传染病是由各种病原体引起的能在人与人、动物与动物或人与动物之间相互传播的一类疾病。对传染病进行有效防控是十分重要的,否则可在短时间内导致群体性发病,影响人们的健康与日常生活。而且对于快速传播的高致病性传染病,仅靠疾病预防和控制中心人工地发现和统计传染病信息的后果将是致命的。因此,设计能够精确预测传染病信息的模型对防病、治病与卫生决策有着重大意义。本文针对厦门市手足口病发病人数预测问题,从时序预测的角度出发,重点研究了基于深度学习的传染病预测模型。主要研究工作如下:1、针对不同历史时间的预测变量对未来传染病发病人数预测的重要性不同这一特点,本研究提出了基于注意力机制的传染病预测模型。模型采用引入了注意力机制的编码-解码结构,模型中的编码器和解码器均为循环神经网络。在基于注意力机制的传染病预测模型中,编码器中不同时间节点的输入直接参与计算该节点所对应隐藏状态的注意力权重,编码器中隐藏状态的加权和作为联系编码器和解码器的中间向量,从而实现模型对有助于提高预测精度的历史信息的关注。实验结果显示,相对于LSTM、ARMA等基线模型,基于注意力机制的传染病预测模型进一步提高了传染病发病人数的预测精度。2、针对传染病发病人数与诸多变量有着难以捕捉的复杂关系这一问题,本研究提出了基于循环神经网络的传染病预测模型。首先,使用多个循环神经网络并行地学习单个变量与传染病发病人数之间的关系,以及所有预测变量与传染病发病人数之间更为复杂的联系;然后,由残差网络和全连接网络组成的融合网络融合多个循环神经网络学习所得的特征,以获得变量间更深层次的关联;最后,通过融合网络得到未来发病人数预测结果。实验结果表明,相比于本研究使用的基线模型,基于循环神经网络的传染病预测模型能有效提高传染发病人数的预测精度。综上所述,为了提高传染病发病人数的预测精度,本文提出两种基于深度学习的传染病预测模型,且通过实验验证了所提模型的预测性能。