通过时间图注意力网络进行港口拥塞预测的基于大语言模型的可解释性

主要海运枢纽的港口拥堵扰乱了全球供应链，但现有的预测系统通常优先考虑预测准确性，而不提供可操作解释的解释。本文提出了 AIS-TGNN，这是一种基于证据的框架，通过将时间图注意力网络（TGAT）与结构化大语言模型（LLM）推理模块相结合，联合执行拥堵升级预测和忠实的自然语言解释。每日空间图是根据自动识别系统（AIS）广播构建的，其中每个网格单元代表局部船舶活动，并且通过基于注意力的消息传递对单元间交互进行建模。 TGAT 预测器捕获时空拥塞动态，而模型内部证据（包括特征 z 分数和注意力衍生的邻居影响）被转换为结构化提示，将 LLM 推理限制为可验证的模型输出。为了评估解释的可靠性，我们引入了一种方向一致性验证协议，该协议可以定量测量生成的叙述与基础统计证据之间的一致性。对来自洛杉矶港和长滩港的六个月 AIS 数据进行的实验表明，所提出的框架优于 LR 和 GCN 基线，在严格的时间顺序分割下实现了 0.761 的测试 AUC、0.344 的 AP 和 0.504 的召回率，同时产生了 99.6% 方向一致性的解释。结果表明，以图模型证据为基础的大语言模型生成可以在不牺牲预测性能的情况下实现可解释和可审计的风险报告。该框架为海上拥堵监控和供应链风险管理的可操作部署、可解释的人工智能提供了一条实用途径。