简介：本资源面向计算机、人工智能、数据科学等专业的在校学生与教师，提供基于SEIR传染病动力学模型与LSTM神经网络实现新型冠状病毒肺炎预测的完整Python项目，可作为课程设计、期末大作业或毕业设计的参考方案。压缩包共31个文件，包含12个Python源码文件、14张结果图表、2份Excel真实疫情数据、2份Markdown项目说明及备份压缩包，整体约1.79MB，结构清晰便于按模块查阅。项目通过控制接触率模拟不同干预强度，体现防控措施对疫情走势的影响，并利用LSTM以前三天数据预测第四天数值，代码附详细注释，便于理解建模思路与调参过程。目前已有384人学习下载，适合希望入门传染病建模与时间序列预测的读者参考与二次开发。
1. 传染病动力学遇上深度学习：SEIR+LSTM 到底在预测什么
2020 年之后，但凡做过疫情数据建模的人都会碰到同一个尴尬：纯 SEIR 曲线太平滑，纯 LSTM 曲线太抖动。前者把人群当成均匀混合的流体，后者把每日确诊当成一串没有物理意义的数字。真正能落地的方案，是把两者缝在一起——用 SEIR 提供感染机理的骨架，用 LSTM 学习残差和时序波动。这个标题里的 Python 源码包，本质上就是干这件事：输入历史确诊、潜伏、移出数据，输出未来若干天的感染人数预测。
它适合谁？适合手里有一份时间序列、想用神经网络做预测但又不甘心只调包的从业者；也适合做公共卫生、疾控信息化、高校课程设计的人。你不需要先成为流行病学家，但得能看懂微分方程和 LSTM 的输入输出形状。下面我按「先立住理论、再跑通代码、最后讲坑」的顺序，把这条路线拆开讲清楚。
2. SEIR 与 LSTM 的缝合逻辑：为什么不是二选一
2.1 SEIR 的四个仓室和三个关键参数
SEIR 把人群分成四类：易感者 S、潜伏者 E、感染者 I、移出者 R。它的核心是一组常微分方程：
dS/dt = -β * S * I / N dE/dt = β * S * I / N - σ * E dI/dt = σ * E - γ * I dR/dt = γ * I这里 β 是传染率，σ 是潜伏期转为感染期的速率（1/潜伏期），γ 是移出率（1/感染期），N 是总人口。这三个参数决定了曲线的形状：β 越大爆发越猛，σ 越大潜伏越短，γ 越大恢复越快。
纯 SEIR 的问题在于，它假设参数恒定、人群均匀混合。现实中政策干预、检测能力、人口流动都会让 β 和 γ 随时间变化。所以直接拿固定参数的 SEIR 去拟合真实数据，往往在拐点处翻车。
2.2 LSTM 补的是哪一块：残差和时序依赖
LSTM 擅长的是从历史序列里学出短期依赖。把它接在 SEIR 后面，有两种常见接法：
第一种是「SEIR 先拟合，LSTM 学残差」。先用 SEIR 拟合出基线曲线，再用 LSTM 去预测真实值与基线值的差。这样 LSTM 不用从零学感染机理，只需要学波动。
第二种是「SEIR 参数序列 + LSTM 联合预测」。把 β、γ 当成随时间变化的序列，用 LSTM 预测未来的参数，再代回 SEIR 方程推演。这种做法更符合动力学直觉，但实现复杂度高。
源码包里通常采用第一种，因为工程上更稳。下面给一个最小可跑的残差预测结构：
import numpy as np import torch import torch.nn as nn class ResidualLSTM(nn.Module): def __init__(self, input_dim=1, hidden_dim=32, num_layers=2, output_dim=1): super().__init__() # batch_first=True 让输入形状为 (batch, seq_len, input_dim) self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True) self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x): # x: (batch, seq_len, 1) 残差序列 out, _ = self.lstm(x) # 只取最后一个时间步的输出做预测 return self.fc(out[:, -1, :])逻辑说明：输入是 SEIR 基线残差序列，输出是下一时刻的残差修正值。hidden_dim 控制记忆容量，num_layers 控制深度。参数说明：input_dim 固定为 1（单变量残差），output_dim 为 1（预测单点）。如果要多步预测，把 output_dim 改成预测步数，或者用自回归方式滚动预测。
2.3 数据预处理：把确诊数变成 SEIR 能吃的格式
真实数据通常只有每日新增确诊。要喂给 SEIR，得先转成累计量，再反推 E 和 R。常见做法是：
import pandas as pd def build_seir_input(df, gamma=1/14, sigma=1/7): # df 需包含 date 和 new_cases 两列 df = df.sort_values('date').reset_index(drop=True) df['cum_cases'] = df['new_cases'].cumsum() # 用移出率反推累计移出，近似 R df['R'] = (df['cum_cases'] * gamma).cumsum() # I 用当前活跃病例近似 df['I'] = df['cum_cases'] - df['R'] # E 用新增的滞后项近似 df['E'] = df['new_cases'].rolling(window=7).mean().shift(1).fillna(0) df['S'] = df['cum_cases'].max() * 10 - df['cum_cases'] # 总人口按累计量级放大 return df[['date', 'S', 'E', 'I', 'R']]这段代码的关键是 gamma 和 sigma 的取值。gamma=1/14 表示感染期约 14 天，sigma=1/7 表示潜伏期约 7 天。这两个值不是拍脑袋，而是早期流行病学调查的常见估计。实际项目里应该用网格搜索或最小二乘去拟合，而不是直接写死。
提示：S 的构造里用了「累计量级放大 10 倍」这种近似，真实项目应该用实际人口数。如果拿不到人口数据，至少要做归一化，否则 SEIR 的 β 会失去物理意义。
3. 用 Python 跑通 SEIR+LSTM 的最小闭环
3.1 环境准备与依赖安装
源码包一般要求 Python 3.8 以上。我习惯用 conda 建独立环境，避免和系统里的 numpy 版本打架：
conda create -n seir_lstm python=3.8 conda activate seir_lstm pip install numpy pandas matplotlib scipy torch scikit-learn如果你用 pip 直接装，注意 torch 的版本要和 CUDA 匹配。没有 GPU 就用 CPU 版，训练慢一点但能跑通。python 安装 numpy 库的方法这里不展开，pip install numpy 即可。
3.2 SEIR 参数拟合：用 scipy 做最小二乘
在接 LSTM 之前，先把 SEIR 的 β、σ、γ 拟合出来。这一步决定了基线质量：
from scipy.integrate import odeint from scipy.optimize import minimize import numpy as np def seir_deriv(y, t, beta, sigma, gamma, N): S, E, I, R = y dS = -beta * S * I / N dE = beta * S * I / N - sigma * E dI = sigma * E - gamma * I dR = gamma * I return [dS, dE, dI, dR] def loss(params, t, y_true, N): beta, sigma, gamma = params y0 = y_true[0] y_pred = odeint(seir_deriv, y0, t, args=(beta, sigma, gamma, N)) return np.mean((y_pred[:, 2] - y_true[:, 2]) ** 2) # 只拟合 I 列 # 初始猜测：beta=0.5, sigma=1/7, gamma=1/14 res = minimize(loss, [0.5, 1/7, 1/14], args=(t, y_true, N), bounds=[(0.01, 2), (0.01, 1), (0.01, 1)]) print(res.x)逻辑说明：odeint 负责数值求解微分方程，minimize 负责调参。loss 只比较 I 列，因为确诊数据对应的是感染者。参数说明：bounds 限制参数范围，防止出现负值或爆炸。如果拟合结果 β 接近上界，说明模型设定有问题，可能需要加入干预项。
3.3 残差提取与 LSTM 训练
拟合完 SEIR 后，算出基线预测和真实值的差，作为 LSTM 的训练目标：
# 假设 seir_pred 是 SEIR 拟合出的 I 序列，real 是真实 I 序列 residual = real - seir_pred # 构造滑动窗口样本 def make_windows(series, window=7): X, y = [], [] for i in range(len(series) - window): X.append(series[i:i+window]) y.append(series[i+window]) return np.array(X), np.array(y) X, y = make_windows(residual, window=7) X = torch.tensor(X, dtype=torch.float32).unsqueeze(-1) # (N, 7, 1) y = torch.tensor(y, dtype=torch.float32).unsqueeze(-1) model = ResidualLSTM() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) criterion = nn.MSELoss() for epoch in range(200): model.train() optimizer.zero_grad() pred = model(X) loss = criterion(pred, y) loss.backward() optimizer.step() if epoch % 50 == 0: print(f'epoch {epoch}, loss {loss.item():.4f}')逻辑说明：window=7 表示用过去 7 天残差预测第 8 天。lr=1e-3 是 Adam 的常用起点。参数说明：如果 loss 下降太慢，把 lr 调到 1e-2；如果震荡，调到 1e-4。epoch 数根据数据量调整，小数据集 200 轮足够。
3.4 预测与反归一化
训练完后，把 LSTM 输出的残差加回 SEIR 基线，得到最终预测：
model.eval() with torch.no_grad(): last_window = torch.tensor(residual[-7:], dtype=torch.float32).view(1, 7, 1) future_residual = model(last_window).item() final_pred = seir_pred[-1] + future_residual print(f'下一时刻预测感染人数: {final_pred:.0f}')如果要预测多天，就用自回归：把预测出的残差追加到窗口末尾，滚动预测。注意这种方式误差会累积，一般不超过 14 天。
4. 避坑与排查：SEIR+LSTM 最容易翻车的 5 个地方
4.1 现象：SEIR 拟合曲线完全贴不上真实数据
原因：β、σ、γ 的初始猜测离真实值太远，或者 bounds 设得太窄。另一个常见原因是数据没有做平滑，每日确诊波动太大，最小二乘被异常值带偏。
解决：先用网格搜索粗定参数范围，再上 minimize。数据先做 7 天滑动平均。如果还是贴不上，考虑加入时变 β，或者改用分段拟合。
4.2 现象：LSTM 训练 loss 不下降，或者降到某个值就卡住
原因：残差序列本身没有可学习的模式，或者 window 太小。如果 SEIR 拟合已经很好，残差接近白噪声，LSTM 自然学不到东西。
解决：先画残差的自相关图。如果 ACF 在滞后几阶就截尾，说明残差确实没结构，这时候不该硬上 LSTM。如果 ACF 有周期性，把 window 调到覆盖一个周期。
4.3 现象：预测结果出现负值
原因：LSTM 输出没有约束，残差修正可能把基线拉成负数。SEIR 基线本身在疫情末期也会趋近于零。
解决：在输出层加 ReLU，或者对最终预测做 clip。更稳妥的做法是预测对数残差，再取指数还原。
4.4 现象：换一份数据就完全跑不通
原因：代码里写死了总人口 N、初始 S/E/I/R，或者写死了 gamma 和 sigma。不同地区、不同时间段这些值都不一样。
解决：把所有硬编码参数抽成配置文件。N 从数据里推断，初始值用前几天的数据构造。gamma 和 sigma 至少要做敏感性分析。
4.5 现象：训练集表现很好，测试集一塌糊涂
原因：时间序列不能随机划分训练测试集。如果用 train_test_split 打乱顺序，会造成未来信息泄露。
解决：按时间切分，前 80% 训练，后 20% 测试。更严格的做法是滚动窗口验证：每次用前 N 天预测后 M 天，滚动前进。
注意：时间序列的交叉验证不能用 KFold，要用 TimeSeriesSplit。这一点在 sklearn 文档里有明确说明，但很多人第一次做时序预测都会踩。
5. 进阶技巧：用 SEIR 参数序列喂给 LSTM 做联合预测
前面讲的是残差路线，工程上稳，但有个天花板：SEIR 基线一旦拟合完就固定了，LSTM 只能修修补补。如果你想再进一步，可以试试把 SEIR 的参数当成时序特征，让 LSTM 直接预测未来的 β 和 γ。
具体做法是：把历史数据切成多个窗口，每个窗口单独拟合一组 SEIR 参数，得到 β(t) 和 γ(t) 序列。然后把这个序列和确诊序列拼在一起，作为 LSTM 的多变量输入。输出是未来时刻的 β 和 γ，再代回 SEIR 方程推演感染人数。
# 多变量输入：每行是 [beta_t, gamma_t, I_t] def make_multivariate_windows(beta_seq, gamma_seq, I_seq, window=7): X, y = [], [] for i in range(len(I_seq) - window): feat = np.stack([beta_seq[i:i+window], gamma_seq[i:i+window], I_seq[i:i+window]], axis=-1) X.append(feat) y.append([beta_seq[i+window], gamma_seq[i+window]]) return np.array(X), np.array(y)这个路线的优点是预测结果仍然满足动力学约束，不会出现负值或爆炸。缺点是参数序列的拟合本身有噪声，窗口太短会导致 β 估计不稳定。我一般会把窗口设为 14 天以上，并且对 β 序列做平滑。
验证方法上，除了看 MSE，还要看预测曲线的拐点是否和真实拐点对齐。如果拐点提前或滞后超过 3 天，说明参数序列的时序建模有问题。另一个实用技巧是画相图：把 S 和 I 的关系画出来，看预测轨迹是否落在真实轨迹的邻域内。
我自己做这类项目最大的教训是：不要一上来就堆 LSTM 层数。先把 SEIR 拟合做扎实，残差图看一眼，再决定要不要上神经网络。很多时候，一个调好参数的 SEIR 加移动平均，效果不比 LSTM 差，而且可解释性强得多。希望帮到你。
本文还有配套的精品资源，点击获取
