MARBLE：面向事故严重程度预测的多智能体规则驱动型大语言模型推理引擎

事故严重程度预测在交通安全系统中发挥着关键作用，但由于数据不完整、特征依赖性强以及类别不平衡（稀有但高严重程度案例被低估且难以检测），该任务始终备受挑战。现有方法常依赖单一模型或黑箱式提示方法，在噪声较大的实际场景中难以扩展，且可解释性有限。为此，我们提出MARBLE——一个多智能体规则驱动型大语言模型引擎，通过将严重程度预测任务分解到一支专门化的推理智能体团队中实现，包括可互换的基于机器学习的智能体。每个智能体专注于特征的语义子集（如空间、环境、时间），从而实现受限推理和模块化提示，避免提示饱和风险。系统通过规则驱动或大语言模型引导的共识机制协调预测结果，考虑类别稀有性和置信度动态。该系统保留智能体级推理和协调结果的结构化痕迹，支持深入的可解释性和事后性能诊断。在UK和US数据集上，MARBLE持续优于传统机器学习分类器和最先进（SOTA）基于提示的推理方法，包括链式思考（CoT）、从少到多（L2M）和树状思考（ToT），准确率接近90%，而其他方法在48%以下停滞。这一性能重新定义了在实际噪声和极端类别不平衡下进行事故严重程度分类的实用极限。我们的结果将MARBLE定位为不确定性推理在安全关键应用中的通用且可解释框架。