利用生成式人工智能扩大对运输安全数据的访问：基于模式的空间自然语言查询框架

运输安全分析需要通过基于 GIS 的工作流程集成事故记录、道路属性和地理空间数据，但各机构和社区利益相关者的访问仍然不平衡。技术先决条件在安全规划的核心分析工具和能够使用它们的从业者之间造成了差距。当地机构、学校委员会和居民可能存在安全问题，但检索、过滤、绘制地图和分析相关数据的能力有限。生成式人工智能提供了一种缩小这一鸿沟的方法，但其在公共部门的使用引发了有关可靠性、可重复性和治理的问题。本文提出了一种用于运输安全分析的基于模式的自然语言界面，使用 大语言模型 (LLM) 来解释用户意图，同时根据权威数据库保留确定性、可审查的执行。用户查询被转换为结构化语义框架，由基于规则的层进行验证，编译为空间操作的类型化有向无环图，并针对 PostGIS 数据库执行。这种有界设计将语言解释与确定性执行分开，保持结果的可重复性和基于模式的同时消除访问障碍。该框架使用马萨诸塞州全州交通安全数据库进行评估，该数据库集成了事故记录、道路属性和地理空间图层（包括学校、公交车站、人行横道和市政边界）。所有查询均成功执行；验证层纠正了 29% 的评估查询中的错误，反映了灵活的自然语言和严格的基于模式的要求之间的差距。结果表明，将自然语言可访问性与确定性执行相结合是扩大交通安全数据访问的实用方向，对公共部门规划中值得信赖的人工智能具有影响。