1.基于CNN+SEIR和LSTM的疫情预测预警方法，其特征在于：该方法为：利用卷积神经网络CNN+标准传染病SEIR模型作为新冠疫情的预测模型，通过CNN模型从大量的人口迁移的数据中提取特征，然后利用SEIR模型作为新冠疫情的预测模型。

2.根据权利要求1所述的基于CNN+SEIR和LSTM的疫情预测预警方法，其特征在于：所述卷积神经网络CNN用于实现预测模型的特征提取，包括局部感受野、权值共享和池化；

局部感受野是CNN对于通过一个卷积核在原数据特征中做卷积操作提取数据的局部特征，预测模型中卷积核大小为3×3，在新冠疫情的数据中集合来自各个维度的数据；

权值共享是在模型中的权值矩阵的共享，保证模型学习的特征都是同一位置和时间的特征，提取同一地点同一时间易感人群和新冠患者同时存在的信息；

池化是将数据进行降维处理，预测模型中的池化操作为平均池化；

预测模型通过卷积神经网络提取来自各个维度的人口迁移数据，将统计得来的患者行动轨迹和人口迁移数据做匹配，利用KL散度计算患者行动轨迹和人口迁移数据的相似度；

如果易感染者和患者行动轨迹相似度较大，则见面几率高，否则见面几率小；

从而得出易感染人群和患者与潜伏者的见面几率η1和η2；

将η1和η2作为预测模型中预测部分的参数。

3.根据权利要求2所述的基于CNN+SEIR和LSTM的疫情预测预警方法，其特征在于：所述预测模型中预测部分是通过SEIR模型实现，SEIR模型中包括易感人群、新冠病毒潜伏人群、新冠病毒已感染人群和新冠病毒感染后康复获得免疫人群；

SEIR模型的微分方程如公式(1)～(4)所示，并引入马尔科夫假设求解模型，即此时刻的新增人数只与上一时刻的状态有关系：其中S表示易感人群的人数，I表示新冠患者的人数，E表示潜伏者的人数，R表示已经获得抗体的人数，N表示总人数；S+I+E+R＝N；r1表示患者所遇到的人数，r2表示潜伏者所遇到的人数；传染概率由见面概率和见面后传染强度的大小决定，β1表示新冠患者将新冠病毒传染给易感人群的概率，β1＝η1·θ，，β2表示新冠潜伏者将新冠病毒传染给易感人群的概率，β2＝η2·θ，η1和η2由特征提取部分CNN求得，θ表示新冠病毒的传染强度；γ表示新冠患者康复的概率；

公式(1)表示计算易感人群的数量；公式(2)表示计算新增潜伏者的数量；公式(3)表示新增患者的数量；公式(4)表示新增康复者数量。

4.根据权利要求3所述的基于CNN+SEIR和LSTM的疫情预测预警方法，其特征在于：所述预测模型采用的是基于双向LSTM的多层神经网络模型，模型的输入x1、x2…x(n)是局部区域的疫情信息，对疫情信息做词向量处理，变成计算机可识别的信息；接着将词向量作为双向LSTM的输入，采用双向LSTM实现各个区域信息交互的过程；

所述LSTM包括：

遗忘门：控制上一个单元的遗忘与保存

ft＝σ(Wfht-1+UfXt+bf)   (5)

输入门：控制写入单元格的新单元内容的哪些部分

it＝σ(Wiht-1+UiXt+bi)   (6)

输出门：控制单元的哪些内容输出到隐藏状态

ot＝σ(Woht-1+UoXt+bo)   (7)

新单元内容：这是要写入单元的新内容

单元状态：删除上次单元状态中的一些内容，并写入一些新单元的内容隐藏状态：从单元中读取一些内容

t

得到的输出结果h 作为下一个隐藏层的输入以及当前隐藏层的输出；将属于同一个大区域的局部区域相加求和，得到大区域的预警参考值，根据这个参考值做出预警；

继续根据大区域的信息，将其作为输入传给下一个双向的LSTM，得出更大区域的预警参考值，对各个不同大小的区域做出预警。

5.根据权利要求4所述的基于CNN+SEIR和LSTM的疫情预测预警方法，其特征在于：根据所述参考值与之后统计的值计算损失来优化模型，以更快更准确的得出预警参考值。