新冠肺炎时序数据预测算法设计
摘要：
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。
算法说明
这里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。
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：
（1）
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。
