新冠肺炎疫情肆虐全球,给人类生活的方方面面带来深远的影响。准确预测各地区未来的疫情趋势有利于科学制定干预措施,对防控疫情而言至关重要。新冠疫情时空序列预测即基于各地区历史的疫情数据,估算不同地区未来一段时间疫情的动态变化趋势。尽管现有研究已证实,基于经典的传染病模型和时间序列预测模型的疫情预测方法在一定程度上可以预测新冠疫情的传播趋势。然而,这些方法的预测性能普遍不高,主要原因在于它们忽视了以下两个关键因素:1.疫情时空关联复杂。潜伏期内新冠病毒具有高度传染性,容易随人流快速传播,同时不稳定的潜伏期和无症状感染者,造成地区疫情间存在复杂的时空依赖关系。2.干预措施影响显著。各地区实施的干预措施对疫情的传播具有不可忽视的影响。为此,本文基于对疫情传播特点的分析,致力于建立合适的新冠疫情预测模型来预测各地区的疫情变化趋势,主要研究内容如下:（1）针对复杂的疫情时空关联,本文提出了一种时空注意力驱动的新冠疫情趋势预测模型STEAP（Spatial-Temporal Attention-driven Epidemic Prediction）模型,用于预测不同地区未来的疫情变化趋势。该模型首先在基于长短时记忆网络（Long Short-Term Memory,LSTM）的编码器端,融入空间注意力机制（Attention Mechanism）,来捕获不同地区疫情序列间的动态关联关系,并提取疫情序列数据的时序特征。然后使用基于LSTM的解码器网络进行动态解码,并在解码的过程中引入时间注意力机制,来挖掘不同时间间隔内疫情序列的时序依赖关系。最后,经由全连接层生成最终的疫情预测输出序列。在公开的新冠疫情感染序列数据集上的实验结果表明,本文所提出的STEAP模型的预测性能优于其他先进的同类疫情预测模型。此外,本文还通过消融实验,进一步说明该模型中关键模块的有效性。（2）考虑到疫情干预措施对疫情的传播存在显著影响,本文在上一工作的基础上,提出了一种跨模态的新冠疫情时空序列预测模型CMSEP（Cross-Modal Spatiotemporal Epidemic Prediction）,通过建模干预措施对疫情趋势的影响,进一步提升了模型的疫情预测性能。相比STEAP模型,CMSEP模型增加了一个干预措施扰动模块,该模块具体实现方式如下:首先利用LDA（Latent Dirichlet Allocation）主题模型,以无监督的方式从文本数据中提取干预措施的导向性特征。然后对其实施时间进行时序信息编码,通过多层感知器结合干预措施导向性特征和实施时间信息,得到最终的干预措施影响强度。最后,将其作用于自编码器的输出,由全连接层生成最终的疫情预测输出序列。实验结果表明,干预措施扰动模块的引入可以有效提高模型的预测性能,本文所设计的CMSEP模型通过综合考虑疫情时空关联性和干预措施对疫情趋势的影响,在开放的新冠疫情数据集上展现出了良好的预测性能。