截至目前为止,世界卫生组织（WHO）共公布过六起国际突发的公共卫生紧急事件（PHEIC）,如新冠肺炎、埃博拉等,2009年的甲型H1N1流感（流感中的一种亚型）疫情就是六起紧急事件之一。据WHO报道,每年全球大约有10亿人感染流感,其中成年人约占10%,儿童占25%,造成约35万人死亡。由于儿童抵抗力弱,易产生并发症,常被认为是流感的高危人群。儿童流感的发生是由多方面因素引起的,既可能是由于外部环境的影响发生的偶然性变化,也可能是个人因素的必然结果。为了及时了解儿童流感的流行动态,对儿童流感的流行做出科学的防治措施。本文通过采集青岛市某儿童医院临床数据中心的流感患者数据为基础,建立了多方面因素影响下儿童流感预测模型。探究未来儿童流感的发展趋势,为医院预测儿童流感发展趋势提供数据支撑。本文的主要研究内容是:1)对ARIMA模型周期参数进行优化。由于儿童流感预测具有周期的特征,而ARIMA具有捕获周期性变化的时间序列数据的优点,但是,ARIMA模型周期的选择没有具体的确定的参数,采用最小二乘法计算不同周期下的准确率,取最优值为ARIMA模型的输入参数,实验证明针对周期性特征改进的ARIMA模型预测值与实际数据较为吻合,能够更准确预测出未来儿童流感的高峰期。2)对深度学习LSTM模型过拟合问题进行改进。ARIMA模型虽然能够预测非线性的儿童流感发展趋势,但本质上还是通过差分把非线性数据转化为线性数据进行预测,且ARIMA模型在短期预测上具有很好的优势,LSTM模型主要用于长期预测,处理非线性数据。在深度学习LSTM模型中由于LSTM模型存在过拟合现象即由于指标太多,模型在训练时过于严格,造成LSTM模型预测儿童流感准确度低,因此,在模型训练过程中引入Dropout算法完成LSTM模型训练,提升模型的泛化能力,解决LSTM过拟合问题。实验结果证明,经过改进的LSTM模型预测出未来儿童流感准确率接近85%。3)构建ARIMA-LSTM组合模型。ARIMA模型、LSTM模型在儿童流感预测上取得了不错的预测效果。但是,单一的模型预测往往是片面的。因此,本文通过对ARIMA模型预测结果和LSTM模型预测结果进行线性回归建模,构建ARIMA-LSTM组合模型,应用到儿童流感预测上。经过对比实验证明,组合模型比单一模型具有更高的准确率且ARIMA-LSTM模型准确率最高,接近90%。4)本文还建立了儿童流感预测可视化系统。通过建立热力地图、折线图、直方图等可视化界面,清晰的展示了儿童患者年龄、病毒种类等多角度流感预测情况。本文研究的儿童流感预测模型具有较高的准确度和可靠性,能够很好的预测未来儿童流感的发展趋势,了解儿童流感流行动态,提高儿童流感防控效率、降低政府医疗财政负担和个人疾病经济负担,为儿童流感的防治提供科学依据,对于整个儿童流感的疾病防控、病情诊断等方面有着重要的实际意义。