SEIR+LSTM混合模型：新冠疫情预测的机理与数据融合实战

简介：基于传染病动力学模型SEIR与LSTM神经网络实现的新型冠状病毒肺炎（COVID-19）预测Python项目，面向计科、数据科学与大数据、人工智能等专业的课程设计、期末大作业及初期项目立项场景，适合入门进阶与二次开发。项目通过控制接触率调整干预强度，模拟不同防控措施对疫情发展的影响；同时采用LSTM网络以前三日数据预测第四日新增趋势，并计划将干预值纳入输入以优化序列建模。资源共31个文件，包含12个py源码、14张PNG结果图、2份xlsx真实疫情数据以及2份md项目说明，压缩包仅1.79MB，目录层次清楚。源码附有详细注释和备份版本，可快速理解模型构建、数据预处理与预测流程，已有384人学习使用。对于希望掌握传染病动力学建模或LSTM时间序列预测的读者，是一份内容完整、可直接运行的参考资料。

1. 把SEIR和LSTM拼在一起做新冠预测，本质是补两种模型的窟窿

基于传染病动力学模型SEIR和LSTM神经网络的疫情预测，核心思路是把“机理建模”和“数据驱动建模”绑到同一条流水线上。SEIR能从传播机制上推出中期趋势，但拟合不了实际场景里的干预扰动、统计口径变化；LSTM能把曲线形状学得很像，但对未来外推接近黑匣子。两者拼在一起，既保留可解释性，又提高数值拟合度，是目前做新冠疫情预测最常见的混合建模方案之一，也是做毕业设计、数据竞赛和科研基线时绕不开的套路。这篇笔记会一次性讲清楚SEIR的离散差分实现、LSTM的数据集构造与训练、两条拼接路线，以及五类我在复现过程里实实在在踩过的坑。

2. SEIR模型先落地：从四仓室方程到最小Python实现

2.1 SEIR的四个仓室和三个参数：先会读方程，再会调参数

SEIR里的四个仓室分别是 Susceptible（易感者）、Exposed（暴露者）、Infectious（感染者）、Recovered（康复者）。它比SIR模型多一个E仓室，用来装“已经感染但还没具备传染力、也未必确诊”的人群。新冠疫情恰好有明确的潜伏期和确诊滞后，如果直接上SIR，潜伏期和确诊延迟会被一起揉进接触率里，拟合出来的beta和gamma可信度很低。所以在疫情预测这个目标下，SEIR是比SIR更贴合真实场景的起点。

模型的流转方向是 S → E → I → R，三个核心参数控制每一步的速率：

• beta：有效接触率，单位是 1/天，含义是单位时间内一个感染者与易感者有效接触并造成感染的概率；
• sigma：潜伏期转感染速率，通常取 1/潜伏期均值；
• gamma：康复速率，通常取 1/感染期均值。

真正影响最终曲线形状的，往往不是单个参数的绝对大小，而是 beta/gamma 的比值，也就是基本再生数R0。做参数拟合的时候，我一般会先用R0的先验范围约束beta和gamma的搜索空间，再去枚举sigma，比三个参数一起暴力搜索省事得多。另一个值得注意的点是：这里默认总人口不变且康复后不再感染，对短期预测可以接受，但如果预测周期超过两个月，就要考虑抗体衰减和疫苗接种带来的仓室变化。

2.2 用一阶差分把微分方程改写成可运行代码

常微分方程形式在数学上很干净，但落到Python里，一阶差分迭代才是更多人能接手维护的写法。下面这段代码是显式欧拉法的SEIR，输入总人口、暴露者初始值、感染者初始值和三个速率参数，输出每天每个仓室的人数。

import numpy as np def seir_model(total_population, exposed_initial, infectious_initial, beta, sigma, gamma, days, h=0.1): """ 一阶差分实现 SEIR 模型（显式欧拉法） Parameters ---------- total_population : int 总人口，用于推算易感者初始值 exposed_initial : int 暴露者初始值 infectious_initial : int 感染者初始值 beta : float 有效接触率，单位 1/天 sigma : float 潜伏期转感染速率，单位 1/天 gamma : float 康复速率，单位 1/天 days : int 预测总天数 h : float 内部差分步长（天），默认 0.1 Returns ------- np.ndarray, shape = (days + 1, 4) 每天对应的 [S, E, I, R]，索引 0 表示第 0 天 """ # 初始状态：总人口减去暴露者和感染者，剩下的都是易感者 susceptible_initial = total_population - exposed_initial - infectious_initial state = np.array([susceptible_initial, exposed_initial, infectious_initial, 0.0], dtype=float) result = [state.copy()] # 内部步数：每个自然日走 1/h 步 steps = int(days / h) for step in range(steps): S, E, I, R = state # 新暴露人数，beta 乘 S 乘 I 再除以总人口，避免全部人口瞬间被感染 new_exposed = beta * S * I / total_population # 暴露者转感染者 new_infectious = sigma * E # 感染者康复 new_recovered = gamma * I # 按差分步长更新状态 S_next = S - new_exposed * h E_next = E + (new_exposed - new_infectious) * h I_next = I + (new_infectious - new_recovered) * h R_next = R + new_recovered * h # 已经康复的不再倒回去，欧拉法可能冲出负数，用 max 做非负保护 state = np.array([max(S_next, 0), max(E_next, 0), max(I_next, 0), max(R_next, 0)], dtype=float) # 只在每天整点记录一次结果 if (step + 1) % int(1 / h) == 0: result.append(state.copy()) return np.array(result)

逻辑说明：显式欧拉法每一步只用当前时刻的状态计算变化量，再用变化量乘以步长 h 更新状态。外层循环实际执行 days/h 步，但只在整数天位置记录，所以返回数组的长度是 days + 1。恢复人数I/R的更新没有除总人口，因为sigma和gamma本身就是速率，而beta因为依赖于接触概率，通常用beta * S * I / N的形式做归一化，让S和I的数量级不直接影响接触率。

参数说明：sigma 对应潜伏期的倒数，新冠潜伏期均值大约 5.2 天，所以 sigma 建议在 1/5.2 到 1/6.4 之间；gamma 对应感染期倒数，一般取 1/7 到 1/10；beta 才是真正需要反复拟合的变量。要注意的是，如果真实数据集统计的是“确诊人数”而不是“实际感染人数”，那么I仓室的含义和数据集对不上，输出曲线就很难校准。这个口径问题，后面避坑章节还会详细展开。

2.3 离散化步长对结果的影响：为什么1天一步不稳当

很多初学者拿到这段代码后做的第一件事就是把 h 改成 1，结果发现当 beta 偏大时，易感人数被快速耗尽，E 和 I 出现振荡甚至负数。这其实是显式欧拉法的数值稳定性问题，步长太大时，线性化误差会不断放大。h 取 0.1，相当于把每个自然日切成 10 份积分，计算量增加 10 倍，但曲线平滑度和稳定性都明显改善。

在实际项目里，我有一个固定的验证流程：用h=0.1 和 h=0.05 各跑一遍，观察疫情峰值高度和峰值日期。如果两次结果相差超过5%，说明模型对步长敏感，此时调参数没有任何意义，应该先把步长缩小到结果收敛为止。

另外，随着管控措施的变化，把beta设成固定值并不合理。更常见的做法是分段处理：比如某段时间封控，beta取低值；解封后beta回升。分段参数会让LSTM的输入多一个特征维度，后面混合建模时会用到这个思路。

3. 用LSTM预测疫情曲线：数据预处理和PyTorch最小实现

3.1 从RNN到LSTM：为什么时间序列预测默认选LSTM

LSTM（Long Short-Term Memory）是循环神经网络的一种变体，引入遗忘门、输入门和输出门三个门控结构，解决RNN在长序列上梯度消失或者梯度爆炸的问题。疫情数据天然是时间序列，前一天的数字会影响后一天，而且影响可以跨周末、跨潜伏期传导，这种长时间依赖是普通RNN处理不了的。

所以在做“lstm时间序列预测python”这类需求时，LSTM几乎成了默认选项。它不要求你对传播机制有精确的先验知识，只要数据量大、序列长度合适，它就能自动学到滞后相关和趋势相关。缺点也明确：可解释性差，几乎无法判断某个特征具体如何影响下一轮传播峰值，这也是后面要和SEIR拼接的核心原因。只用LSTM预测，测试集上看起来拟合度很高，但一到未来外推就完全散掉，这是我在新冠预测项目里最早翻车的地方。

3.2 数据预处理阶段：归一化、滑窗切分和训练/验证划分

LSTM本身对输入数据的尺度非常敏感，covid统计数字动辄上千上万，直接喂给tanh激活函数，梯度会被压到几乎没有。因此第一步一定是归一化。我自己常用的是标准化方式，也就是减均值再除以标准差，而不是按最大值缩放到0-1。原因是疫情的后续峰值可能远超历史最大值，如果用min-max归一化，未来真实数据天然落在训练区间之外，反而引入系统偏差。

滑动窗口是另一个高频出错点。时间序列预测的常见做法是用过去N天数据预测未来1天或未来K天，这个N就是lookback窗口。窗口太短，捕捉不到潜伏期和传播周期的影响；窗口太长，输入维度膨胀，训练成本高且容易过拟合。对新冠数据，我一般先尝试7天、14天、21天三档，用验证集对比后确定。

下面的代码实现了数据标准化、滑动窗口切分、训练验证划分三个步骤：

import numpy as np from sklearn.preprocessing import StandardScaler def build_sequences(data, lookback=14, horizon=1): """ 将原始序列切成 (lookback, features) 的输入和 (horizon,) 的标签 Parameters ---------- data : np.ndarray, shape = (samples, features) 标准化后的多维特征，第一列一般是每日新增确诊 lookback : int 用过去多少天做输入，默认 14 horizon : int 预测未来多少天，默认 1 Returns ------- X : np.ndarray, shape = (n_samples, lookback, features) y : np.ndarray, shape = (n_samples, horizon) """ X, y = [], [] for i in range(len(data) - lookback - horizon + 1): X.append(data[i:i + lookback]) y.append(data[i + lookback:i + lookback + horizon, 0]) return np.array(X), np.array(y) # 原始数据格式：每一行是 [每日新增确诊, 每日新增治愈, 管控强度特征] raw_data = load_covid_data() # 自己用 pandas 读入后转成的 ndarray # 用训练集拟合标准化参数，验证集和测试集只做 transform train_size = int(len(raw_data) * 0.7) val_size = int(len(raw_data) * 0.15) train_raw = raw_data[:train_size] val_raw = raw_data[train_size:train_size + val_size] test_raw = raw_data[train_size + val_size:] scaler = StandardScaler() train_scaled = scaler.fit_transform(train_raw) val_scaled = scaler.transform(val_raw) test_scaled = scaler.transform(test_raw) X_train, y_train = build_sequences(train_scaled, lookback=14, horizon=1) X_val, y_val = build_sequences(val_scaled, lookback=14, horizon=1) X_test, y_test = build_sequences(test_scaled, lookback=14, horizon=1) print(f"训练集样本数 {X_train.shape[0]}，验证集样本数 {X_val.shape[0]}，测试集样本数 {X_test.shape[0]}")

逻辑说明：标准化只用训练集的fit_transform，验证集和测试集只做transform，这步是防止数据泄漏的关键所在，后面避坑章节还会单独剖析。build_sequences把数据切成固定长度的滑动窗口，X的维度变成 (样本数, lookback, 特征数)，这是LSTM输入的标准形状。标签取的是窗口之后第一行的第一列，也就是每日新增确诊。

参数说明：lookback=14 对应两周，刚好覆盖一个常见潜伏期加检测滞后期；horizon=1表示只预测第二天，如果要做7天预测，可以把horizon设为7，但y的维度从1变成7后，损失函数计算方式要调整，不能直接套MSE。还有一点很容易被忽略：如果原始数据里有周末不统计的情况，会产生周期性的零值，这些零值会让序列训练严重失真，一般建议先把原始数据做七日移动平均平滑，再做滑窗。

3.3 最小可运行LSTM：网络结构、损失函数和训练循环

LSTM模型的代码本体其实不长，我用PyTorch写的一个最小可用版本如下。

import torch import torch.nn as nn import torch.optim as optim class CovidLSTM(nn.Module): """ 一个隐藏层 LSTM + 全连接输出层 """ def __init__(self, input_size, hidden_size=64, dropout=0.2): """ Parameters ---------- input_size : int 输入特征数，和滑动窗口最后一维一致 hidden_size : int LSTM 隐藏状态维数 dropout : float Dropout 比例，防止过拟合 """ super(CovidLSTM, self).__init__() self.lstm = nn.LSTM(input_size=input_size, hidden_size=hidden_size, num_layers=1, batch_first=True, dropout=dropout) self.fc = nn.Linear(hidden_size, 1) def forward(self, x): # x shape: (batch, lookback, input_size) out, _ = self.lstm(x) # 取最后一个时间步的输出，shape 变为 (batch, hidden_size) last_out = out[:, -1, :] # 全连接层输出一个数 return self.fc(last_out) def train_model(model, X_train, y_train, X_val, y_val, epochs=150, lr=0.001, patience=15): optimizer = optim.Adam(model.parameters(), lr=lr) criterion = nn.MSELoss() best_val_loss = float("inf") bad_epochs = 0 for epoch in range(epochs): model.train() optimizer.zero_grad() inputs = torch.tensor(X_train, dtype=torch.float32) targets = torch.tensor(y_train, dtype=torch.float32) outputs = model(inputs) loss = criterion(outputs, targets.unsqueeze(-1)) loss.backward() # 梯度剪裁，防止疫情大数值样本带来的梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() model.eval() with torch.no_grad(): val_inputs = torch.tensor(X_val, dtype=torch.float32) val_targets = torch.tensor(y_val, dtype=torch.float32) val_outputs = model(val_inputs) val_loss = criterion(val_outputs, val_targets.unsqueeze(-1)) if val_loss < best_val_loss: best_val_loss = val_loss bad_epochs = 0 torch.save(model.state_dict(), "best_model.pth") else: bad_epochs += 1 if bad_epochs >= patience: print(f"early stop at epoch {epoch}, best val loss {best_val_loss:.4f}") break if epoch % 10 == 0: print(f"epoch {epoch}, train loss {loss.item():.4f}, val loss {val_loss.item():.4f}") # 回归结束后，用验证集最优模型 model.load_state_dict(torch.load("best_model.pth")) return model

逻辑说明：CovidLSTM先经过单层LSTM提取序列特征，再取最后一个时间步的隐藏状态，扔进全连接层输出预测值。LSTM层的输出是 (batch, lookback, hidden_size)，取 out[:, -1, :] 就拿到了最后一天的语义表示。训练循环里每个epoch都重新计算输入输出，MSE作为损失函数，Adam作为优化器。关键操作是梯度剪裁，因为疫情数据在标准化之前可能已经到了数千量级，标准化后再经过LSTM，偶发的大梯度仍可能炸掉训练过程。

参数说明：hidden_size=64对中小规模数据集是稳妥起点，增大到128或256会提升拟合度，但过拟合风险也同步增加；dropout=0.2提供了显式正则化；batch_first=True让输入形状保持和numpy数组一致，避免维度混淆。损失函数用MSE是对的，因为这是回归任务，不能用交叉熵。如果你想同时预测未来7天，输出层需要改成nn.Linear(hidden_size, 7)，MSE的计算也要对齐维度。

4. 把SEIR和LSTM接在一起：两条技术路线和适配场景

4.1 路线一：SEIR生成模拟数据预训练，再用真实数据微调

真实疫情数据通常只有几十到几百个有效样本点，直接训练LSTM，属于用大数据方法硬啃小样本问题，过拟合几乎是必然的。这时候SEIR可以充当“数据发生器”：用不同参数组合跑出大量模拟曲线，把这些模拟数据作为预训练集喂给LSTM，让模型先学到传播机制的通用规律，再用真实数据微调最后一层或全模型。

做法上，第一步是准备好参数网格，比如beta在0.2到0.8之间取20个值，sigma在0.15到0.3之间取10个值，gamma在0.1到0.3之间取10个值，总共2000组参数组合。每组参数跑90天，每组都能得到几条曲线（新增、累计、康复）。把这些曲线切片成滑动窗口样本，就得到一个庞大的预训练数据集。预训练时用正常的MSE，等loss稳定后，把模型加载到真实数据上继续跑几十个epoch，学习率调成原来的十分之一。

我实际用过一次这个方案，效果最好的场景是：真实数据只有40天，而SEIR模拟数据有2000条90天曲线。预训练让模型记住了“疫情曲线的大致形状”，微调则把形状匹配到真实曲线的垂直尺度上。这个方案的短板在于SEIR参数和真实传播过程的差距会直接污染预训练数据，如果SEIR参数空间没选好，模型学到的是错误的“先验”，微调阶段很难完全纠正。

4.2 路线二：SEIR做基线，LSTM只学残差

残差校正是更常用的方案，也是我在多个疫情预测项目里最终选定的路线。思路是先校准SEIR参数，让SEIR预测出一条基线曲线；然后用LSTM去拟合真实曲线与SEIR曲线之间的差异，也就是残差；最终预测等于SEIR基线加上LSTM残差。这样LSTM不用去预测绝对值，只需要预测“SEIR漏掉的那部分”，任务难度显著降低。

残差预测的代码实现也不复杂。首先用校准好的SEIR参数得到连续90天的预测值，然后计算真实每日新增确诊减去SEIR每日新增的残差序列，把残差序列当作LSTM的目标值。LSTM输入截取真实数据的滑动窗口，输出就是残差。

# 假设 seir_predict 是 SEIR 模型输出的每日新增感染序列 # true_cases 是真实每日新增确诊序列 # 两者长度需要先对齐，用滚动窗口处理起始段的滞后差 residual = true_cases - seir_predict # 标准化残差，然后切滑动窗口 scaler_residual = StandardScaler() residual_scaled = scaler_residual.fit_transform(residual.reshape(-1, 1)) X_res, y_res = build_sequences(residual_scaled, lookback=14, horizon=1) # 训练残差预测模型 model_res = CovidLSTM(input_size=1, hidden_size=32) model_res = train_model(model_res, X_res, y_res, X_val_res, y_val_res, epochs=100, lr=0.001) # 预测最终结果 = SEIR 基线 + 残差反标准化后的 LSTM 输出

逻辑说明：残差序列切窗口时，lookback仍然取14，但输入特征只有残差一列。SEIR基线已经吸收了趋势和传播机制，残差通常围绕0波动，LSTM在这种序列上更容易收敛，也不用担心绝对值数量级过大。最终预测时，把SEIR的下一天预测值和LSTM的下一天残差预测加起来就是完整结果。

这个方案的好处非常明显：即使LSTM在最后几天外推失效，SEIR基线也能兜底，不会出现整体预测崩塌的情况。避坑指引只有一句话：确保SEIR基线和真实曲线口径一致。如果SEIR输出的是“累计感染”而你拿真实“每日新增”去算残差，结果必然是一堆趋势项残差，LSTM学到的全是无意义的伪规律。

4.3 两条路线怎么选：看数据规模和SEIR的校准时长

选择原则我认为主要看两个条件：真实数据样本量和SEIR能否被快速校准。

如果真实数据少于60个采样点，单靠LSTM没有任何可靠建树，走路线一用SEIR预售更好；如果真实数据有100个以上采样点，且SEIR参数通过优化算法能在半小时内收敛，走路线二更直接，解释性和稳定性都更好。如果是疫情期间做实时决策，压根没有时间去反复校准SEIR，路线二的前期成本就可能太高，此时宁可选择路线一，用参数范围覆盖不确定性。

还有一个混合做法值得提一下：路线一的预训练模型可以在微调阶段继续用SEIR同步生成动态数据增强，也就是在训练循环里定期补充新SEIR仿真样本。这种做法的成本是训练时间增加，但对防过拟合有明显帮助。业务上如果对解释性要求高，最终汇报展示时采用SEIR的物理曲线为主、LSTM的残差修正为辅，双方都有交代。

5. 避坑排查：疫情预测里LSTM的五个常见翻车点

5.1 数据泄漏：归一化的“全局统计量”带着未来信息

现象：训练集loss低到0.01，验证集loss却高达0.5，模型在训练集上近乎完美，一到验证集就恢复平庸。

原因：这是我在项目里遇到最隐蔽的坑。如果对整个数据集先归一化再划分训练验证，StandardScaler的mean和std就已经包含了未来数据的信息，模型在训练阶段其实偷看了答案的分布。虽然看起来只差一个均值，但疫情曲线是强趋势序列，后期峰值远高于前期，全局均值会把前期数值压到负数，后期数值又过大，导致训练集和验证集的数据分布根本不是同一个尺度。

解决：严格按“训练集fit、验证集和测试集transform”的顺序处理，并且在切分滑动窗口之前不做任何跨样本的统计计算。代码里我已经用train_raw做fit_transform，val_raw和test_raw只做transform，这就是正确顺序。血的教训是，早期版本我写过加载全部数据后统一scaler，结果看起来精度极高，实际一上线就崩。

5.2 周末效应：病例数周期性波动被LSTM当成规律

现象：模型预测曲线呈现明显的7天周期抖动，每一周的第几天会出现固定峰值或谷值，而这个规律在实际部署时根本不存在。

原因：不少公开数据源在周末统计口径会变化，周六周日报送病例数偏低，周一甚至可能把过去两天的数据一起补报上去。LSTM学到的是“序列里每隔7天有一个低谷”的表象，把它当成了真实的传播规律。这种周期本质是统计噪声，不是传染动力学特征。

解决：训练前对原始数据做七日移动平均，把周末效应平滑掉。另一个办法是把星期几作为外生特征传入LSTM，但这会让模型记住统计口径的规律，预测未来时如果数据源口径变了，反而误导模型。我在两个做过对比：加星期特征看似提升拟合度，但一到跨月预测就产生“每周幻觉”，所以宁可先平滑再建模。平滑操作要在归一化和滑动窗口之前完成，保证随后所有处理的序列都不带这种伪周期性。

5.3 过拟合与梯度爆炸：loss降不下来先查学习率

现象：训练到第50个epoch时，验证集loss不降反升，训练集loss还在稳步下降；另一种现象是训练开始几轮loss直接变成NaN。

原因：前者是典型过拟合，模型开始记忆训练集噪音；后者通常是学习率过大加梯度爆炸，特别是疫情数据标准化后仍有离群值，LSTM在时间维度上的梯度穿过多个时间步后会指数级放大。

解决：过拟合用早停加Dropout，早停的patience设为15，Dropout保持0.2到0.3。我不能强调太多的是，学习率不要一上来就用0.01，0.001是更稳定的起点，如果还是NaN，就降到0.0005。同时梯度裁剪我放在backward之后step之前，max_norm选1.0，这比调整网络结构更快解决问题。另一个隐藏很深的坑：PyTorch中LSTM即使设置了dropout参数，在单层LSTM下也可能不生效，所以如果网络层数只有1层，要么叠两层LSTM，要么靠早停和正则化兜底，不能寄希望于dropout这一个参数。

5.4 预测曲线过于平滑：MSE在均值回归

现象：测试集上MSE分数还行，但画出来的预测曲线几乎是一条直线，没有明显峰值，和真实曲线的剧烈波动差距很大。

原因：MSE损失函数天然倾向预测未来序列的平均值。疫情数据中峰值日的数值可能是平时的好几倍，MSE会把预测结果向样本均值方向拉，导致输出曲线被严重“压平”。这也是疫情预测里LSTM的经典问题之一，不是模型没学会，而是它在尽量降低错误惩罚的代价。

解决：第一种方案是对标签做log1p变换，先取log再标准化，然后在反标准化时用expm1还原。这能把大数值峰值压缩到和普通天数相近的量级，让MSE不再被极端峰值主导。第二种方案是改用分位数损失或Huber损失，不顺滑地惩罚误差。Huber损失在这里可以同时兼顾曲线峰值和普通段的拟合，比单纯调网络结构有效得多。如果预测目标是“拐点位置”而不是“精确数值”，还可以转成分类问题，预测未来趋势是上升还是下降，绕过数值回归的均值陷阱。

5.5 SEIR参数无法识别：率参数并非都能被数据唯一确定

现象：对同一组真实数据跑优化，初始化不同会收敛到完全不同的参数组合，而且每组参数跑出来的拟合效果都一样好，但预测结果差别很大。

原因：SEIR的状态方程是耦合的，不同的beta/gamma组合可能产生非常接近的曲线，这种“参数不可辨识性”在传染病模型里特别常见。试想一下，感染期长短和接触率同时变大一倍，R0保持不变，曲线形状短期内可能难以区分。你对参数的先验越弱，模型越容易在多个局部最优之间摇摆。

解决：在优化时加入R0的先验范围，比如新冠早期R0大约在2.2到3.5之间，把这个约束放进目标函数作为正则项。另一个办法是固定sigma和gamma为文献值，只拟合beta，这样参数空间从3维降到1维，鲁棒性显著提升。如果你发现训练结果显示参数跨了很大区间，及时用后者做约束更实用。

6. 验证和进阶：不只汇报RMSE，还要看峰值偏移量

模型做出来后，验证这件事我吃过很多亏。一开始我也只汇报测试集RMSE，后来发现两个模型RMSE相差不到1%，但一个预测峰值在第42天，另一个在第51天，而峰值日期恰恰是决策方最关心的指标。所以现在我的验证报告固定看三类指标：整体RMSE、峰值日期偏差、峰值强度偏差。峰值偏差可能比RMSE更致命，尤其是当你预测的最终目的是判断医疗资源饱和度时。

进阶做法是多步滚动预测验证。很多LSTM疫情预测项目只汇报“一步预测”效果，也就是用第N天之前的数据预测第N+1天，这个任务过于简单，模型大部分时间在复制最近几天的趋势。真正有挑战的是“未来7天窗口”预测：用第N天之前的数据一次输出第N+1到第N+7天的值，然后再滑到下一天。我会在测试集上跑这种滚动评估，记录未来7天窗口内的平均误差，这比单点预测更能暴露模型外推能力的短板。

最后一个实在的建议：如果预测结果要用来做展示或决策，把SEIR的预测曲线和LSTM残差修正部分分别画出来，决策方看到拟合效果的同时也能理解趋势来源。LSTM部分如果输出不稳定，可以在预测阶段做多次dropout采样，取多次预测的均值，这相当于用模型自带的不确定性做一次蒙特卡洛估计。我早期一直追求单次预测最高精度，后来才发现稳定比精确重要，多次采样取均值的策略虽然不能提升峰值精度，但能实实在在地减少曲线抖动，也能给出置信区间。

做完整套流程之后，我现在动手新项目的第一件事永远是先检查口径，再规划训练验证划分方案，最后才调模型结构。这个习惯帮我避开了很多无形中的翻车。希望帮到你。

本文还有配套的精品资源，点击获取