人数作为输出层，利用已有的深度学习框架，构建 BP 神经网络模型。
（3）确定隐藏层个数和各隐藏层的节点数。由于目前关于 BP 神经网络隐藏层数量的确定方法的相关研究还比较少，且一层隐藏层已经可以实现较小的预测误差，同时由于增加模型的隐藏层数量容易增加模型的训练难度，对设备的要求比较高，所以目前多采用控制隐藏层数量而增加隐藏层节点数的做法以达到实现较小误差的目的。
但是，由于增加隐藏层数量往往会提高模型的准确度，使模型预测误差更小，因而本文仍将设计多个隐藏层以帮助提高模型精度。鉴于目前已有的研究，本文将在仅有一层隐藏层的 BP 神经网络模型的训练效果的基础上，增加隐藏层，最终确定隐藏层层数。
第六章 总结
6.1 结论与建议
6.1.1 结论
本文在充分回顾和梳理 2020 年初我国新冠疫情发展状况的基础上，首先选定研究时间节点、划定研究的累计确诊人数数据的统计截止时间为 2020 年 4 月 8 日；其次，将研究单位具体到我国各市州，考虑到数据搜集的困难，最终选定我国 294 个市州作为研究单位；最后依据选择的研究对象，搜集有关数据，利用 Lasso 变量选择方法和 BP 神经网络方法构建预测模型，得出以下结论：
（1）2020 年初我国疫情传播分布特点
我国 2019 年 12 月 1 日出现第一例新型冠状病毒肺炎患者，随后疫情快速传播，全国疫情愈发严重，最终我国至 2020 年 4 月 8 日疫情趋于平稳，境内再无本土新增确诊病例，防控重点也转变为防控境外输入病例。我国 2020 年早期，确诊病例主要集中在湖北省武汉市，确诊人数增幅相对平稳；但在 2020 年 1 月中旬前后，疫情逐渐沿武汉市向周边省市蔓延，全国的确诊患者人数快速增加。至 2020 年 2 月中旬，增长幅度达到最高峰，河南省、湖南省、浙江省和广东省是除湖北外疫情最为严重的省份，黄冈市、孝感市是除武汉市外确诊人数最多的城市。随后得益于我国严厉的防控政策和防控手段，疫情发展速度逐渐下降，至 3 月中下旬，全国除武汉市外几乎不存在新增本土确诊患者。
（2）人口流动对疫情传播影响大
时值春运，人口的快速、长距离流动加速了疫情的传播速度和传播范围，城市的客运水平高也在相当程度上反映出城市的客运规模大、客流量大。人口流动规模越大、长距离交通运输旅客越多，新冠病毒传播范围越广，最终确诊人数也就越大。此外，城内出行人数占比全市总人口数越多、该市最终确诊人数相对也就越小。
（3）医疗系统发展水平对城市累计确诊人数存在较大影响
城市医疗系统不同方面的发展程度对该市疫情最终确诊人数存在不同方面的影响，医生、卫生技术人员和医院数能够抑制确诊患者数的增长，而病床位数则会在一定程度上促进感染人员的增加。
参考文献（略）
