测结果 确诊病例数/人 le7 0 1.5 1.0 0.5 20 40 60 80 t/d (e) 上海市确诊病例预测结果 确诊病例数/人 le7 0 20 40 60 80 t/d (b) 云南省确诊病例预测结果 确诊病例数/人 3 2 1 le7 2.0 1.5 1.0 0.5 移除病例数/人 le7 20 40 60 80 t/d (f) 上海市移除病例预测结果 0 3 le7 2 1 移除病例数/人 20 40 60 80 t/d (i) 陕西省移除病例预测结果 0 20 40 60 80 t/d (c) 云南省移除病例预测结果 移除病例数/人 0 4 3 2 1 le7 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 图 6 传统 SEIR 模型的实验结果 Fig. 6 Experimental results of the traditional SEIR model 表 1 现存确诊人数峰值预测 Table 1 Peak prediction of the active infected cases 地区 真实峰值/人 预测峰值/人 传统SEIR模型 本文模型 云南省 135 24448 349 153 上海市 255 12220 887 263 陕西省 189 19484 749 239 β1 β2 β1 β2 在以上使用包含了云南省、上海市、陕西省 的感染人数由急剧增加、到达峰值至逐渐降低趋 于稳定几个阶段的实验数据的实验中，LS-Net 使 用 LSTM 和式 (7) 对 、 进行实时动态预测，而 传统 SEIR 则将 、 设为定值，结果表明在使用 相同的训练数据和约束条件的情况下，LS-Net 的 预测效果远优于传统 SEIR 模型。且在 E 与实际 情况存在较大偏差的情况下，LS-Net 依然能够大 致预测出 I 达到峰值的日期，以及在 E=0 的情况 下疫情趋势预测曲线基本能与实际数据拟合。 4 结束语 本文结合 LSTM 和传统 SEIR 模型提出了 LS￾Net。实验结果表明，LS-Net 可省去人工拆分时段 进行动态计算的繁琐过程，使用少量的训练数据 即可对疫情中现存确诊病例的峰值进行预测，在 一定程度上可为人们在当前的防控措施下对疫情 的发展趋势预测提供参考。为使 LS-Net 成为一 个更通用的传染病疫情趋势预测模型，未来工作 将会基于现有模型从以下几点进行改进：1) 考虑 各地人口的流动情况；2) 提出可合理地估算潜伏 期人群数量的方法。潜伏者数量由于还未出现感 染症状，因此难以被统计。从已有数据中准确地 估算出潜伏期人群的数量将大大提高模型预测的 准确率。 参考文献： IMAI N, CORI A, DORIGATTI I, et al. Transmissibility of 2019-nCoV[EB/OL].(2020−01−25)[2020−07−30] https://spiral.imperial.ac.uk:8443/handle/10044/1/77148. [1] READ J M, BRIDGEN J R E , CUMMINGS D A T, et al. Novel coronavirus 2019-nCoV: early estimation of epi￾demiological parameters and epidemic predictions[EB/OL]. (2020−01−28)[2020−07−28] https://www.medrxiv.org/ [2] ·534· 智 能 系 统 学 报 第 16 卷