Neues KI-Modell liefert erklärbare Vorhersagen für Hafenüberlastung

Ein innovatives KI-System namens AIS‑TGNN kombiniert ein Temporal Graph Attention Network mit einem strukturierten Large‑Language‑Model, um die Überlastung großer Häfen vorherzusagen und gleichzeitig verständliche Erklärungen zu liefern. Durch die Analyse von täglichen AIS‑Daten werden räumliche Netzwerke erstellt, in denen jedes Gitterfeld die Aktivitäten von Schiffen abbildet und die Wechselwirkungen zwischen benachbarten Feldern mittels attention‑basierter Nachrichtenweitergabe modelliert werden.

Das Modell nutzt interne Evidenz wie Feature‑Z‑Scores und die von der Attention abgeleitete Einflussnahme benachbarter Knoten, um strukturierte Eingabeaufforderungen für das LLM zu generieren. Dadurch wird sichergestellt, dass die erzeugten Erklärungen auf überprüfbaren Modellausgaben basieren. Ein neu entwickeltes Validierungsprotokoll zur Richtungs‑Konsistenz misst, wie gut die narrativen Erklärungen mit den zugrunde liegenden statistischen Belegen übereinstimmen.

In Tests mit sechs Monaten AIS‑Daten aus Los Angeles und Long Beach übertraf AIS‑TGNN herkömmliche lineare Modelle und Graph‑Convolution‑Netzwerke. Die Vorhersagegenauigkeit erreichte einen AUC‑Wert von 0,761, eine AP von 0,344 und eine Rückrufrate von 0,504. Gleichzeitig erzielte das System eine Richtungs‑Konsistenz von 99,6 %, was die Zuverlässigkeit der Erklärungen unterstreicht. Dieses Ergebnis zeigt, dass die Verankerung von LLM‑Generierung in graphbasierten Evidenzen die Transparenz und Vertrauenswürdigkeit von Hafenüberlastungsprognosen deutlich verbessert.