VacciNet：面向大流行下疫苗分销链优化的智能框架

长期以来，针对病毒的疫苗接种一直是当务之急。然而，尤其是在大流行期间，难以将疫苗（按时）高效分发至一个国家各个角落。考虑到人口的庞大、社区的多元以及智能社会的需求，有效优化任何国家/地区的疫苗分发策略是一项重要任务。尽管来自各疫苗接种点的海量数据（大数据）可被挖掘以获取关于大规模疫苗接种活动的宝贵洞察，但极少有尝试致力于变革传统大规模疫苗接种行动，以缓解受大流行影响国家的社会经济危机。本文中，我们弥补了研究与实验中的这一空白。我们收集公开可用的每日接种数据并仔细分析，以生成有意义的洞察与预测。我们提出了一种利用监督学习（Supervised Learning）与强化学习（RL）的新颖框架，称之为 VacciNet，其能够学习预测一个国家某州的疫苗接种需求，并建议以最小采购与供应成本在该州内进行最优疫苗分配。目前，我们的框架使用美国的疫苗接种数据进行了训练与测试。