TransportAgents: 교통사고 심각도 예측을 위한 다중 에이전트 기반 LLM 프레임워크

TransportAgents: a multi-agents LLM framework for traffic accident severity prediction

교통사고 심각도 예측은 긴급 구조 대응 및 공공 안전 계획 수립에 매우 중요합니다. 최근의 대규모 언어 모델(LLM)은 뛰어난 추론 능력을 보여주지만, 단일 에이전트 아키텍처는 종종 이질적이고 도메인 특유의 사고 데이터에 어려움을 겪으며, 편향되거나 불안정한 예측을 생성하는 경향이 있습니다. 이러한 한계를 극복하기 위해, 본 논문에서는 카테고리별 LLM 추론과 다층 퍼셉트론(MLP) 통합 모듈을 결합한 하이브리드 다중 에이전트 프레임워크인 TransportAgents를 제안합니다. 각 전문 에이전트는 인구 통계, 환경적 맥락, 사고 세부 정보와 같은 특정 교통 정보 하위 집합에 집중하여 중간 심각도 평가를 수행하고, 이는 최종적으로 통합 예측으로 결합됩니다. 미국 내 두 가지 상호 보완적인 데이터 세트인 Consumer Product Safety Risk Management System (CPSRMS) 및 National Electronic Injury Surveillance System (NEISS)에 대한 광범위한 실험 결과, TransportAgents는 기존의 머신 러닝 방법 및 첨단 LLM 기반 모델을 모두 능가하는 것으로 나타났습니다. GPT-3.5 및 GPT-4o와 같은 비공개 모델뿐만 아니라 LLaMA-3.3과 같은 공개 모델을 포함한 세 가지 대표적인 백본을 사용하여, 본 프레임워크는 강력한 견고성, 확장성 및 데이터 세트 간 일반화 능력을 보여줍니다. 추가적인 분포 분석 결과, TransportAgents는 표준 단일 에이전트 LLM 접근 방식보다 균형 잡히고 잘 보정된 심각도 예측을 생성하며, 이는 안전 관련 의사 결정 지원 애플리케이션에 대한 해석 가능성과 신뢰성을 강조합니다.

Accurate prediction of traffic crash severity is critical for improving emergency response and public safety planning. Although recent large language models (LLMs) exhibit strong reasoning capabilities, their single-agent architectures often struggle with heterogeneous, domain-specific crash data and tend to generate biased or unstable predictions. To address these limitations, this paper proposes TransportAgents, a hybrid multi-agent framework that integrates category-specific LLM reasoning with a multilayer perceptron (MLP) integration module. Each specialized agent focuses on a particular subset of traffic information, such as demographics, environmental context, or incident details, to produce intermediate severity assessments that are subsequently fused into a unified prediction. Extensive experiments on two complementary U.S. datasets, the Consumer Product Safety Risk Management System (CPSRMS) and the National Electronic Injury Surveillance System (NEISS), demonstrate that TransportAgents consistently outperforms both traditional machine learning and advanced LLM-based baselines. Across three representative backbones, including closed-source models such as GPT-3.5 and GPT-4o, as well as open-source models such as LLaMA-3.3, the framework exhibits strong robustness, scalability, and cross-dataset generalizability. A supplementary distributional analysis further shows that TransportAgents produces more balanced and well-calibrated severity predictions than standard single-agent LLM approaches, highlighting its interpretability and reliability for safety-critical decision support applications.