支气管肺炎是一种较为严重的呼吸系统疾病,由于婴幼儿肺部器官发育不完善,身体免疫力低下,因此支气管肺炎多发于0到14岁的儿童,是儿童住院和死亡最重要的原因,该疾病已经严重威胁到了婴幼儿的身体健康。在传统医学的研究中,支气管肺炎的患病主要与病毒入侵、细菌感染等因素有关,但随着时间的发展,也有许多学者认为支气管肺炎的患病与空气污染物含量和天气状况等地理环境因素有关,当儿童长时间暴露在空气污染物浓度较高、天气状况较差的环境中,支气管肺炎的患病率会进一步提升。因此,儿童支气管肺炎的患病率相比于成年人来说更高,患病情况也更为严重。建立某地区儿童支气管肺炎患病率的预测模型和预测系统,可以对未来可能成为高患病率地区的家长和儿童进行提前预警,使得易患人群对支气管肺炎疾病有所准备和防范,在一定程度上降低儿童支气管肺炎的患病率,也有利于实现各个地区医疗资源的合理分配。在大数据和人工智能的时代背景下,病案与地理环境大数据的获取和因果关系的揭示已成为可能。本文以成都市作为研究区域,以日均空气污染物浓度、气温和相对湿度为影响因素,经过数据预处理后,建立长短期记忆-全连接（Long short-term memory-fully connected,LSTM-FC）神经网络模型,用于预测成都市儿童支气管肺炎的患病率,并设计出成都市儿童支气管肺炎患病率预测系统。主要研究内容如下:（1）收集2017年成都市各个医院的儿科支气管肺炎病案数据以及2017年全年逐日的成都市空气污染物站点数据,经过经验克里金空间插值（Empirical Bayesian Kriging,EBK）得到成都市各个区县六种空气污染物(CO、NO2、O3、PM2.5、PM10、SO2)的日均浓度;利用ERA-5再分析气象产品,获取2017年成都市各个区县逐日的气温和相对湿度;使用Land Scan动态人口数据集,计算出2017年各个区县逐日的患病率。最后用统一的键对各个表格进行连接形成统一的关系模式,完成病案与地理环境大数据的融合,并进行数据维度的调整、数据集的划分以及归一化处理。（2）构建LSTM-FC神经网络模型,通过地理环境特征和时间因素,预测未来儿童支气管肺炎的患病率。将经过预处理后的训练集数据输入至LSTM-FC神经网络模型中,再经过反复地训练和超参数的调整,最终将各个神经元的权重都调整为理想的数值,模型训练完成。之后,使用均方误差（Mean Square Error,MSE）、平均绝对误差（Mean Absolute Error,MAE）和皮尔逊相关系数R来评价模型在测试集中的结果,最终得到的MSE、MAE和R分别为0.0031、0.0414和0.8528。（3）对比不同影响因素组合的模型后发现,当使用六种空气污染物浓度、气温、相对湿度和以往的患病率作为特征时,模型的预测效果最佳。对比不同时间步长的LSTM-FC神经网络模型,最终发现当时间步长为11时,模型的预测精度最高,即利用前11天的六种空气污染物浓度、气温和相对湿度以及支气管肺炎患病率,来预测第12天的患病率时,预测结果最为准确。并将所提出的LSTM-FC神经网络模型与支持向量机、随机森林和传统BP神经网络模型进行对比,结果显示LSTM-FC神经网络模型能更好地预测儿童支气管肺炎的患病率,并分析LSTM-FC模型预测结果较为优秀的原因是LSTM-FC模型能够有效地处理环境因素对儿童支气管肺炎患病率的滞后效应,并且能够捕捉到患病率随时间的变化趋势。（4）以LSTM-FC神经网络为基础,设计出成都市儿童支气管肺炎患病率预测系统。系统采用B/S架构,数据库采用Postgre SQL和Post GIS,后端采用Node.js和Express框架,并选用Geoserver作为地图服务器,前端采用Vue框架并用Arc GIS API for Javascript地图框架来进行地图的展示和地图服务的调用。该系统的核心功能为预测未来成都市各个区县的儿童支气管肺炎患病率和患病人数,并能够生成Word文档形式的预测和应急方案,显示出未来患病率前三的区县,并给予预警。除此之外,本系统还能够进行儿童支气管肺炎病案和地理环境的管理,包括用户的登录与注册功能、儿童支气管肺炎病例的添加、查找、编辑和删除功能、地理环境数据的编辑功能以及统计图表显示功能等。结果表明,该系统可以用于成都市儿童支气管肺炎病案的管理和患病率的预测且效果较为优秀。