新型冠状病毒肺炎（COVID-19）疫情正在全球蔓延,其是一种传播迅速并危及人类健康的传染病,直至2021年新冠肺炎疫情仍在许多国家和地区迅速蔓延。因此迫切需要对新冠肺炎的发展和蔓延趋势进行研究,以开发出长期预测模型来预测未来病例的数量,预测疫情何时可能出现拐点,以及分析政府出台的一系列防控措施对疫情防控的影响,而这些防控措施同时也对国家的经济造成了影响,为了探究这些措施是否产生了影响以及该维持多久,分析和预测疫情的发展趋势是至关重要的。本文数据源采用的是中国卫健委和约翰斯·霍普金斯大学提供的流行病学数据。目前多数新冠疫情预测模型都只使用累计确诊人数来进行训练,而这导致训练出来的模型只能预测疫情的上升趋势,而无法预测疫情何时可能出现拐点,因此本文第三章使用SEIRD模型预测疫情发展趋势以及可能出现拐点的时间,第四章基于的长短期记忆网络（LSTM）以每日新增病例数训练集和以“COVID-19”为关键字的Google趋势建立了一个新冠肺炎传播趋势预测模型。第二,大多数预测方法都是基于历史累计确诊人数来训练模型,并未考虑输入序列的实时更新,然而,当前时刻的预测很可能对下一时刻的预测的准确性方面有着一定的影响,因此采用滚动更新机制,即使用当前预测结果来实时更新输入序列,进行长期精确的预测。第三,考虑到不同时间点的历史数据对当前预测时间点的数据的贡献不同,引入了注意力机制,通过加入注意力机制赋予输入影响权重,突出有效特征,提高预测精度。第四,采用SEIRD模型,通过控制接触率来改变干预程度,体现防控的意义。本文设计的SEIRD模型（Susceptible-Exposed-Infected-Recovery-Death model）基于基础的SEIR模型（Susceptible-Exposed-Infected-Removed model）,但是将基础的SEIR模型中的移除者群体R细分为了痊愈者群体R+死亡者群体D,并且使用模拟退火算法和基本再生数R0来进行参数估计,在预测湖北省疫情时,本文提出的SEIRD模型的预测误差率为6.67%,Yang Zifeng等人提出的嵌入了迁入、迁出人数的SEIR模型的预测误差率为12.56%。在预测伊朗和秘鲁的新冠疫情确诊人数时,本文提出的基于滚动更新机制和注意力机制的RA-LSTM模型（Rolling-Update Attention Long Short-Term Memory）的预测平均绝对误差率百分比为2.45%,Wang Pei Pei等人提出的改进LSTM模型的预测平均绝对误差率百分比为4.69%,本文提出的RA-LSTM的性能有着优势。