LIFT：基于文献信息微调大语言模型的可解释卡车驾驶风险预测
人工智能
2025-10-28 v1 机器学习
摘要
本研究提出了一种基于文献信息微调（LIFT）大语言模型的可解释预测框架，用于卡车驾驶风险预测。该框架集成了LLM驱动的推理核心（用于预测和解释卡车驾驶风险）、文献处理管道（筛选并总结领域特定文献以构建文献知识库）以及结果评估器（评估LIFT LLM的预测性能和可解释性）。在真实世界的卡车驾驶风险数据集上进行微调后，LIFT LLM实现了准确的风险预测，召回率比基准模型高出26.7%，F1分数提升10.1%。此外，根据从299篇领域论文中自动构建的文献知识库所指引，LIFT LLM产生的变量重要性排序与基准模型一致，同时对各种数据抽样条件下的解释结果表现出鲁棒性。LIFT LLM还通过检测卡车驾驶风险中关键变量组合来识别潜在风险场景，这些场景经PERMANOVA检验验证。最后，我们展示了文献知识库和微调过程对LIFT LLM可解释性的贡献，并讨论了LIFT LLM在数据驱动知识发现中的潜力。
引用
@article{arxiv.2510.22333,
title = {LIFT: Interpretable truck driving risk prediction with literature-informed fine-tuned LLMs},
author = {Xiao Hu and Yuansheng Lian and Ke Zhang and Yunxuan Li and Yuelong Su and Meng Li},
journal= {arXiv preprint arXiv:2510.22333},
year = {2025}
}