摘 要：針對新冠肺炎疫情，本文運用2020年1月20日-2月25日的全國及湖北省累計確診人數(shù)、累計治愈人數(shù)和累計死亡人數(shù)等數(shù)據(jù)，分析了病毒傳播擴(kuò)散的數(shù)據(jù)特征，建立了深度學(xué)習(xí)的長短期記憶模型（LSTM），通過PYTHON實現(xiàn)了模型高精度的擬合和預(yù)測。

關(guān)鍵詞：新冠肺炎;深度學(xué)習(xí);動態(tài)監(jiān)測

中圖分類號：D9???? 文獻(xiàn)標(biāo)識碼：A????? doi：10.19311/j.cnki.1672-3198.2020.20.081

0 引言

2020年伊始，出現(xiàn)了新冠肺炎，相關(guān)專家經(jīng)過科學(xué)分析確定這是一種新型冠狀病毒引起的肺炎（Novel Coronavirus Pneumonia，簡稱NCP，下同），并經(jīng)過不斷醫(yī)學(xué)臨床分析和演化，得出病毒的傳染性很強(qiáng)，具有持續(xù)人傳入的特性。在NCP疫情出現(xiàn)后，我國高度重視、迅速部署、果斷采取了聯(lián)防聯(lián)控機(jī)制等措施，武漢封城、全國各地禁行限出，全國各省區(qū)市、全軍都派出醫(yī)護(hù)人員對口支援湖北武漢和各地市州，有力的保障了疫情沒有大規(guī)模的爆發(fā)，堅決遏制了疫情蔓延的勢頭。根據(jù)國家衛(wèi)生健康委員會官方網(wǎng)站疫情通報情況，截至2020年2月25日24時，全國累計報告確診病例78064例，累計治愈出院病例29745例，累計死亡病例2715例。面對這種傳染性強(qiáng)、人群易感的新型病毒，防控策略的具體實踐依然面臨著嚴(yán)峻挑戰(zhàn)。此外，NCP疫情對我國經(jīng)濟(jì)社會造成較大的方方面面的沖擊，面臨著有序復(fù)工復(fù)產(chǎn)，恢復(fù)正常的生產(chǎn)生活秩序。這都需要對NCP疫情后期的演變趨勢做出分析和預(yù)判。鑒于此，本文嘗試搜集2020年1月20日至2020年2月25日共37天的全國各省區(qū)市網(wǎng)絡(luò)直報的新型冠狀病毒疫情數(shù)據(jù)，建立了相關(guān)的LSTM模型對疫情的累計確診人數(shù)進(jìn)行動態(tài)監(jiān)測。

1 深度學(xué)習(xí)模型選取及介紹

對NCP疫情變化趨勢分析是對已經(jīng)發(fā)生病例的傳染、治療、死亡等等情況的回顧，目的是總結(jié)梳理除NCP演變的規(guī)律，更為重要的是能夠基于前期特征而對未來疫情發(fā)展提供可靠的預(yù)測。

1.1 深度學(xué)習(xí)的LSTM模型

在疫情發(fā)展到有防護(hù)的阻隔傳播的第二階段，中央和各省區(qū)市以及地市州官方疫情指揮部以及各類官方媒體、自媒體都在發(fā)布、釋放與疫情相關(guān)的各種各樣的海量信息。這些信息公開、透明和傳播一方面有助于疫情的防控，另一方面中的數(shù)據(jù)包含著巨大帶挖掘的價值，NCP的傳染性、破壞力，人們采取的防控措施都可以從數(shù)據(jù)中反映出來。對數(shù)據(jù)信息的合理擬合就可比較準(zhǔn)確的預(yù)測出NCP后期走勢。對于數(shù)據(jù)維度多、沒有可靠數(shù)學(xué)模型指導(dǎo)下的擬合與預(yù)測預(yù)警，深度學(xué)習(xí)算法是一種最可行的選擇。

深度學(xué)習(xí)（Deep Learning）是從深度神經(jīng)網(wǎng)絡(luò)發(fā)展變化而來，其核心是對學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，通過“學(xué)習(xí)”過程中獲得的信息對諸如數(shù)據(jù)、文字、圖像和聲音的演變特征和規(guī)律，目的是讓機(jī)器系統(tǒng)能夠像人一樣具有分析學(xué)習(xí)能力。深度學(xué)習(xí)是一個復(fù)雜的機(jī)器學(xué)習(xí)算法，在語音和圖像識別方面取得的非常明顯的效果，超過先前相關(guān)技術(shù)。目前正逐步應(yīng)用在生產(chǎn)生活的方方面面。根據(jù)NCP疫情的趨勢預(yù)測主要是時間序列，再結(jié)合深度學(xué)習(xí)的特征，本文選取當(dāng)前深度學(xué)習(xí)在序列信息中應(yīng)用最為廣泛的是長短記憶模型（Long Short-Term Memory，簡稱LSTM）?；贚STM模型的長期記憶能力以及其廣泛的適用，本文選取LSTM模型進(jìn)行深度學(xué)習(xí)模型的搭建，以更好地從數(shù)據(jù)中提取信息。

1.2 疫情數(shù)據(jù)選擇

在眾多口徑的數(shù)據(jù)中，本文選用累計確診人數(shù)、累計死亡人數(shù)、累計治愈人數(shù)作為特征變量納入LSTM模型之中。累計確診人數(shù)：該特征是最受關(guān)注的，能夠較為全面的反映疫情信息，前一天的累計確診人數(shù)能夠從整體上反映出疫情擴(kuò)散狀況及防控效果，是影響后續(xù)累計確診人數(shù)變化最有效的特征。累計死亡人數(shù)：該特征在一定程度上反映了新冠肺炎病毒的破壞力，特征數(shù)據(jù)的增減反映了醫(yī)護(hù)水平、藥物療法等對于患者的治療及護(hù)理是否起到作用。累計治愈人數(shù)：該特征與累計死亡人數(shù)是相對的，從相反的方面反映了醫(yī)護(hù)人員對于病毒的控制能力。

2 疫情未來演變趨勢動態(tài)監(jiān)測

2.1 數(shù)據(jù)處理

本文選取了共30天的疫情數(shù)據(jù)作為LSTM模型的訓(xùn)練集，2020年2月19日之后的數(shù)據(jù)作為測試集。按照LSTM模型對數(shù)據(jù)要求，也是為了提高模型精度，消除計量單位對預(yù)測結(jié)果的影響，輸入的數(shù)據(jù)需要標(biāo)準(zhǔn)化處理，具體是對訓(xùn)練集中的每一列數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。本文按照公式如下進(jìn)行處理：

y=x-mean（x）std（x）

式中，x為原始數(shù)據(jù)，mean（x）為原始數(shù)據(jù)的均值，std（x）為原始數(shù)據(jù)的標(biāo)準(zhǔn)差。

2.2 疫情變化趨勢擬合

經(jīng)過反復(fù)調(diào)試，本文LSTM深度學(xué)習(xí)模型確定如下：模型分為兩層，輸入層和輸出層。其中，輸入層為LSTM層，神經(jīng)元個數(shù)為128，激活函數(shù)為“ReLU”函數(shù);輸出層為全連接（Dense）層，輸出值為全國第二天累計確診人數(shù);迭代次數(shù)為3000。

基于上述調(diào)試得出的最優(yōu)深度學(xué)習(xí)LSTM模型，本文對近7天的全國數(shù)據(jù)進(jìn)行了動態(tài)追蹤，收集了全國每一天的特征信息，并將其輸入模型以預(yù)測第二天的全國確診人數(shù)。其后，將新一天的實際數(shù)據(jù)加入原數(shù)據(jù)集形成新的數(shù)據(jù)集，再對未來一天的全國確診人數(shù)作出新的預(yù)測，以此類推進(jìn)行動態(tài)追蹤預(yù)測擬合，預(yù)測擬合結(jié)果如表1所示。

從表1中可以看出：當(dāng)確診人數(shù)達(dá)到7萬以上的量級時，通過深度學(xué)習(xí)LSTM模型的構(gòu)建，對第二天的預(yù)測精度達(dá)到了正負(fù)600例以內(nèi)，甚至最低的正負(fù)差達(dá)到了個位數(shù)，平均絕對預(yù)測誤差為237，誤差率都在正負(fù)1%以下，這是傳統(tǒng)模型所無法達(dá)到的精度。但是從21日開始，由于之前近一個月的全民自我隔離行動，使得在近兩個病毒潛伏期過后，疫情得到了極為有效的控制，確診人數(shù)增長速度急劇下降，雖然通過動態(tài)的追蹤每一天的新信息輸入模型，已經(jīng)監(jiān)測到了感染人數(shù)增長幅度的下降，一些數(shù)據(jù)無法反應(yīng)的防控措施依然使得預(yù)測正負(fù)差越拉越大。即使疫情自2月19日后得到有效控制，超出預(yù)期，本文所建立的模型在后面數(shù)天的動態(tài)監(jiān)測中依靠強(qiáng)大的擬合能力，縮小了模型預(yù)測正負(fù)差。

3 結(jié)論

本文通過對新型冠狀病毒肺炎（NCP）在2020年1月20日到2月25日在我國的傳播情況進(jìn)行分析，收集整理了期間的累計確診人數(shù)、累計死亡人數(shù)、累計治愈人數(shù)等多維度數(shù)據(jù)，選用深度學(xué)習(xí)的長短記憶期模型（LSTM），通過PYTHON程序，對NCP累計確診人數(shù)進(jìn)行了為期一周的趨勢預(yù)測，預(yù)測有一定精度和可信度。針對預(yù)測得出結(jié)論，建議在復(fù)產(chǎn)復(fù)工中嚴(yán)格落實中央要求和各省區(qū)市的具體部署，嚴(yán)防NCP疫情拐點的反復(fù)，確保早日取得NCP疫情阻擊戰(zhàn)的全面勝利。

參考文獻(xiàn)

[1]CHEN N S， ZHOU M， DONG X， et al. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan， China： a descriptive study[J]. The Lancet，2020（Pre-publis）.

[2]LU R J， ZHAO X， LI J， et al. Genomic characterization and epidemiology of 2019 novel coronavirus： implications for virus origins and receptor binding[J]. The Lancet，2020（Pre-publis）.

[3]LIU L， OZA S， HOGAN D， et al. Global， regional， and national causes of child mortality in 2000-13， with projections to inform post-2015 priorities： an updated systematic analysis[J]. The Lancet，2015，385（9966）：430-440.

[4]VOLKOVA S， AYTON E， PORTERFIELD K， et al. Forecasting influenza-like illness dynamics for military populations using neural networks and social media[J]. PloS one，2017，12（12）：e0188941.

[5]HE F， HU Z， ZHANG W， et al. Construction and evaluation of two computational models for predicting the incidence of influenza in Nagasaki Prefecture， Japan[J]. Scientific reports，2017，7（1）：7192.

[6]馬知恩，周義倉，王穩(wěn)地，等.傳染病動力學(xué)的數(shù)學(xué)建模與研究[M].北京：科學(xué)出版社，2004.

[7]楊雨琦，孫琦，王悅欣，等.重慶市新型冠狀病毒肺炎（NCP）疫情分析與趨勢預(yù)測[J/OL].重慶師范大學(xué)學(xué)報（自然科學(xué)版）：1-6[2020-02-27].

[8]范如國，王奕博，羅明，等.基于SEIR的新型肺炎傳播模型及拐點預(yù)測分析[J/OL].電子科技大學(xué)學(xué)報：1-6[2020-02-27].

[9]王志心，劉治，劉兆軍.基于機(jī)器學(xué)習(xí)的新型冠狀病毒（2019-nCoV）疫情分析及預(yù)測[J/OL].生物醫(yī)學(xué)工程研究：1-9[2020-02-27].

[10]呂秋瑩，單芙香，謝旭，等.2005—2016年深圳市乙型病毒性肝炎疫情分析與趨勢預(yù)測[J].應(yīng)用預(yù)防醫(yī)學(xué)，2018，24（01）：6-9，85.作者簡介：趙行健（1993-），男，漢族，江蘇溧陽人，碩士研究生，重慶理工大學(xué)，研究方向：金融資產(chǎn)評估。