计算物理

作者：陈雨笛, 陈晟, 陈怡任, 耿玉迪, 舒晗

关键词：扩展型SEIR-LSTM模型, 长短时记忆网络, 非线性

基于2022年日本东京新型冠状病毒感染(COVID-19)疫情数据, 提出一种融合动态修正的扩展型SEIR(易感-潜伏-感染-移除)模型与LSTM(长短时记忆网络)深度学习网络的混合预测框架, 以提升疫情趋势的预测精度。以2022年9月1日至10月12日东京疫情数据为基础, 在经典SEIR模型框架下, 先引入动态时变疫苗接种率参数和人口密度空间修正因子, 构建扩展型SEIR模型; 再引入LSTM网络, 对扩展型SEIR预测值与真实数据的残差进行动态修正, 通过长短期记忆机制学习历史数据中的非线性模式, 实现预测误差实时补偿。优化后的混合模型在东京疫情演进预测中与实际数据高度吻合, 其峰值预测能力显著优于单一扩展型SEIR模型。

来源：2025年第5期

《计算物理》期刊编辑部

查看计算物理杂志2025年第5期