由于传染病的发展趋势尚不清楚,这意味着预测传染病的发病情况并不容易。随着机器学习和深度学习研究的不断深入,尤其是LSTM循环神经网络的大量研究,使得很多难以预测的问题得到了更好的解决。本文通过调研发现还没有将LSTM循环神经网络应用在传染病预测领域的研究。本文将LSTM神经网络应用在传染病预测领域是一次大胆的尝试。通过利用天气数据、经济数据、人口数据等,并将这些数据结合传染病发病个案数据一并进行传染病预测的研究,取得了良好的传染病预测效果。首先通过数据预处理分析现有数据,提取出有用的特征因素,例如,本文通过数据分析可知,影响传染病发病情况除以上所述外还有年龄因素、性别因素、职业因素等等。本文通过ARIMA和LSTM的对比实验发现,预测所有传染病的发病情况时LSTM模型优于ARIMA模型,同时又将所有数据划分为多个时间段的预测,例如,分月预测、分周预测、分日预测,在预测时间段的选择上,本文通过实验发现分周预测的效果是最优的。在预测未来一周的传染病发病情况时,其中LSTM模型的RMSE指标值为188.59,而ARIMA模型的RMSE指标值为336.88。本研究在确定了分周预测效果最优的前提下,又提取单一疾病病种的数据集来做预测,在其他数据一致的情况下,以预测肝炎、肺结核、梅毒等发病的情况来对比ARIMA模型和LSTM模型的优劣。从预测效果来看,LSTM模型优于ARIMA模型。以上实验结果表明,LSTM循环神经网络更准确,更适合用于乙类传染病预测的研究。经过以上对比实验后,本文决定使用LSTM循环神经网络来预测传染病的发病情况,并将预测结果的多种指标做成了一套完善、高性能的可视化系统。我们相信这项研究可以消除现有传染病监控系统中的报告延迟和预测不准确等问题,从而最大限度降低社会成本,本系统也已经在四川省疾病预防控制中心内部试用。