TransportAgents：用于交通事故严重程度预测的多智能体LLM框架
人工智能
2026-02-03 v2
摘要
准确预测交通事故严重程度对于改善应急响应和公共安全规划至关重要。尽管近期的大型语言模型展现出强大的推理能力，但其单智能体架构在处理异构的、特定领域的碰撞数据时往往面临困难，且容易产生有偏或不稳定的预测。为了解决这些局限性，本文提出了TransportAgents，这是一个混合多智能体框架，将特定类别的LLM推理与多层感知机（MLP）集成模块相结合。每个专门的智能体专注于特定子集的交通信息，如人口统计数据、环境背景或事故细节，以产生中间的严重程度评估，随后将其融合为统一的预测。在两个互补的美国数据集——消费者产品安全风险管理系统（CPSRMS）和国家电子伤害监测系统（NEISS）——上的大量实验表明，TransportAgents始终优于传统机器学习和先进的基于LLM的基线。在三个代表性骨干模型上，包括GPT-3.5和GPT-4o等闭源模型以及LLaMA-3.3等开源模型，该框架展现出强大的鲁棒性、可扩展性和跨数据集泛化能力。补充的分布分析进一步表明，与标准的单智能体LLM方法相比，TransportAgents产生了更均衡且校准良好的严重程度预测，突显了其在安全关键决策支持应用中的可解释性和可靠性。
关键词
引用
@article{arxiv.2601.15519,
title = {TransportAgents: a multi-agents LLM framework for traffic accident severity prediction},
author = {Zhichao Yang and Jiashu He and Jinxuan Fan and Cirillo Cinzia},
journal= {arXiv preprint arXiv:2601.15519},
year = {2026}
}