传染病是一种传播途径多样,影响范围广的流行性疾病,严重时会危害人们的生命健康和影响社会的正常运转。这种疾病从开始发生到集中暴发的过程中,通常会存在一段发展期。如果不在此期间进行人为管控的话,会对社会运转和全球经济造成不可预知的损失。因此若能根据已有的数据对未来一段时间的传染病发展趋势进行预测,并且给出传染病预测结果的分析和解释,将可以为传染病防控提供决策和参考,及时控制高风险地区人口流动,以及合理分配医疗资源。这将有助于人类社会控制传染病,保障社会公共卫生安全。为了能够预测传染病在未来一段时间内的发展情况,并给出预测结果的解释和依据。本文根据某平台提供的脱敏传染病数据集展开相关研究,经过数据集特性分析和一系列数据处理后,提出了基于时空序列的传染病发展趋势预测模型并对预测结果进行了可解释性分析,最后实现了传染病模型预测和预测结果可解释性分析的可视化。本文的研究内容主要分为以下三部分:（1）提出一种基于时空序列的传染病发展趋势预测模型考虑到传染病数据的时空特性,本文构建了时空注意力图卷积神经网络（Spatial-Temporal Attention Graph Convolutional Networks,STAGCN）模型,引入注意力机制来自适应分配不同时间段的传染病数据的特征权重,用图注意力网络来动态提取传染病数据的空间信息。STAGCN模型增加了对数据中重要特征信息的关注程度,极大地保留了数据时空特征的关键信息。同时引入区域之间的关联强度来表示区域目标节点特征与邻域节点特征之间关系,提升了模型捕捉传染病数据空间关系的能力。最后通过输出层得到对应的各个区域在未来一段时间内的每日新增感染人数。该模型可以自适应提取传染病数据的时空特性,因此能够更好地学习数据特征。在未来5天、10天和15天的趋势预测中,STAGCN模型预测结果的均方根对数误差分别比基准模型低8.59%、7.76%和12.30%。（2）利用可解释性方法对预测结果进行分析和解释人口迁徙对传染病流行具有重要影响,为能够描述迁徙指数对传染病发展趋势的影响,本文以城市为基本单位,基于城市间的迁徙指数对传染病预测结果进行解释分析。首先从传染病的单个样本和总体样本两个维度,分别利用夏普利加权可解释（SHapley Additive ex Planations,SHAP）计算迁徙指数对模型预测结果的贡献度,并对重要性排名高的迁徙指数进行分析。然后对迁徙指数的依赖性和交互性进行解释,利用可解释性方法中的SHAP值、部分依赖图和个体条件期望来分析模型预测结果与各个迁徙指数的依赖关系,解释迁徙指数是如何影响模型预测结果。最后,计算迁徙指数之间的交互值,分析迁徙指数之间的关联性,使得模型预测结果具有充足的参考依据。（3）模型预测结果以及可解释性分析的可视化可视化平台主要使用REST风格,前后端分离进行开发。平台主要展示传染病的时空信息,以及对传染病在未来一段时间内的趋势预测进行可视化,并且详细全面地给出迁徙指数对模型预测结果的重要性、模型预测结果与迁徙指数之间的依赖关系和迁徙指数之间的交互关系,为传染病防控机构和其他相关部门提供传染病发展趋势预测的辅助服务。