王 瑞，闫 方，逯 静，杨文艺

(河南理工大学计算机科学与技术学院 河南焦作 454000)

疫情在全球多点爆发并蔓延，已成为全球性流行病，给各国人民的健康带来巨大威胁。通过各地一系列防控措施，如勤洗手、公众场合戴口罩、外出需出示健康码和通行大数据等，我国疫情得到较好的控制，但是国外疫情仍然比较严峻，因此利用新冠肺炎历史数据预测疫情发展趋势对制定合理的干预防控措施有重要意义。

文献[1-3]从多个角度为抗击疫情提供了有力的学术支持。现有方法可分为统计学方法、动力学方法和机器学习方法。统计学方法适合在信息不完整的情况下使用，该方法通过部分样本的情况预测总体趋势，而部分样本与总体传播趋势具有较大差异性[4]，因此该方法的预测误差较大，无法准确体现疫情传播的趋势变化。动力学方法的经典数学模型为SIR(susceptible infected recovered)模型[5-6]和SEIR(susceptible-exposed-infected-removed)模型[7-8]。动力学方法对疫情早期传播趋势有较好的预测，但是无法对开放式流动环境下的病毒传播做出准确估计，也无法使假设的疾病传播能力及治愈概率的常数与实际状况相符，因此无法对疫情趋势做长期准确的分析[9]。

随着新冠肺炎数据增多，机器学习展现出了极大的优越性。文献[10]在有限的数据下，通过最小二乘准则和梯度下降算法对数据进行非线性回归来预测新冠肺炎确诊人数趋势，但此方法需要人为添加时间特征保证预测准确度。为解决上述问题，文献[11-13]运用……