CrashSage：面向语境感知与可解释性的交通事故分析框架

道路事故每年全球导致超过 130 万人死亡，全球经济损失超过 1800 亿美元。这些深远的社会与财务影响凸显了迫切需要揭示事故机制并提供可行见解的道路安全研究的重要性。传统统计模型和树集成方法通常依赖结构化事故数据，忽略语境细微差别，难以捕捉复杂关系与潜在语义。此外，这些方法往往造成显著的信息损失，尤其在涉及多车互动、事故进程和罕见事件特征的叙述元素方面。本研究提出了 CrashSage，一种新型大语言模型（LLM）中心框架，旨在通过四项关键创新推动事故分析与建模。首先，我们引入表格到文本转换策略配合关系数据集成模式，将原始异构事故数据转换为保留关键结构与关系语境的丰富结构化文本叙述。其次，我们应用基于 LLM 的上下文感知数据增强，提高叙述连贯性同时保持事实完整性。第三，我们对 LLaMA3-8B 模型进行微调，用于事故严重程度推断，实验结果显示优于基线方法，包括零样本、零样本链律推理提示和少样本学习，涉及多种模型（GPT-4o、GPT-4o-mini、LLaMA3-70B）。最后，我们采用基于梯度的可解释性技术，从单个事故层面和更广泛风险因素维度阐明模型决策。这种可解释性机制提高了透明度，使针对性道路安全干预能够提供更深入的见解。