論文の概要: LLM-Grounded Explainability for Port Congestion Prediction via Temporal Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2603.04818v1
• Date: Thu, 05 Mar 2026 05:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.082027
• Title: LLM-Grounded Explainability for Port Congestion Prediction via Temporal Graph Attention Networks
• Title（参考訳）: 時間グラフアテンションネットワークを用いたポート混雑予測のためのLLM周辺説明可能性
• Authors: Zhiming Xue, Yujue Wang,
• Abstract要約: 本稿では,混雑拡大予測と忠実な自然言語説明を共同で行うエビデンス基盤フレームワークを提案する。 このフレームワークは、海上渋滞監視とサプライチェーンリスク管理のための運用可能なAIへの実践的な経路を提供する。
• 参考スコア（独自算出の注目度）: 0.6353525052246608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Port congestion at major maritime hubs disrupts global supply chains, yet existing prediction systems typically prioritize forecasting accuracy without providing operationally interpretable explanations. This paper proposes AIS-TGNN, an evidence-grounded framework that jointly performs congestion-escalation prediction and faithful natural-language explanation by coupling a Temporal Graph Attention Network (TGAT) with a structured large language model (LLM) reasoning module. Daily spatial graphs are constructed from Automatic Identification System (AIS) broadcasts, where each grid cell represents localized vessel activity and inter-cell interactions are modeled through attention-based message passing. The TGAT predictor captures spatiotemporal congestion dynamics, while model-internal evidence, including feature z-scores and attention-derived neighbor influence, is transformed into structured prompts that constrain LLM reasoning to verifiable model outputs. To evaluate explanatory reliability, we introduce a directional-consistency validation protocol that quantitatively measures agreement between generated narratives and underlying statistical evidence. Experiments on six months of AIS data from the Port of Los Angeles and Long Beach demonstrate that the proposed framework outperforms both LR and GCN baselines, achieving a test AUC of 0.761, AP of 0.344, and recall of 0.504 under a strict chronological split while producing explanations with 99.6% directional consistency. Results show that grounding LLM generation in graph-model evidence enables interpretable and auditable risk reporting without sacrificing predictive performance. The framework provides a practical pathway toward operationally deployable explainable AI for maritime congestion monitoring and supply-chain risk management.
• Abstract（参考訳）: 主要海洋ハブにおける港湾渋滞は、世界のサプライチェーンを混乱させるが、既存の予測システムは、通常、運用的に解釈可能な説明を提供することなく予測精度を優先する。 本稿では,テンポラルグラフ注意ネットワーク(TGAT)と構造化大言語モデル(LLM)推論モジュールを結合することにより,混雑拡大予測と忠実な自然言語説明を共同で行うエビデンス基盤フレームワークであるAIS-TGNNを提案する。 日々の空間グラフはAIS(Automatic Identification System)ブロードキャストから構築され、各グリッドセルは局所的な容器活動を表し、セル間相互作用はアテンションベースのメッセージパッシングによってモデル化される。 TGAT予測器は時空間の混雑ダイナミクスを捉えるが、特徴zスコアや注目に起因した隣人の影響を含むモデル内部の証拠は、LLM推論を検証可能なモデル出力に制限する構造化プロンプトに変換される。 説明的信頼性を評価するために,生成した物語と基礎となる統計的証拠との間の合意を定量的に評価する方向整合性検証プロトコルを導入する。 ロサンゼルス港とロングビーチ港のAISデータの6ヶ月の実験では、提案されたフレームワークはLRとGCNのベースラインを上回り、テストAUCは0.761、APは0.344、リコールは0.504となり、厳密な時間分割の下で99.6%の方向整合性を持つ説明を生み出した。 結果から,グラフモデルエビデンスにおけるLLM生成は,予測性能を犠牲にすることなく,解釈可能かつ監査可能なリスクレポートを可能にすることがわかった。 このフレームワークは、海上渋滞監視とサプライチェーンリスク管理のための運用可能な説明可能なAIへの実践的な経路を提供する。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Beyond Curve Fitting: Neuro-Symbolic Agents for Context-Aware Epidemic Forecasting [6.67449278650973]
  そこで我々は,手,足,口の病気を予測するための2エージェント・フレームワークを提案する。 イベントインタプリタ」は、学校スケジュール、気象サマリー、レポートを含む信号を処理します。 ニューロシンボリックコアは、これを歴史的なケースカウントと組み合わせて、キャリブレーションされた確率予測を生成する。
  論文  参考訳（メタデータ） (2025-11-28T15:29:26Z)
• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• STGAtt: A Spatial-Temporal Unified Graph Attention Network for Traffic Flow Forecasting [3.9560660144028126]
  本稿では,新しい深層学習モデルである空間時間統一グラフ注意ネットワーク(STGAtt)を提案する。 統合グラフ表現とアテンション機構を活用することで、STGAttは複雑な空間的時間的依存関係を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2025-08-21T17:21:14Z)
• Beyond Attention: Learning Spatio-Temporal Dynamics with Emergent Interpretable Topologies [0.20482269513546453]
  グラフ注意ネットワーク(GAT)は空間的依存をモデル化するために人気があるが、事前に定義された隣接構造と動的注意スコアに依存している。 マスクされた注意を、完全に学習可能な対称なノード相互作用行列に置き換える簡易な代替手段であるInterGATを提案する。 当社のフレームワークであるInterGAT-GRUは,ベースラインGAT-GRUよりも精度が高く,SZ-Taxiデータセットでは少なくとも21%,Los-Loopデータセットでは6%向上している。
  論文  参考訳（メタデータ） (2025-06-01T01:27:32Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Prequential MDL for Causal Structure Learning with Neural Networks [9.669269791955012]
  ベイジアンネットワークの実用的スコアリング関数を導出するために,事前最小記述長の原理が利用できることを示す。 我々は、調整しなければならない事前やその他の正規化子を誘導するスパーシリティに頼ることなく、可塑性および擬似グラフ構造を得る。 本研究は, 適応速度から因果構造を推定する最近の研究と, 分布変化の源泉から観測結果が得られた場合の因果構造との関係について考察する。
  論文  参考訳（メタデータ） (2021-07-02T22:35:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。