用于疫苗预测的自适应大型语言模型：一种结合工程化偏差提示的新型疫苗需求预测方法

《PLOS Digital Health》：The adaptive large language models for vaccine prediction: A novel approach to vaccine demand prediction with engineered deviation prompts

　　**摘要**
准确的疫苗需求预测对于减少浪费和确保高效的免疫计划至关重要。在这项研究中，我们引入了一种自适应大型语言模型用于疫苗预测（ALLMVP），该模型将大型语言模型（LLM）架构与自适应值校正机制相结合。利用中国上海徐汇区2014年至2022年的疫苗接种记录数据，我们对ALLMVP与其他七种模型进行了比较分析，这些模型包括标准的机器学习方法（逻辑回归、随机森林、长短时记忆网络）及其采用相同自适应值校正机制的增强版本。研究结果表明，传统模型在实现高预测准确性方面遇到了重大挑战，而基于LLM的框架显著提升了其预测能力。值得注意的是，ALLMVP的准确率达到了71.43%，远高于其他模型。对国家免疫计划中的七种疫苗进行的年度和累积评估显示，ALLMVP始终提供了更精确的估计值，即使是在COVID-19后遗症等具有挑战性的条件下也能与实际疫苗需求保持一致。这些结果凸显了自适应LLM驱动的预测工具在满足政府设定的严格预测准确性标准以及辅助数据驱动的疫苗接种策略制定方面的潜力。ALLMVP所依赖的AI基础设施有望广泛应用于各种预测场景，并在更大范围内推广使用。

**作者总结**
在需要的时间和地点提供救命疫苗是公共卫生的一个重大挑战。不准确的预测往往会导致浪费性的过剩或危险的短缺。在这项研究中，我们开发了一种新的人工智能工具ALLMVP来填补这一空白。通过将大型语言模型的推理能力与一种从过去错误中学习的专门机制相结合，我们的模型比传统方法更加精确地预测疫苗需求。我们使用了中国上海近十年的疫苗接种记录来测试我们的方法。即使在COVID-19大流行后的不可预测时期，我们的AI工具也能提供与实际使用情况高度吻合的估计值，显著优于其他预测工具。我们认为，我们的研究为政府改进免疫计划和减少浪费提供了可行的解决方案。此外，我们构建的框架还有潜力用于更大规模的各种医疗用品的预测，帮助医疗系统实现供需平衡。

**1. 引言**
在中国，疫苗接种在疾病预防中发挥了至关重要的作用。从1978年到2018年，主要可预防疾病的发病率大幅下降。例如，百日咳的发病率从每百万人126.35例降至1.58例（减少了98%），而麻疹、流行性脑膜炎和日本脑炎的发病率分别下降了99%、99%和98%。因此，与这些疾病相关的平均预期寿命增加了0.79年[1]。这些显著成就与中国国家免疫计划（NIP）疫苗的持续推广（从1978年的四种类型增加到2008年的十四种类型）以及高覆盖率[1–2]密不可分。这些疫苗由政府免费提供，并必须严格遵循国家规定进行接种[3]。每年，国家疾病预防控制局与财政部合作，根据各省疾病预防控制中心提交的使用计划集中采购疫苗。NIP疫苗的使用受到多种因素的影响，包括出生率的变化、人口流动性、非NIP疫苗的替代率、疫苗可用性以及特殊事件[4]。研究表明，2019年至2021年间福建省NIP疫苗的整体计划利用率（即分发剂量与计划使用量的比率）在68%到76%之间波动。不同NIP疫苗的计划利用率存在相当大的差异，这意味着可能会出现大量过剩或短缺的情况。例如，2020年A群脑膜炎球菌疫苗的计划利用率仅为43%，而麻疹-腮腺炎-风疹（MMR）疫苗的计划使用率达到了134%[5]。避免因保质期有限而导致经济损失的疫苗过剩[6–7]以及导致接种延误从而增加健康风险的疫苗短缺[8–10]至关重要。因此，准确预测下一年的NIP疫苗实际使用量仍然是公共卫生当局的一个重要目标。为了实现“免疫议程2030”中设定的目标，该议程基于世界卫生组织（WHO）的全球疫苗行动计划和“健康中国2030”规划纲要，人工智能（AI）应用已被广泛用于优化疫苗供应链管理，以提高疫苗接种活动的效率和成本效益[11–15]。先前的研究为构建复杂的疫苗预测模型提供了深入见解[16–17]。然而，在这一领域实施人工智能（AI）面临着若干挑战，这些挑战限制了这些模型在特定情境下的运行效率[18–19]。首先，疫苗供需动态的复杂性阻碍了AI模型在异质人群中产生精确预测[20–21]。此外，AI模型通常在鲁棒性和泛化能力方面存在不足，无法满足各种政府机构设定的多样化质量标准[22–23]。其次，疫苗接种记录数据经常表现出不规则的时间模式，并且相关特征有限，这使得AI模型的训练过程变得复杂。对于决策树和随机森林等方法来说，处理包含长不规则时间序列的小特征集是一个重大挑战[24]。第三，许多机器学习模型固有的透明度和可解释性不足，成为它们融入公共卫生框架的障碍。卫生专业人员需要清楚了解预测过程，以建立信任并促进AI驱动建议的实施。提高这些模型的可解释性可以通过更好地理解预测结果及其局限性来增强其适用性[25–26]。由于这些挑战，现有文献中记录的有效AI应用在疫苗领域相对较少。解决这些问题对于推进AI驱动的解决方案至关重要，这些解决方案可以显著推进疫苗研究并加强公共卫生举措。传统的AI方法在处理疫苗接种记录数据和产生满意预测方面存在局限性。为应对这些挑战，我们的研究采用大型语言模型（LLMs）进行疫苗预测，因为它们在时间分析方面具有固有的优势。与传统模型不同，LLMs的核心架构（如自注意力机制）能够更灵活地捕捉数据中的长期依赖关系。此外，它们强大的少量样本学习和基于提示的框架允许有效整合复杂信息并适应有限的数据情况。这些理论优势使LLMs比传统方法表现出显著更好的性能[27–28]。利用LLMs的架构，我们有可能更准确地预测疫苗需求，从而减少疫苗浪费。在本文中，我们提出了通过结合机器学习和LLM技术的大语言模型用于疫苗预测（LLMVP）。LLMVP能够更深入地挖掘疫苗接种记录的时间模式，从而以更高的准确性预测疫苗需求，并实现更好的疫苗供应管理。此外，我们还提出了通过添加值校正步骤的自适应大型语言模型用于疫苗预测（ALLMVP），以调整LLMVP输出中的偏差，满足政府要求的预测质量标准（即5%的误差范围）。我们将LLMVP和ALLMVP的预测性能与其他机器学习模型（如逻辑回归、随机森林和长短时记忆网络（LSTM）及其采用自适应值校正机制的增强版本进行了比较。我们的评估指标旨在解决以下两个研究问题：1. 大型语言模型是否能够比其他模型产生更准确的预测；2. 自适应值校正机制是否能够进一步提高所考虑模型的预测准确性。

**2. 方法**
**2.1. 伦理声明**
本研究获得了西安交通大学-利物浦大学研究伦理审查委员会的伦理批准（批准编号：ER-LRR-11000026020241230162923）。

**2.2. 数据**
我们使用上海免疫计划信息系统（SIPIMS）收集了2014年至2022年间上海徐汇区14岁及以下儿童的疫苗接种记录，采用集群抽样方法。所谓“疫苗接种记录”是指记录了在特定日期、特定诊所为个体接种的疫苗剂量的记录。如果一个人在同一天接受了多种剂量（不同类型的疫苗），每种剂量都会被保存为独立的记录。2014年至2017年的数据用作训练数据，而2018年至2022年的数据用于我们的分析。模型训练采用了滚动起始方案；具体实施细节见S3附录。原始数据集已清理掉敏感信息，包含以下变量：出生日期、性别、户籍类型（本地或非本地）、接种日期、疫苗类型、疫苗剂量、疫苗代码（唯一标识符）、产品缩写、疫苗批号、疫苗有效期、疫苗价格以及接种诊所名称。特别是，“疫苗代码”变量不仅标识了接种的疫苗，还表明该疫苗是否属于国家免疫计划（NIP）的一部分，以“A”结尾的代码通常表示NIP疫苗，以“B”结尾的代码表示非NIP疫苗。每种NIP疫苗ID代表一种独特的疫苗，如表1所示。

**2.3. 自适应大型语言模型用于疫苗预测**
如图1所示，所提出的架构（即自适应大型语言模型用于疫苗预测（ALLMVP）包括两个主要组成部分：大型语言模型用于疫苗预测（LLMVP）和错误校正机制（伪代码见S1附录）。在数据预处理过程中，我们采取了几项措施以确保数据集干净且适合有效分析。检查了重复记录并将其移除，以避免结果偏差。此外，数据被标准化以确保不同尺度和变量之间的一致性。上述预处理步骤对于确保GPT-4等AI模型的输出质量至关重要[29–30]。设计了以下两个结构化提示来生成疫苗分配的摘要（提示设计见S1附录）：
- **每日疫苗摘要**：记录2018年至2022年的每日疫苗使用情况及其平均值。
- **每月疫苗摘要**：总结了同一时期的每月疫苗使用情况，并提供了月平均值。方程1和2分别描述了每日和每月疫苗数量的汇总方法（参数描述见表2）。

这些摘要被合并用于指定时间间隔，以根据数据生成额外的输入，用于构建最终的时间序列提示。随后，使用时间序列提示模板，让GPT-4计算由方程3定义的预测值（参数描述见表2）。

**3. 自适应值校正**
为了进一步提高模型准确性，我们引入了一个额外的自适应“值校正”步骤，该步骤使用实时需求提示来识别并纠正超出可接受阈值的偏差。这一步骤通过有效校正偏差来优化整个ALLMVP模型的成本效率。当预测值超过指定阈值时，该步骤会被激活，从而确保低准确性的值不会在后续步骤中使用。最终，预测值和校正值被整合到最终的疫苗预测模板中，其中LLM返回的校正值用于进一步校准LLMVP模型给出的预测。这个集成模板旨在根据方程4中规定的年份范围生成最终的疫苗预测量。（见表2中的参数描述）将LLMVP与额外的自适应值校正步骤相结合，使GPT-4能够更好地控制数据，达到预期的阈值，因此与原始的LLMVP相比，它提高了政府规定的疫苗需求预测的通过率。2.4. 比较模型为了评估我们提出的自适应大型语言模型疫苗预测（ALLMVP）的性能，我们将其与几种预测算法进行了比较，这些算法包括传统模型及其结合了大型语言模型（LLM）的增强版本。总共采用了八个模型进行比较（详见S2附录中的模型详情）：（1）纯逻辑回归（LR）：一种使用逻辑函数来建模因变量和一个或多个自变量之间关系的统计方法[31]。（2）随机森林（RF）：一种集成学习方法，在训练过程中构建多个决策树，并输出各个树的预测平均值，适用于处理复杂的非线性关系[32]。（3）长短期记忆（LSTM）：一种循环神经网络，能够学习序列预测问题中的顺序依赖性，使其在处理时间序列数据时非常有效[33]。（4）大型语言模型疫苗预测（LLMVP）：一种利用GPT-4根据结构化提示预测疫苗需求的初始预测模型。在以上模型的基础上，我们引入了一种值校正机制来提高它们的预测精度。这涉及使用GPT-4根据历史数据、当前预测值和观察值之间的差异计算出的校正值。校正值用于调整超出预定阈值的偏差和错误，以满足政府设定的质量标准，即年度疫苗需求预测应在实际值的5%范围内。增强的模型包括（详见S1图到S3图中的模型架构）：（5）带有LLM校正的LR（A-LR）：使用GPT-4计算的校正值进行校正的逻辑回归。（6）带有LLM校正的RF（A-RF）：使用GPT-4计算的校正值进行校正的随机森林。（7）带有LLM校正的LSTM（A-LSTM）：使用GPT-4计算的校正值进行校正的LSTM。（8）自适应大型语言模型疫苗预测（ALLMVP）：使用GPT-4计算的校正值进行校正的LLMVP模型。这种校正机制的动机在于传统模型的局限性，它们仅关注时间序列预测，缺乏适应重大错误的能力。例如，LLMVP模型在处理时间序列数据时存在较大偏差，经常产生超出可接受范围的预测。考虑到不同地区可能有自己的疫苗接种政策，因此有不同的预期/阈值（特别是在采用更严格标准的一些大城市中），迫切需要改进预测模型以有效适应这些变化。具体来说，GPT-4被用来计算校正值，然后将其整合到初始预测中，以产生更有可能落在可接受阈值范围内的校正预测。校正不会改变原始模型架构，而是用于优化模型输出，特别是在预测未能达到预定阈值时。以下评估指标用于模型比较：接受率：预测值与实际需求相差在±X%以内。在本研究中，阈值设定为±5%，由上海市疾病预防控制中心（CDC）指定的采购容忍范围确定。偏差率：预测值与真实值的平均绝对偏差，通过真实值进行归一化。它提供了相对预测精度的度量。均方根误差（RMSE）：一种标准指标，通过计算预测值与观察值之间平均平方差的平方根来衡量预测误差的大小。通过比较上述传统模型和增强模型，我们可以评估自适应值校正机制在提高精度方面的有效性。接下来将展示模型比较的结果。3. 结果为了评估疫苗数量预测模型的准确性和可靠性，我们对2018年至2022年国家免疫计划（NIP）中包含的七种疫苗的八种不同算法的预测准确性进行了比较分析。在评估这些疫苗需求预测算法的性能时，我们使用了三个关键指标：接受率、偏差率和均方根误差（RMSE）[34]。这些指标的详细信息见表3中的比较模型。下载：PPT PowerPoint幻灯片PNG更大图像TIFF原始图像表3. ALLMVP框架相比基线模型实现了更高的预测准确性。https://doi.org/10.1371/journal.pdig.0001273.t003根据表3中呈现的结果，各个模型性能的比较显示了算法之间的显著差异。在传统模型中，LR、RF和LSTM的预测准确性相对较低，接受率分别为17.14%、17.14%和11.43%。这些模型与实际值有较大的偏差，这一点从它们的高偏差率和均方根误差（RMSE）值可以看出。相比之下，大型语言模型疫苗预测（LLMVP）在所有三个评估指标上都有显著改进（接受率：28.57%对比15.24%；偏差率：0.1325对比0.2067；RMSE：480.1619对比606.1684；后者的值是其他三种传统模型LR、RF和LSTM的平均指标值）。这证明了在疫苗预测任务中使用LLM的价值。此外，我们还观察到自适应值校正机制可以显著提高模型精度。具体来说，采用自适应值校正机制可以将LR的接受率从17.14%提高到40%，RF从17.14%提高到54.29%，LSTM从11.43%提高到68.57%，LLMVP从28.57%提高到71.43%。它还显著降低了LSTM和LLMVP的偏差率和RMSE。这清楚地证明了自适应值校正机制在校准模型输出和满足期望阈值方面的有效性。特别是，在所有八个比较模型中，ALLMVP产生了最准确的预测，因为它具有最高的接受率（71.43%）、最低的偏差率（0.037）以及最低的RMSE（158.29）。这表明，大型语言模型和自适应值校正机制的结合可以大大提升模型的预测能力，尤其是在像疫苗需求预测这样的复杂任务中。我们进一步检查了每种疫苗五年累计需求的模型预测（S2表）。ALLMVP模型在大多数疫苗上始终表现出色。对于疫苗A1，ALLMVP模型预测五年期间的累计需求为88,504剂，与实际总数87,150剂非常接近。这导致预测与实际的比率为1.0155，偏差仅为1.55%。类似地，对于疫苗A3，模型预测了92,834剂，而实际需求为90,431剂，比率为1.0266。这些结果突显了该模型在准确捕捉这些疫苗需求模式方面的有效性。相比之下，没有大型语言模型（LLM）校正值的传统模型，如LR和LSTM，出现了显著的高估。例如，LR模型预测疫苗A1的需求为100,180剂，高估了实际需求约14.95%。LSTM模型也显示出类似的趋势，高估了疫苗A1的需求13.27%。这种高估模式在几种疫苗中都是一致的，可能是由于传统模型在捕捉疫苗需求细微差别方面的局限性。ALLMVP模型在疫苗A4、A5、A6和A8上也表现强劲。对于疫苗A4，模型预测了46,006剂，而实际总数为44,623剂，比率为1.0310——偏差仅为3.10%。对于疫苗A5，预测为160,639剂，而实际需求为154,579剂（比率为1.0392）。对于疫苗A6，模型预测了129,975剂，而实际为127,518剂（比率为1.0193），表明准确度高。对于疫苗A8，ALLMVP模型预测了74,222剂，与实际需求72,213剂非常接近（比率为1.0278）。然而，ALLMVP模型略微低估了疫苗A7的累计需求，预测为79,782剂，而实际总数为82,119剂，比率为0.9715。尽管这种低估的比例相对较小，为2.85%，但这表明某些疫苗可能带来更大的预测挑战。这种差异的潜在原因可能包括疫苗A7需求的高波动性、不规则的疫苗接种计划，或模型未能完全捕捉到的影响疫苗接种的外部因素。对于其他模型，预测某些疫苗的挑战更为明显。例如，A-LR模型显著高估了疫苗A7的累计需求，预测为145,734剂——高估了约77.47%。这样的显著偏差表明，虽然传统模型可以从自适应值校正机制中受益，但它们仍然受限于挖掘复杂需求模式的能力。可能需要额外的数据来源或模型改进，以更好地捕捉驱动疫苗A7需求的模式和因素。这些发现进一步证实了ALLMVP模型在疫苗需求预测方面的优势。为了进一步了解COVID-19大流行之前和期间的模型性能，我们检查了COVID-19之前（2018-2019年）和COVID-19期间（2020-2022年）的年度总疫苗需求预测（S3表）。对于ALLMVP模型，COVID-19之前的平均偏差率为1.02185，大流行期间的平均偏差率为1.0211。相比之下，LR模型的平均偏差率从COVID-19之前的1.13885上升到大流行期间的1.2239。同样，大多数其他模型的性能也受到了COVID的影响，A-LR模型（1.03655到1.1824）、RF模型（1.10245到1.1624）、A-RF模型（1.021到1.2084）、LSTM模型（1.1102到1.2301）和A-LSTM模型（1.0132到1.0879）的平均偏差率都因COVID而显著增加。然而，LLMVP模型显示了相反的趋势，其平均偏差率在大流行期间从1.15255下降到1.0460。这些结果表明，ALLMVP模型在COVID大流行之前和期间的表现最为稳定，受到COVID影响较小。在多个疫苗和年份中也观察到了不规则性，这表明有些模型在偏离典型需求模式的情景下难以准确预测（S1表）。例如，虽然讨论往往集中在预测良好的疫苗如A1（乙型肝炎）或A3（脊髓灰质炎）上，但仔细检查评估指标会发现其他疫苗的预测误差很大。疫苗A4（白喉、破伤风和百日咳）的需求波动性很大，在预测中面临了许多挑战：2021年，LR模型高估了A4的需求超过70%（比率为1.7114），而LSTM模型的高估幅度更大，接近148%。这些结果表明，传统的机器学习方法难以捕捉需求模式不规律的疫苗的细微趋势。此外，疫苗A7（日本脑炎）的需求波动性更高，给预测带来了挑战。2022年，A-LR模型预测A7的需求为66,532剂，而实际为11,929剂，比率为5.5773——远超出任何可接受的误差范围。其他模型，如A-RF和LSTM模型，在不同年份预测A7需求时也遇到了困难。对于疫苗A8（甲型肝炎），尽管ALLMVP模型在所有年份中保持了相对紧密的偏差率，但其他算法（包括那些配备了自适应值校正机制的算法，如A-RF和A-LSTM）也有明显偏差。这种差异表明，疫苗A8的需求模式具有一定的复杂性，不是所有模型都能处理。上述不规则性表明，尽管一些模型——特别是那些增强了自适应值校正算法的模型——在某些疫苗上表现出显著改进和良好的准确性，但它们并没有在所有疫苗类型和所有年份中都能保持一致的高准确性。正是这些需求不规则/波动的疫苗使模型在预测能力上有所不同，并帮助确认了ALLMVP模型所达到的稳定性和准确性。这三个评估指标都认为，在所有比较的模型中，ALLMVP模型可能是需求预测应用中最安全的选择。4.**讨论**
本研究调查了一系列预测模型，包括传统模型和基于大型语言模型（LLM）的增强模型，以预测2018年至2022年间中国上海的疫苗需求。我们的评估指标——接受率、偏差率和均方根误差（RMSE）表明，传统预测模型如线性回归（LR）、随机森林（RF）和长短期记忆网络（LSTM）在捕捉复杂的时间模式方面存在困难，其基线接受率仅介于11%至17%之间。相比之下，当集成大型语言模型（LLM）后，即使是基础的LLM增强版本也显著优于传统模型，这表明LLM能够更有效地从复杂的疫苗需求数据中提取模式。例如，不包含自适应机制的基于LLM的模型（LLMVP）已将接受率提升至约29%，超过了任何传统模型。在此基础上引入自适应价值校正机制后，所有测试模型的准确性和可靠性都得到了显著提高。A-LR、A-RF和A-LSTM等变体模型更是取得了显著的改进，接受率分别达到40%、54%和68%。最令人印象深刻的是，将专门设计的基于LLM的模型（LLMVP）整合到ALLMVP框架中后，接受率进一步提高至71%以上。这些发现不仅凸显了基于LLM的方法相对于传统方法的优势，也体现了通过自适应后处理技术所能实现的重大改进。逐年预测结果和疫苗类型的细分进一步展示了自适应价值校正如何提升预测性能。例如，在分析不同疫苗的五年累计总需求时（见S2表），ALLMVP模型与实际值的吻合度很高——例如A1（乙肝疫苗）和A3（脊髓灰质炎疫苗）的预测值都与实际值相差不超过3%。而传统模型（LR、RF和LSTM）在预测这些疫苗的需求时通常存在较大偏差，相比之下，它们的自适应版本（A-LR、A-RF和A-LSTM）的偏差显著较小，表明自适应价值校正机制有助于减少预测误差，无论疫苗类型如何。同样，在评估2018至2022年期间的年度预测需求时（见S3表），ALLMVP模型在整个期间始终保持了接近1.0的预测比率，而未采用自适应调整的模型则与实际需求的偏差更大。长期聚合分析进一步证实了这一趋势：在整个五年周期内，自适应方法不仅降低了预测误差，还在不同疫苗类型和突发事件（如新冠疫情）下保证了更稳健的性能。具体、 annually和模型特定的结果证明了ALLMVP在各种复杂情景下预测疫苗需求的有效性。此外，ALLMVP模型还为库存管理提供了实用指导。个别疫苗的误差分析见S4表。该模型对需求稳定的疫苗（如乙肝疫苗）显示出高准确性（平均绝对百分比误差MAPE=2.416%），且没有明显的系统性偏差。相比之下，日本脑炎疫苗存在明显的系统性低估趋势（平均偏差误差MBE=-467剂；MAPE=5.6%），反映了其需求模式的复杂性。基于这些发现，公共卫生项目管理者可以降低乙肝疫苗的安全库存水平；而对于日本脑炎疫苗，建议在预测需求基础上增加约5-10%的缓冲库存以缓解短缺风险。这种差异化的库存策略对于优化疫苗供应链的整体效率和韧性至关重要。从学术角度来看，我们的发现通过证明原本用于通用语言理解的大型语言模型可以有效地应用于疫苗预测任务（以及其他专业预测任务），推动了疫苗需求预测领域的发展。我们的结果还表明，自适应价值校正算法——尤其是在大型语言模型（LLM）中的应用——可以进一步减少偏差，并满足预测误差范围内的要求。这种方法不仅对疫苗预测具有重要意义，也适用于需要预测结果在误差范围内的其他应用领域。随着人工智能逐渐成为医疗决策的支柱，我们认为LLM、自适应价值校正算法以及深度学习架构的集成将成为下一代预测工具的基础[35-37]。未来的研究可以利用这种AI基础设施，通过混合建模策略和可泛化的自适应算法，在不同医疗领域（超越疫苗领域）进一步优化预测应用。

**局限性**
本研究存在几个需要考虑的局限性：
- **地理局限性**：本研究的数据仅来自上海徐汇区，这一地理限制可能限制了我们研究结果的普适性，使其难以推广到中国其他地区甚至全球。为了提高研究结果的普遍适用性，未来的研究应纳入来自更广泛地理区域的参与者样本[38-42]。
- **模型泛化能力**：虽然ALLMVP模型在我们的测试范围内表现优异，但其泛化到其他数据类型或条件下的能力尚未得到验证。该模型在不同流行病学情景或疫苗接种策略下的表现可能有所不同[43-45]。需要进一步研究来评估这些模型在不同条件下的有效性。例如，不同的疫苗类型、疫苗接种政策和政府要求可能会影响模型的准确性和适用性。此外，还应测试该模型在疫苗预测之外的应用场景中的泛化能力。
- **算法特定局限性**：由于不同模型的预测准确性差异较大（LSTM为11.43%，ALLMVP为71.43%），深入探讨某些模型表现优于其他模型的原因至关重要[46]。通过分析每种模型在何种特征或条件下表现最佳或失败，有助于理解模型在复杂数据中的行为。

- **统计验证**：尽管比较接受率和偏差率的分析提供了有价值的性能差异证据，但采用正式的统计测试（例如，用于证明基于LLM的模型与传统模型之间的差异显著性，或自适应模型与非自适应模型之间的差异）和参数估计技术（例如，用于计算准确性指标的置信区间）将进一步提升结论的有效性和普适性。实施此类严格的统计分析有助于为未来工作提供更稳健的模型预测能力评估。
- **不规则性**：当前模型可能无法完全捕捉因公共卫生政策突然变化或大规模中断导致的疫苗供应不规律性。例如，新冠疫情导致疫苗分配、储存要求和接种优先级的突然变化，可能影响疫苗接种率和效果。未来的模型版本应包含动态适应这些不可预测情况的机制，以确保在快速变化的条件下仍能提供稳健可靠的预测。

**结论**
本研究验证了自适应大型语言模型用于疫苗预测（ALLMVP）的有效性，基于上海徐汇区的疫苗接种记录数据。同时分析了七种其他模型，发现额外的自适应价值校正机制显著降低了所有机器学习模型的预测误差，尤其是在疫苗预测方面（LLMVP）。我们的结果表明，ALLMVP模型的基础设施在提升预测性能方面具有巨大潜力，特别是在疫苗预测方面，这对于优化疫苗分配和减少浪费至关重要。有必要继续开发和应用这一基础设施，以实现大规模实施。未来的研究应探索ALLMVP模型在不同地理区域的泛化能力，以及是否适用于具有误差范围要求的其它预测任务。

**参考文献**