시계열 그래프 어텐션 네트워크를 활용한 항만 정체 예측을 위한 LLM 기반 설명 가능성 연구

LLM-Grounded Explainability for Port Congestion Prediction via Temporal Graph Attention Networks

주요 해상 거점 항만의 정체는 글로벌 공급망에 혼란을 야기하지만, 기존 예측 시스템은 일반적으로 예측 정확도를 우선시하며 운영적으로 해석 가능한 설명을 제공하지 않습니다. 본 논문에서는 시간 경과에 따른 그래프 어텐션 네트워크(TGAT)와 구조화된 대규모 언어 모델(LLM) 추론 모듈을 결합하여 정체 심화 예측과 신뢰할 수 있는 자연어 설명을 동시에 수행하는, 증거 기반 프레임워크인 AIS-TGNN을 제안합니다. 자동 식별 시스템(AIS) 방송으로부터 매일 생성되는 공간 그래프를 활용하며, 각 격자는 특정 지역의 선박 활동을 나타내고, 셀 간의 상호 작용은 어텐션 기반 메시지 전달을 통해 모델링됩니다. TGAT 예측기는 공간-시간적 정체 역학을 파악하며, 모델 내부의 증거(예: 특징 Z-점수, 어텐션 기반 이웃 영향)는 구조화된 프롬프트로 변환되어 LLM 추론을 모델 출력과 일치하도록 제한합니다. 설명의 신뢰성을 평가하기 위해, 생성된 설명과 근본적인 통계적 증거 간의 일관성을 정량적으로 측정하는 방향 일관성 검증 프로토콜을 도입했습니다. 로스앤젤레스 및 롱비치 항구의 6개월간 AIS 데이터를 사용한 실험 결과, 제안된 프레임워크는 LR 및 GCN 기준 모델보다 우수한 성능을 보였으며, 엄격한 시간 분할 기준에서 테스트 AUC 0.761, AP 0.344, 재현율 0.504을 달성했으며, 99.6%의 방향 일관성을 가진 설명을 생성했습니다. 연구 결과는 그래프 모델의 증거를 기반으로 LLM 생성을 통해 예측 성능을 저하시키지 않으면서 해석 가능하고 감사 가능한 위험 보고를 가능하게 한다는 것을 보여줍니다. 본 프레임워크는 해상 정체 모니터링 및 공급망 위험 관리를 위한 운영적으로 배포 가능한 설명 가능한 인공지능을 구현하기 위한 실질적인 방법을 제공합니다.

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.