2019年底,发现多名急性呼吸道传染病患者,后确定引发该疾病的为一种新型的冠状病毒,将该类型新型冠状病毒感染的肺炎命名为新冠肺炎.因初期不了解病毒的具体情况,新冠病毒以极快的速度传播至全球多个国家.至今,新冠病毒已对全世界的经济发展、交通出行、社会活动以及人民健康造成了极大的影响.因此,根据现有疫情发展的相关数据,分析疫情扩张的影响因素以及运用模型预测疫情发展情况,对国家和政府及时采取防疫措施、合理分配调动全国医疗资源有着重要的意义.根据目前各国学者对新冠肺炎发展趋势的预测情况来看,采用的预测模型大致分为两类.第一类是传染病动力学模型.此类型的模型一般是在基础的SIR模型上做进一步的模型拓展,但由于设定的参数、带入的疫情相关数据等各有不同,最后模型预测的效果也不尽相同;第二类是采用人工智能、大数据的相关技术对疫情发展的相关数据进行建模预测.此类研究主要采用的方法是机器学习的相关算法,包括:逻辑回归、XGBOOST、LSTM等模型.其中,由于各个模型的原理、参数设置不同,相同的数据或相同的模型都会产生不同的预测结果.本文选取美国疫情的相关数据作为研究依据,集合了传染病动力学模型和机器学习算法进行了疫情发展预测.首先,对美国疫情发展情况进行描述性统计分析,结果发现美国疫情增速仍然较快,形势依旧严峻,需要继续采取严格的管控措施.之后建立传染病动力学模型SEIR模型,结果表明政府在疫情初期采取干预措施可以大幅降低传染病感染人数和死亡人数,且预测模型在训练集上拟合效果良好.其次,利用皮尔逊相关系数和最大互信息系数做相关性分析后得出医疗因素和政策因素与美国疫情发展的相关性较强,与社会因素因素的相关性较弱.最后构建模型阶段,筛选了与疫情发展强相关的特征作为自变量,确诊病例数和死亡病例数作为因变量,分别说明了六种模型的调参方式,对比了使用入选变量和全部变量的预测结果,并设置均方根对数误差来判断模型的预测效果.结果表明,使用入选变量的模型预测效果明显较优,此外,六种模型中回归决策树对确诊病例数的预测效果最好,而线性回归对死亡病例数的预测效果最佳.深度学习算法可能因数据量较小等问题,没有在预测效果上展现足够的优势.本文取得了较好的预测结果,对之后的疫情防疫有重要的参考意义.