基于时序图注意力网络的LLM可解释供应链风险早期警报
人工智能
2026-03-11 v2
摘要
关键物流节点的扰动构成对全球供应链的严重风险，但现有的风险预测系统通常优先考虑预测准确度，而不提供可操作的可解释早期警报。本文提出了一个以证据为依据的框架，联合执行供应链瓶颈预测和忠实的自然语言风险解释，通过将时序图注意力网络(TGAT)与结构化大型语言模型(LLM)推理模块耦合。以海运枢纽作为全球供应链节点的代表性案例研究，基于自动识别系统(AIS)广播构建每日空间图，其中通过注意力机制进行消息传递来建模节点之间的相互作用。TGAT预测器捕获时空风险动态，而模型内部的证据——包括特征z分数和注意力派生的邻居影响——被转换为结构化提示，以约束LLM推理以可验证的模型输出为依据。为评估解释性可靠性，我们引入了方向一致性验证协议，以量化生成的风险叙述与底层统计证据之间的一致性。实验在六个月的真实世界物流数据上表明，所提框架的基线模型均优于，实现了测试AUC为0.761、AP为0.344，召回率为0.504，在严格的时间顺序划分下，同时生成99.6%方向一致的早期警报解释。结果表明，将图模型证据 grounding 到LLM生成可实现可解释且可审计的风险报告，而不牺牲预测性能。该框架为实现可操作的供应链风险早期警报和韧性管理提供了实用路径。
引用
@article{arxiv.2603.04818,
title = {LLM-Grounded Explainable AI for Supply Chain Risk Early Warning via Temporal Graph Attention Networks},
author = {Zhiming Xue and Yujue Wang and Menghao Huo},
journal= {arXiv preprint arXiv:2603.04818},
year = {2026}
}