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

Cet article présente AIS-TGNN, un cadre d'IA explicable qui combine un réseau d'attention graphique temporel et un modèle de langage pour prédire les embouteillages portuaires et générer des explications naturelles fiables et vérifiables basées sur les données du système d'identification automatique (AIS).

L'essentiel

Imaginez que le port de Los Angeles et celui de Long Beach sont comme un immense carrefour routier, mais pour des milliers de gros camions qui flottent : les navires. Parfois, ce carrefour se transforme en un bouchon monstre, bloquant le commerce mondial.

Le problème, c'est que les systèmes actuels pour prédire ces bouchons sont comme des oracles silencieux : ils vous disent « Attention, bouchon dans 24 heures ! », mais ils ne vous disent jamais pourquoi. C'est comme si un météorologue vous prédisait la pluie sans jamais vous montrer les nuages ni expliquer la météo.

C'est là que cette recherche intervient. Elle propose un nouveau système, AIS-TGNN, qui ne se contente pas de prédire le bouchon, mais qui agit comme un expert en détective capable de vous expliquer sa logique en langage clair.

Voici comment cela fonctionne, avec quelques images simples :

1. La Carte Vivante (Le Graphique Temporel)

Imaginez que vous découpez la zone du port en une grille de carrés, comme un jeu de Go ou un échiquier géant. Chaque carré représente une zone de l'eau.

• Le problème : Les navires ne bougent pas seuls. Si un navire ralentit dans un carré, il peut bloquer ceux qui sont juste à côté, comme une file de voitures sur une autoroute.
• La solution : Le système crée une carte où chaque carré est un « nœud » connecté à ses voisins. Il utilise une technologie appelée Réseau de Graphes Temporels (TGAT).
• L'analogie : Pensez à un chef d'orchestre qui écoute non seulement chaque musicien (chaque navire), mais qui entend aussi comment les musiciens voisins influencent le rythme. Si le violoniste de gauche ralentit, le chef sait que le violoniste de droite va bientôt devoir ralentir aussi. Le modèle apprend à « écouter » ces interactions spatiales pour prédire le futur.

2. Le Détective et le Traducteur (L'IA Explicable)

C'est la partie la plus innovante. Le système a deux cerveaux qui travaillent ensemble :

• Le Cerveau Mathématique (TGAT) : Il calcule les probabilités de bouchon en analysant des milliers de données (vitesse des bateaux, nombre d'ancres, etc.). Il est très fort en maths, mais il ne parle pas humain.
• Le Traducteur (LLM) : C'est un grand modèle de langage (comme un super-robot écrivain). Son travail n'est pas d'inventer des histoires, mais de traduire les preuves mathématiques du premier cerveau en un rapport simple.

Comment le détective travaille-t-il ?
Avant de parler, le système regarde ses propres « preuves » :

• « Regarde, la vitesse moyenne dans ce carré a chuté de 20 % (c'est une preuve). »
• « Et regarde, le carré voisin a un taux d'ancrage très élevé (c'est une autre preuve). »
• « Ces deux faits, combinés, signifient qu'un bouchon est probable. »

Le « Traducteur » prend ces preuves brutes et rédige un rapport structuré : « Attention, le secteur 3 risque de se bloquer. Pourquoi ? Parce que les bateaux ralentissent anormalement et que les bateaux voisins sont déjà à l'arrêt. »

3. La Vérification de Vérité (La Cohérence Directionnelle)

Le plus grand risque avec l'IA, c'est qu'elle « hallucine » (qu'elle invente des raisons qui sonnent bien mais qui sont fausses).
Les chercheurs ont mis en place un test rigoureux : ils ont demandé au système de générer 100 rapports et ont vérifié si chaque phrase correspondait exactement aux chiffres réels.

• Le résultat ? Une fiabilité de 99,6 %.
• L'analogie : C'est comme si un avocat présentait un dossier au juge. Le juge vérifie chaque pièce du dossier. Ici, le système a prouvé qu'il ne mentait jamais sur les faits : si le rapport dit « le risque augmente », c'est que les chiffres le prouvent vraiment.

Pourquoi est-ce important pour nous ?

Avant, les gestionnaires de ports devaient faire confiance à une « boîte noire » qui donnait une alerte sans justification. Maintenant, avec ce système :

1. Ils peuvent agir : Ils savent où et pourquoi le bouchon va se former, ce qui leur permet de rediriger les navires ou de préparer les grues à l'avance.
2. Ils peuvent faire confiance : Le rapport est auditable. On peut vérifier chaque affirmation.
3. C'est plus juste : Le système est capable de détecter les bouchons même dans des situations complexes où les méthodes anciennes échouaient.

En résumé :
Cette recherche a créé un assistant de navigation intelligent qui ne se contente pas de crier « Danger ! », mais qui vous tend une carte, vous montre les obstacles, et vous explique avec des mots simples pourquoi il faut faire demi-tour. C'est un pas de géant vers une intelligence artificielle qui est non seulement puissante, mais aussi honnête et compréhensible par tous.

Résumé technique

1. Problématique

La congestion portuaire aux hubs maritimes majeurs, tels que le complexe Port de Los Angeles/Long Beach, perturbe gravement les chaînes d'approvisionnement mondiales. Bien que des systèmes de prévision existent, ils privilégient souvent la précision statistique au détriment de l'interprétabilité opérationnelle. Les modèles actuels (comme les réseaux de neurones graphiques statiques) manquent de mécanismes pour fournir des explications naturelles et vérifiables aux parties prenantes non techniques (opérateurs de terminaux, planificateurs logistiques). Il existe un « fossé d'explicabilité » : les méthodes d'explication post-hoc (SHAP, GNNExplainer) produisent des résultats numériques abstraits difficiles à interpréter, tandis que les modèles prédictifs ne fournissent pas de rapports de risque auditable.

2. Méthodologie : Le Framework AIS-TGNN

L'article propose AIS-TGNN, un cadre intégré combinant un réseau de neurones graphiques temporels et un module de raisonnement par modèle de langage (LLM).

A. Construction du Graphes Spatio-temporels

• Données : Utilisation des données AIS (Automatic Identification System) de la NOAA (janvier-juin 2023) couvrant la baie de San Pedro.
• Grille : La zone est discrétisée en une grille régulière de 0,1° x 0,1° (environ 11 km x 11 km).
• Nœuds et Arêtes : Chaque cellule active (avec au moins un navire) est un nœud. Les nœuds sont connectés via un graphe de $k$ plus proches voisins ($k=8$) basé sur la distance euclidienne.
• Features (Caractéristiques) : Pour chaque nœud et chaque jour, 10 caractéristiques cinématiques et de densité sont calculées (vitesse moyenne, ratio de navires lents, ratio d'ancrage, nombre de navires, etc.).
• Étiquetage : Une étiquette binaire de « montée de congestion » est définie si le ratio de navires lents ($SOG < 2$ nœuds) augmente d'un jour à l'autre. Le taux de positivité est faible (13,5%), créant un déséquilibre de classe.

B. Modèle Prédictif : TGAT (Temporal Graph Attention Network)

• Architecture : Le modèle traite une séquence de graphes quotidiens. Il utilise des couches d'attention graphique multi-têtes pour agréger les informations des voisins.
• Mécanisme Temporel : Contrairement aux GNN statiques, le TGAT intègre le contexte temporel en concaténant les embeddings des nœuds de l'étape $t$ avec les caractéristiques brutes de l'étape $t+1$ avant la prochaine itération de passage de message.
• Entraînement : Utilisation d'une perte d'entropie croisée binaire pondérée (pour compenser le déséquilibre de classe) et d'une validation chronologique stricte (70% entraînement, 15% validation, 15% test) pour éviter toute fuite de données temporelle.

C. Module d'Explication par LLM (GPT-4o-mini)

• Extraction de Preuves : Après l'inférence, le système extrait des « preuves structurées » pour chaque nœud :
  1. Les 5 meilleures caractéristiques classées par score $z$ (avec leur direction de corrélation).
  2. Les 2 voisins spatiaux les plus influents (basés sur les poids d'attention).
• Prompting Contraint : Ces preuves sont injectées dans un prompt structuré pour un LLM. Le modèle est contraint de générer un rapport JSON en six sections (facteurs de risque, influence des voisins, résumé, suggestions contrefactuelles, incertitudes, limites).
• Contrainte de Fidélité : Le LLM est explicitement interdit d'utiliser des connaissances externes ; il doit baser son raisonnement uniquement sur les preuves statistiques fournies par le modèle graphique.

3. Contributions Clés

1. Pipeline AIS-TGNN Open Source : Transformation de données AIS brutes en 89 graphes spatio-temporels annotés (environ $3,02 \times 10^4$ échantillons nœud-jour).
2. Prédicteur TGAT Performant : Implémentation d'un modèle TGAT atteignant un AUC de 0,761 sur un jeu de données fortement déséquilibré, surpassant les baselines (Régression Linéaire et GCN statique).
3. Extraction de Preuves par Attention : Combinaison inédite des poids d'attention spatiale et des scores $z$ de caractéristiques pour créer des enregistrements de preuves exploitables par un LLM.
4. Synthèse de Risque par LLM : Démonstration qu'un LLM guidé par des preuves structurées peut générer des rapports de risque cohérents avec une cohérence directionnelle de 99,6 % (vérifiant que le langage naturel correspond aux signes statistiques réels).

4. Résultats Expérimentaux

Performance Prédictive (Jeu de Test)

Sur une séparation chronologique stricte (snapshots 76-89) :

• AUC : 0,761 (TGAT) vs 0,759 (GCN) vs 0,713 (LR).
• Average Precision (AP) : 0,344 (TGAT) vs 0,326 (GCN).
• Rappel (Recall) : 0,504 (TGAT) vs 0,445 (GCN).
  • Note : Le gain de rappel de +13,2 % par rapport au GCN est crucial pour les opérateurs portuaires, car manquer un événement de congestion coûte plus cher qu'une fausse alerte.

Validation de l'Explicabilité

• Cohérence Directionnelle : Sur 500 jugements de direction de risque (5 caractéristiques x 100 rapports), 498 étaient cohérents (99,6 %).
• Le seul cas d'incohérence provenait d'une caractéristique avec une corrélation quasi nulle, où le LLM a utilisé un langage ambigu.
• Cela prouve que le LLM ne « hallucine » pas de causes mais rapporte fidèlement les preuves internes du modèle graphique.

5. Signification et Impact

• Bridging the Gap : Ce travail comble le fossé entre la performance prédictive des modèles de graphes complexes et le besoin d'explications compréhensibles pour les humains.
• Auditabilité : En ancrant la génération de texte dans des preuves statistiques vérifiables (scores $z$, poids d'attention), le système permet un rapport de risque auditable, essentiel pour la gestion des risques dans la chaîne d'approvisionnement.
• Opérationnalité : Le cadre fournit une voie pratique vers un déploiement d'IA explicable (XAI) dans les systèmes de surveillance maritime en temps réel, permettant une réorientation proactive des navires et un positionnement préventif des équipements.

En résumé, l'article démontre qu'il est possible de dépasser les modèles statiques grâce à l'attention temporelle (TGAT) tout en rendant ces prédictions transparentes et actionnables grâce à un module LLM rigoureusement contraint par les données du modèle.