手足口病是一种常见传染病,由多种肠道病原体引起,在我国流行日趋严重。它的发病有着明显的地域性和季节性,先前的研究已经报道了气象因素对手足口病发病的影响,也有很多模型预测手足口病的发病趋势。对其发病趋势预测能够帮助相关机构制定预防措施,具有重大意义。本文针对手足口病多元异构大数据,通过相关性分析得到相关度较高的特征,结合LSTM网络对济南市和广州市手足口病数据进行建模,进行发病趋势的中期预测。在其他预测分析中一般采用单点预测,且未考虑其他特征,而本文研究问题为对手足口病发病进行较长时间预测,本文的难点在于如何保证较长时间的预测的精度,以及如何有效利用其他特征。针对以上问题,本文选用气象因素作为要用的特征,首先研究气象因素对手足口病发病的影响。在分析了两市手足口病流行特征及气候特征之后,使用Spearman相关分析探讨各个气象因素与手足口病的关联性,挑选相关性较高的气象因素并去除共线性,在此基础上使用分布式滞后非线性模型估计气象因素对手足口病发病的非线性效应。结果表明温度和相对湿度对手足口病发病有影响,并且这种影响具有空间异质性。济南市随着温度的升高,患病风险增加,在低湿度情况下患病风险较大,并有滞后10天左右的影响。广州市温度为27℃时,发病风险最高,随着湿度的升高,患病风险降低,并在1-2周内都有影响。在确定了使用温度和相对湿度作为特征之后,建立长短时记忆网络（Long-short Term Memory,LSTM）并进行预测。将LSTM模型预测结果与使用差分自回归移动平均模型（Seasonal Autoregressive Integrated Moving Average Model,SARIMA）、支持向量回归机（Support Vector Regression,SVR）及CNN-LSTM模型进行对比,除了在济南市数据集上,SARIMA模型略好于LSTM模型,其他都是LSTM模型的均方根误差（Rooted Mean Squared Error,RMSE）和平均绝对误差（Mean Absolute Error,MAE）更小,表明该模型预测准确率更高。将温度和湿度作为变量纳入LSTM模型后,预测精度得到提升,在两个数据集上的结果均好于其他模型。本文研究结果表明LSTM模型在手足口病发病趋势较长期预测问题上有良好的预测精度,平均温度相对湿度影响手足口病的传播,结合温度和湿度建立模型能够提高预测的精度。结合大数据进行建模在手足口病预测问题上有较好的应用前景。