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

Each language version is independently generated for its own context, not a direct translation.

Immagina il Porto di Los Angeles e Long Beach come il cuore pulsante del commercio mondiale. È un luogo dove le navi arrivano da tutte le parti del globo. Quando questo cuore inizia a battere troppo forte o a rallentare (congestione), tutto il resto del corpo (la catena di approvvigionamento globale) ne risente: i negozi rimangono vuoti, i prezzi salgono e le merci arrivano in ritardo.

Il problema è che, fino a poco tempo fa, i sistemi per prevedere questi "infarti" portuali erano come dei medici che ti dicono solo "hai la febbre", ma non ti spiegano perché o cosa sta causando il problema. Sapevano che sarebbe successo, ma non sapevano dirti se era colpa di un'onda, di una nave lenta o di un ingorgo vicino.

Questo paper presenta una nuova soluzione chiamata AIS-TGNN. Pensala come un metodo di diagnosi medico potenziato dall'Intelligenza Artificiale che non solo prevede il problema, ma ti scrive anche un rapporto medico dettagliato e comprensibile in linguaggio umano.

Ecco come funziona, passo dopo passo, con delle analogie:

1. La Mappa Vivente (Il "Grafo Temporale")

Immagina di dividere il porto in una griglia gigante, come una scacchiera, dove ogni casella è un piccolo quadrato di mare.

Il vecchio modo: Guardava ogni casella da sola, come se fosse un'isola.
Il nuovo modo (TGNN): Sa che le caselle non sono isolate. Se una nave rallenta nella casella A, probabilmente causerà un ingorgo nella casella B vicina.
L'Analogia: È come guardare un traffico cittadino. Non basta guardare una singola strada; devi capire come il traffico di una strada laterale influenzi l'autostrada principale. Il modello crea una "mappa vivente" che collega queste caselle e osserva come il traffico cambia minuto per minuto.

2. Il "Detective" che Ascolta le Navi (L'Attenzione)

Il modello usa una tecnologia chiamata Temporal Graph Attention Network.

Cosa fa: Immagina un detective che osserva 8 vicini diversi. Invece di dare a tutti la stessa importanza, il detective impara a ascoltare di più i vicini che stanno davvero creando problemi.
L'Analogia: Se sei in una stanza rumorosa, non senti tutti ugualmente. Senti di più chi sta urlando. Il modello fa lo stesso: se una zona vicina ha molte navi lente, il modello "alza il volume" su quella zona e dice: "Attenzione, è qui che nasce il problema!".

3. Il "Medico" che Parla (Il Linguaggio Naturale con LLM)

Qui arriva la parte magica. Una volta che il modello matematico ha individuato il problema, non si limita a dire "Probabilità di congestione: 76%".

Il problema: I numeri sono freddi e difficili da capire per chi deve prendere decisioni (come i capitani o i gestori del porto).
La soluzione: Il modello passa i suoi "indizi" (i dati matematici) a un Intelligenza Artificiale linguistica (come un Chatbot avanzato).
L'Analogia: È come se il detective matematico passasse i suoi appunti a un avvocato esperto. L'avvocato non inventa nulla; prende solo i fatti reali (es. "la velocità media è scesa", "c'è una nave lenta vicina") e scrive un rapporto chiaro: "Attenzione! La zona X sta per bloccarsi perché c'è un'alta concentrazione di navi lente e il vicino Y sta creando un ingorgo. Se non interveniamo, il traffico si fermerà."

4. La Verità al 99,6% (Affidabilità)

C'era un rischio: e se l'AI inventasse scuse plausibili ma false?

La verifica: Gli autori hanno creato un sistema di controllo. Hanno chiesto all'AI di spiegare le sue previsioni e hanno controllato se le sue parole corrispondevano esattamente ai dati matematici.
Il risultato: L'AI è stata corretta nel 99,6% dei casi. Non ha mai inventato cause. Ha sempre detto la verità basata sui dati che aveva visto.

Perché è importante?

Prima, i gestori dei porti dovevano fidarsi di numeri che non capivano bene. Ora, con questo sistema:

Sanno cosa sta succedendo: Vedono non solo che ci sarà un ingorgo, ma perché (es. "troppi container lenti", "nave vicina ferma").
Possono agire prima: Se sai che un ingorgo arriverà tra 24 ore a causa di una specifica nave lenta, puoi reindirizzare le altre navi o preparare le gru prima che sia troppo tardi.
È trasparente: Non è una "scatola nera". Puoi leggere il rapporto e capire la logica.

In sintesi

Questo paper ci insegna che l'Intelligenza Artificiale non deve essere solo un calcolatore veloce, ma può diventare un assistente che spiega le cose.
Hanno creato un sistema che osserva il porto come una rete di persone che si influenzano a vicenda, individua i punti critici e poi scrive un rapporto chiaro e veritiero per aiutare le persone a prendere decisioni migliori, evitando che le merci rimangano bloccate in mare.

È un passo avanti enorme verso un futuro in cui la tecnologia non ci dà solo risposte, ma ci aiuta a capire il mondo che ci circonda.

Each language version is independently generated for its own context, not a direct translation.

1. Problema e Contesto

La congestione nei porti marittimi, in particolare negli hub critici come il complesso di Los Angeles/Long Beach, interrompe le catene di approvvigionamento globali. Sebbene esistano sistemi di previsione, la maggior parte di essi privilegia la sola accuratezza statistica (es. AUC, F1) trascurando la spiegabilità operativa.
I decisori non tecnici (operatori terminalistici, pianificatori logistici) necessitano di insight azionabili a livello di singolo nodo (cella geografica) per effettuare re-routing preventivo o riposizionamento delle attrezzature. Le attuali metodologie di Explainable AI (XAI) per le reti neurali grafiche (GNN), come GNNExplainer o SHAP, producono output numerici astratti difficili da interpretare. Inoltre, c'è un divario tra le previsioni dei modelli e la generazione di report di rischio in linguaggio naturale che siano fedeli alle evidenze interne del modello.

2. Metodologia: Framework AIS-TGNN

Gli autori propongono AIS-TGNN, un framework end-to-end che combina una Temporal Graph Attention Network (TGAT) per la previsione e un modulo di ragionamento basato su Large Language Models (LLM) per la generazione di spiegazioni.

A. Costruzione del Grafo Spaziotemporale

Dati: Utilizzo di dati AIS (Automatic Identification System) dal gennaio al giugno 2023, archiviati dalla NOAA Marine Cadastre.
Discretizzazione: L'area di studio (San Pedro Bay) è suddivisa in una griglia regolare di 0.1° x 0.1° (circa 11x11 km).
Grafo: Per ogni giorno, le celle con almeno un'osservazione AIS formano i nodi attivi ( $V_t$ ). I nodi sono connessi tramite un grafo a $k$ -vicini più prossimi ( $k=8$ ) basato sulla distanza euclidea.
Feature: Per ogni nodo-giorno vengono calcolate 10 feature cinematiche e di densità (es. velocità media SOG, rapporto di navi lente, rapporto di navi ancorate, varianza della rotta).
Etichettatura: L'obiettivo è prevedere l'escalation della congestione (label binaria $y=1$ se il rapporto di navi lente al giorno $t+1$ supera quello al giorno $t$ ). Il dataset è sbilanciato (13.5% di casi positivi).

B. Modello di Previsione: TGAT

Architettura: Il modello utilizza un Temporal Graph Attention Network. A ogni passo temporale, aggrega le informazioni dai vicini utilizzando un meccanismo di attenzione multi-testa.
Meccanismo Temporale: Le embedding dei nodi al tempo $t$ vengono concatenate con le feature grezze al tempo $t+1$ prima della prossima iterazione di passaggio messaggi, permettendo al modello di condizionare le previsioni sulla storia recente del traffico senza componenti ricorrenti separati.
Addestramento: Utilizzo di una perdita Binary Cross-Entropy pesata (peso 6.74 per la classe positiva) per gestire lo sbilanciamento. Split temporale rigoroso (70% training, 15% validation, 15% test) per prevenire data leakage.

C. Modulo di Spiegazione: LLM-Grounded

Estrazione delle Evidenze: Dopo la previsione, il sistema estrae record di evidenze strutturati per ogni nodo:
1. Le top-5 feature classificate per valore assoluto dello z-score.
2. I top-2 vicini spaziali basati sui pesi di attenzione (attention-proxy weights).
Prompting Strutturato: Questi dati numerici (z-score, direzioni di correlazione, pesi di attenzione) vengono inseriti in un prompt per un LLM (GPT-4o-mini).
Vincoli di Fedeltà: L'LLM è istruito a generare un report di rischio in linguaggio naturale esclusivamente basato sulle evidenze fornite, senza attingere a conoscenze esterne. Il output è vincolato a uno schema JSON con sei sezioni specifiche (driver, influenza dei vicini, sintesi, suggerimenti controfattuali, incertezza, limitazioni).

3. Contributi Chiave

Dataset e Pipeline AIS-TGNN: Sviluppo di una pipeline open-source che trasforma i dati AIS grezzi in 89 snapshot grafici spaziotemporali (circa $3.02 \times 10^4$ campioni).
Predittore TGAT: Implementazione di un modello che raggiunge prestazioni superiori su dati sbilanciati, superando le baseline LR e GCN statiche.
Estrazione di Evidenze basata sull'Attenzione: Colma il divario tra i modelli interni e l'interpretazione umana, estraendo record di evidenze per nodo (feature e vicini) per guidare l'LLM.
Sintesi del Rischio con LLM: Dimostrazione che un LLM, guidato da evidenze strutturate, può generare report di rischio multi-sezione con un'alta coerenza direzionale (99.6%), fornendo un blueprint per la trasparenza decisionale.

4. Risultati Sperimentali

Il framework è stato valutato su 6 mesi di dati del porto di Los Angeles/Long Beach.

Prestazioni Predittive (Test Set):
- AUC: 0.761 (vs 0.713 di LR e 0.759 di GCN).
- Average Precision (AP): 0.344 (vs 0.326 di GCN).
- Recall: 0.504 (vs 0.445 di GCN).
- Nota: Il Recall è considerato la metrica operativa più critica, poiché per i pianificatori portuali il costo di perdere un evento di congestione reale è superiore a un falso allarme. Il TGAT mostra un miglioramento del +13.2% nel Recall rispetto al GCN.
Validazione della Spiegabilità:
- Coerenza Direzionale: È stata introdotta una protocollo di validazione che verifica se la direzione del rischio dichiarata dall'LLM (aumento/diminuzione) corrisponde al segno dello z-score e alla correlazione statistica reale.
- Risultato: 99.6% di coerenza (498 su 500 giudizi corretti). Questo conferma che l'LLM non "allucina" attribuzioni di rischio, ma riflette fedelmente le evidenze del modello grafico.

5. Significato e Implicazioni

Chiusura del Divario "Explainability": Il lavoro dimostra che è possibile integrare modelli grafici avanzati (TGAT) con LLM per produrre non solo previsioni accurate, ma anche report di rischio auditabili e interpretabili da stakeholder non tecnici.
Affidabilità Operativa: L'approccio "grounded" (basato su evidenze) garantisce che le spiegazioni siano statisticamente fondate, riducendo il rischio di decisioni basate su narrazioni plausibili ma errate.
Scalabilità: Il framework offre una via pratica per l'implementazione di AI spiegabile nella gestione del rischio della catena di approvvigionamento marittima, permettendo una transizione da modelli "black-box" a sistemi di supporto decisionale trasparenti.

In sintesi, il paper propone una soluzione innovativa che combina la potenza predittiva delle reti grafiche temporali con la capacità narrativa degli LLM, vincolata rigorosamente ai dati del modello, per affrontare la complessità della congestione portuale.