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

Este artigo apresenta o AIS-TGNN, um framework que combina Redes de Atenção Gráfica Temporais com um módulo de raciocínio de LLM estruturado para prever congestionamentos portuários e gerar explicações em linguagem natural baseadas em evidências, alcançando alta precisão preditiva e consistência direcional de 99,6% em dados do Porto de Los Angeles e Long Beach.

O essencial

Imagine que o porto de Los Angeles e Long Beach é como um gargalo gigante em uma estrada de pedágio. Quando muitos caminhões (navios) tentam entrar ao mesmo tempo, tudo trava. Isso causa um efeito cascata: mercadorias atrasam, prateleiras de supermercados ficam vazias e o preço das coisas sobe.

O problema é que, até agora, os sistemas que tentam prever esses "engarrafamentos" marítimos funcionavam como uma bola de cristal mágica: eles diziam "vai dar ruim amanhã", mas não explicavam por que ou onde exatamente o problema começaria. Para os gestores do porto, saber que vai dar ruim não é suficiente; eles precisam saber qual rua (qual área do porto) vai travar e qual caminhão (navio) está causando a confusão.

Este artigo apresenta uma nova solução chamada AIS-TGNN. Vamos desmontá-la em três partes simples, usando analogias do dia a dia:

1. O "Detetive de Trânsito" (A Rede Neural Temporal)

Imagine que você tem um mapa de 100 quadradinhos que cobrem o porto. Cada dia, os navios enviam sinais (como se fossem mensagens de WhatsApp) dizendo onde estão e a que velocidade estão indo.

O modelo da equipe cria um mapa vivo onde cada quadradinho é um "nó" e eles estão todos conectados. Se o quadradinho A está cheio, ele "avisa" o vizinho B.

• A Mágica: Ao contrário de modelos antigos que olhavam para cada lugar isoladamente, este novo modelo usa uma atenção inteligente. É como se um detetive olhasse para o mapa e dissesse: "O problema não é o navio aqui, é aquele navio gigante ali que está bloqueando a entrada, e ele está puxando a atenção para o vizinho dele".
• O Resultado: O sistema aprende a prever, com bastante precisão, se um quadrado específico vai ficar congestionado no dia seguinte. Ele é tão bom que consegue pegar mais de 50% dos casos de engarrafamento real (o que é muito para um sistema que lida com algo tão caótico).

2. O "Tradutor de Dados" (O Grande Modelo de Linguagem - LLM)

Aqui está a parte mais inovadora. Geralmente, a IA dá um número: "Probabilidade de 70% de congestionamento". Isso é chato e difícil de entender para um humano.

Neste trabalho, eles conectaram o "Detetive de Trânsito" a um assistente de IA superinteligente (como um GPT-4).

• A Regra de Ouro: O assistente não pode inventar nada. Ele é forçado a olhar apenas para as "provas" que o Detetive encontrou.
  • Prova 1: "O navio está se movendo muito devagar."
  • Prova 2: "O vizinho ao norte está cheio."
  • Prova 3: "Muitos navios estão parados esperando."
• O Trabalho do Assistente: Ele pega essas provas secas e transforma em um relatório de risco humano. Em vez de números, ele escreve: "Atenção! A área X vai travar amanhã porque os navios estão muito lentos e o vizinho ao norte está bloqueando a saída. Sugiro redirecionar os navios menores para o sul."

3. O "Checador de Verdade" (Validação de Consistência)

Como sabemos que o assistente não está alucinando (inventando mentiras)?
Os autores criaram um teste de "consistência direcional". Eles perguntam ao sistema: "Você disse que o risco aumenta porque a velocidade caiu. Isso bate com os dados?"

• Resultado: Em 99,6% dos casos, a história contada pela IA estava perfeitamente alinhada com os dados matemáticos. É como ter um jornalista que só escreve o que ele viu com os próprios olhos, sem inventar fofocas.

Por que isso é importante?

Antes, os gestores de porto tinham que confiar em intuição ou em gráficos complexos que ninguém lia. Agora, eles têm um sistema de alerta precoce que explica o motivo.

• Sem isso: "O porto vai travar." (O gestor pensa: "Onde? O que eu faço?")
• Com isso: "O setor 3 vai travar porque os navios de petróleo estão parados e o vento está empurrando eles para a direita. Mova os navios de contêineres para a esquerda."

Resumo da Ópera

Os pesquisadores criaram um sistema que prevê onde o porto vai engarrafar usando matemática avançada (Redes de Atenção Gráfica) e, em seguida, usa uma Inteligência Artificial de linguagem para contar a história desse engarrafamento de forma clara e honesta.

É como ter um meteorologista do trânsito marítimo que não apenas diz "vai chover", mas aponta para a janela, mostra a nuvem preta e explica exatamente por que você deve pegar um guarda-chuva, baseando-se apenas nas nuvens que ele realmente vê. Isso torna a IA confiável e útil para tomar decisões reais no mundo real.

Resumo técnico

Título: Explicabilidade Baseada em LLM para Previsão de Congestionamento Portuário via Redes de Atenção Gráfica Temporal

1. Problema e Contexto

Os portos marítimos são críticos para o comércio global, mas congestionamentos em hubs como o Porto de Los Angeles e Long Beach podem causar rupturas severas nas cadeias de suprimentos. O problema central abordado pelo artigo é a lacuna de explicabilidade nos sistemas atuais de IA para logística:

• Foco Excessivo em Métricas Agregadas: A maioria dos modelos existentes prioriza a precisão da previsão (ex: AUC, F1) em detrimento de insights acionáveis e interpretáveis para partes interessadas não técnicas.
• Falta de Interpretabilidade Operacional: Métodos pós-hoc (como GNNExplainer ou SHAP) fornecem pontuações numéricas abstratas que não se traduzem facilmente em relatórios de risco compreensíveis.
• Necessidade de Previsão Proativa: Operadores portuários necessitam de uma janela preditiva de 24 horas para realocar navios e equipamentos, exigindo não apenas saber quando haverá congestionamento, mas por que e quais fatores estão impulsionando esse risco.

2. Metodologia: Framework AIS-TGNN

O artigo propõe o AIS-TGNN, um framework end-to-end que integra previsão de escalada de congestionamento com geração de explicações em linguagem natural fundamentadas em evidências.

A. Construção do Grafo Espacial-Temporal

• Dados: Utiliza transmissões do Sistema de Identificação Automática (AIS) do Porto de Los Angeles/Long Beach (Janeiro a Junho de 2023).
• Discretização: A região é dividida em uma grade regular de 0,1° x 0,1° (aprox. 11km x 11km).
• Estrutura de Grafo: Cada célula ativa com observações de navios forma um nó. As arestas são definidas por um grafo de k-vizinhos mais próximos (k=8) baseado na distância euclidiana.
• Atributos dos Nós: Cada nó possui 10 características cinemáticas e de densidade de tráfego (ex: velocidade média sobre o solo - SOG, proporção de navios lentos, razão de âncoras, contagem de navios).
• Rótulo (Label): Define-se um rótulo binário de "escalada de congestionamento" ($y=1$) se a proporção de navios lentos no dia $t+1$ for maior que no dia $t$. A taxa de positivos é de apenas 13,5% (desequilíbrio de classe).

B. Modelo Preditivo: TGAT (Temporal Graph Attention Network)

• Arquitetura: O modelo processa uma sequência de snapshots de grafos diários.
• Mecanismo de Atenção: Utiliza camadas de atenção gráfica multicanal (Multi-head GAT) onde cada nó agrega informações dos vizinhos com pesos aprendíveis ($\alpha_{ij}$). Isso permite que o modelo identifique quais vizinhos espaciais exercem maior influência na previsão de congestionamento.
• Contexto Temporal: Incorpora o histórico de tráfego concatenando embeddings de estados anteriores com os vetores de características atuais, sem necessidade de componentes recorrentes separados.
• Treinamento: Utiliza perda de entropia cruzada binária ponderada (peso de 6,74 para a classe minoritária) para lidar com o desequilíbrio de classes. A divisão dos dados é estritamente cronológica (70% treino, 15% validação, 15% teste) para evitar vazamento de dados temporais.

C. Módulo de Explicação com LLM

• Extração de Evidências: Após a previsão, o sistema extrai registros de evidências estruturadas para cada nó, incluindo:
  1. Top-5 características ordenadas por valor absoluto de z-score.
  2. Top-2 vizinhos espaciais com maior peso de atenção.
• Prompting Estruturado: Um LLM (GPT-4o-mini) recebe essas evidências em um prompt rígido que instrui o modelo a atuar como um analista de risco marítimo.
• Restrições de Geração: O LLM deve gerar um relatório de risco em JSON com seis seções obrigatórias (drivers de características, influência de vizinhos, resumo de risco, sugestões contrafactuais, confiança e limitações).
• Validação de Consistência Direcional: Um protocolo quantitativo verifica se a direção do risco descrita no texto (ex: "aumenta o risco") corresponde matematicamente ao sinal do z-score e à correlação ponto-biserial dos dados.

3. Principais Contribuições

1. Pipeline AIS-TGNN: Desenvolvimento de um pipeline de código aberto que transforma dados brutos de AIS em 89 snapshots de grafos espaciais-temporais com ~30.200 amostras de nós-dia.
2. Preditor TGAT: Implementação de um modelo que supera linhas de base (Regressão Logística e GCN estático) em dados desbalanceados, alcançando um AUC de teste de 0,761.
3. Ponte Evidência-Interpretação: Uma metodologia inovadora que extrai pesos de atenção e estatísticas de características para alimentar um LLM, garantindo que as explicações sejam "fundamentadas" (grounded) nos dados do modelo, não em conhecimento externo alucinado.
4. Validação Quantitativa de Explicabilidade: Introdução de uma métrica de "consistência direcional", demonstrando que 99,6% das explicações geradas pelo LLM estão alinhadas com a evidência estatística subjacente.

4. Resultados Experimentais

• Desempenho Preditivo:
  • TGAT: AUC = 0,761, AP (Precisão Média) = 0,344, Recall = 0,504.
  • GCN (Grafo Estático): AUC = 0,759, Recall = 0,445.
  • LR (Regressão Logística): AUC = 0,713, Recall = 0,480.
  • Análise: Embora a diferença no AUC entre TGAT e GCN seja pequena (0,002), o TGAT apresenta uma melhoria significativa no Recall (+13,2%) e na Precisão Média (+5,5%). Em cenários de desbalanceamento severo, o Recall é a métrica mais crítica, pois falhar em detectar um evento de congestionamento (falso negativo) é mais custoso do que um alarme falso.
• Explicabilidade:
  • O modelo identificou consistentemente que a "proporção de navios lentos" e a "velocidade média (SOG)" são os principais impulsionadores de risco, alinhando-se com a intuição física e correlações estatísticas.
  • Consistência Direcional: 498 de 500 julgamentos de direção de risco nos relatórios gerados foram consistentes com os dados (99,6% de taxa de sucesso).

5. Significado e Conclusão

O trabalho demonstra que é possível construir sistemas de IA para logística que não apenas preveem com alta precisão, mas também fornecem relatórios de risco auditáveis e interpretáveis.

• Impacto Operacional: O framework oferece uma via prática para a implantação de IA explicável (XAI) na gestão de riscos da cadeia de suprimentos marítima, permitindo que planejadores entendam a lógica por trás das previsões.
• Inovação Técnica: A integração de pesos de atenção de grafos temporais com a geração de linguagem natural restrita por evidências supera as limitações de métodos de explicação pós-hoc tradicionais, que muitas vezes são abstratos ou desconectados da lógica de decisão do modelo.
• Futuro: O artigo sugere a incorporação de covariáveis exógenas (clima, marés) e a previsão de múltiplos passos à frente como próximos passos para melhorar ainda mais a precisão e a utilidade operacional.