新冠疫情自爆发以来,无论从社会还是经济方面都对国内外产生了巨大的影响。在此背景下,对区域人群密度的预测是一项非常值得重视的研究工作。新冠病毒的传播常发生于高密度人群流动的公共区域,如果能对相关区域的人群密度进行预测,就能提前做好防疫方案,从而进行风险控制。本文选取了疫情期间北京地区相关数据作为研究对象,使用机器学习中的单一学习算法和集成学习算法两种方式,对人群密度进行了预测分析。首先,对数据进行了预览及探索性分析。介绍了数据来源及相关字段情况,对相关数据进行了描述性统计分析,探索了如指标相关性、人流量趋势、新冠疫情趋势等情况,并通过图形分析了不同区域的人流量随日期变化的不同规律。其次,对特征进行处理、构建和选择。对数据原本就存在的特征进行研究处理,并新建原始数据集中不存在的特征,使用单变量线性回归测试、Lasso、随机森林三种方法进行特征选择,选取了三组对应的特征。最后,对区域人群密度进行建模预测。在机器学习中的单一学习算法中选取了决策树、岭回归、支持向量机三种方法,集成学习算法中选取了随机森林、Adaboost、GBDT三种方法。使用Python中的贝叶斯优化法来对各模型算法进行调参,选择适合对应算法的最优超参数后,使用Stacking算法对模型进行了融合。结果表明,使用Lasso方法选择的特征组合,并使用三种集成学习方法融合的算法,这种方式下的人群密度预测效果是最好的,预测结果的RMSE值为8.5617。本文利用机器学习方法对新冠疫情期间的区域人群密度预测进行研究,所建立的预测模型有较高精度,能够从科学角度为疫情防控提供一定的参考依据。