计算机竞赛 深度学习LSTM新冠数据预测

0 前言

🔥 优质竞赛项目系列，今天要分享的是

🚩 基于深度学习的新冠疫情预测算法研究与实现

该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！

🥇学长这里给一个题目综合评分(每项满分5分)

• 难度系数：4分
• 工作量：4分
• 创新点：3分

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

---

1 课题简介

新型冠状病毒肺炎（COVID-19，简称“新冠肺炎”）疫情肆虐全球多个国家，本文采用新冠肺炎的时序历史数据，尝试利用Logistic回归模型、SEITR动力学模型、LSTM神经网络等数学模型预测疫情发展趋势与关键节点，对疫情的规模进行定量分析，对疫情原始基数和有效传播率进行科学和可靠的区间估算并进行不同算法的对比分析，为疫情防控中的分析、指挥和决策提供有效依据和指南。

2 预测算法

学长采用了三种算法对于疫情时序数据进行拟合：

• Logistic回归模型、
• SEITR动力学模型、
• LSTM神经网络。

2.1 Logistic回归模型

Logistic函数或Logistic曲线是一种常见的S形函数，它是皮埃尔·弗朗索瓦·韦吕勒在1844或1845年在研究它与人口增长的关系时命名的。该模型广泛应用于生物繁殖和生长过程、人口增长过程模拟，因此也可以在一定程度上对病毒传播和确诊人数增长过程进行拟合。该函数常用的公式如下：

其中，a、b、K为皮尔模型的参数，估算这三个参数的方法有两类：一类是先估算出a和K，然后推算b值，如Fisher法；另一类是同时估算出参数a、b、K，如倒数总和法。结合疫情发生的实际场景，y为累计病例人数（例/天）；t为时间（天）；K、a、b为模型参数。从模型可知K为疫情规模，即累计病例最大值；a、b为控制传染速度的参数。

Logistic回归模型其算法思想来源于，当一个物种迁入到一个新生态系统中后，其数量会发生变化。假设该物种的起始数量小于环境的最大容纳量，则数量会增长。该物种在此生态系统中有天敌、食物、空间等资源也不足（非理想环境），则增长函数满足逻辑斯谛方程，图像呈S形，此方程是描述在资源有限的条件下种群增长规律的一个最佳数学模型。

其求参过程如下：根据实际统计的数据
y0，设定初始值K，计算y；用y’和t进行线性回归，得到参数a,b；根据K、a、b按上面的公式计算不同时间的预测值，并同步计算预测值与实际值之间的误差平方和；K值由原值加上步长重复计算，直到误差平方和到达最小，即最小二乘法寻优。此时的K值就是要找的最优K值。

2.2 基于动力学SEIR模型改进的SEITR模型

SEIR模型是一种动力学模型，是传染病预测最为常用的模型之一，所研究的传染病有一定的潜伏期，与病人接触过的健康人并不马上患病，而是成为病原体的携带者。与SIR模型相比，SEIR模型进一步考虑了与患者接触过的人中仅一部分具有传染性的因素，使疾病的传播周期更长。该模型将人口样本分为四类，分别为：易感者（S）、潜伏者（E）、传染者（I）和康复者（R），四类人群依次以一定比率进行转化或死亡，之间关系如下图所示：

其中四类人群具体如下：
1、S 类人群，易感者 (Susceptible)，指未得病者，但缺乏免疫能力，与感染者接触后容易受到感染；
2、E 类人群，暴露者 (Exposed)，指接触过感染者，但暂无能力传染给其他人的人，对潜伏期长的传染病适用；
3、I 类人群，感病者 (Infectious)，指染上传染病的人，可以传播给 S 类成员，将其变为 E 类或 I 类成员；
4、R 类人群，康复者 (Recovered)，指被隔离或因病愈而具有免疫力的人。如免疫期有限，R 类成员可以重新变为 S 类。
据此：可以得出SEIR模型的传染病动力学微分方程：

其中，ρ代表传染者单位时间接触易感者数量；β代表每名传染者与易感者接触传染病毒概率；μ代表单位时间死亡几率；ε代表单位时间潜伏者转变为传染者的几率；γ代表单位时间传染者痊愈的几率。

SEITR是基于SEIR模型改进的模型，在原有模型的基础上增加了修正的参数：
“T”：已被感染且正处于接受治疗时期的人群，主要特征表现为已被感染，已过潜伏期，但不会进行传染，且正在被治疗。
同时也将I人群严格定义为被感染，已过潜伏期但未被医院收治无法接受治疗的人群。
δ，表示I变为T的速率，主要受医院接诊速率及收治能力影响&