沙丘社区
论文

TransportAgents：用于交通事故严重程度预测的多智能体LLM框架

TransportAgents: a multi-agents LLM framework for traffic accident severity prediction

Zhichao Yang, Jiashu He, Jinxuan Fan, Cirillo Cinzia
智能体系统Agent 协作

摘要

准确预测交通事故严重程度对改进应急响应与公共安全规划至关重要。尽管近期大语言模型（LLM）展现强推理能力，其单智能体架构常常难以应对异构、领域特定的车祸数据，并倾向产生有偏或不稳定的预测。为解决这些局限，本文提出 TransportAgents，一个混合多智能体框架，把类别特定的 LLM 推理与多层感知机（MLP）集成模块结合。每个专门智能体聚焦特定子集的交通信息，例如人口特征、环境背景或事故细节，产出中间严重程度评估，随后融合为统一预测。在两个互补的美国数据集——消费品安全风险管理系统（CPSRMS）与国家电子伤害监视系统（NEISS）——上的大量实验表明，TransportAgents 持续优于传统机器学习与先进 LLM 基线。跨三个代表性主干（包括 GPT-3.5 与 GPT-4o 等闭源模型以及 LLaMA-3.3 等开源模型），该框架展现强鲁棒性、可扩展性与跨数据集泛化能力。补充的分布分析进一步表明，与标准单智能体 LLM 方法相比，TransportAgents 产出更均衡、校准更好的严重程度预测，凸显其在安全关键决策支持应用中的可解释性与可靠性。

TransportAgents：用于交通事故严重程度预测的多智能体LLM框架
图5：使用 GPT-3.5-turbo 底座模型在 CPSRMS 数据集上真实与预测严重程度分布的比较。图中展示了 Vanilla LLM（左上）、CoT 提示（右上）、MLP（左下）以及所提出的 TransportAgent 框架（右下）的结果。基线方法表现出明显的分布偏差，尤其是较高严重程度级别的代表性不足，而 TransportAgent 生成的预测在所有级别上都更贴近真实的严重程度分布。