都市交通の因果関係をLLMで探る「teLLMe」、ドラレコ映像データから仮説生成を支援

交通当局は近年、ドラレコ映像などから得られる大量の観測データにアクセスできるようになったが、これらは介入を伴わない観測データであるため、「雨が降ると交通密度はどう変化するか」といった因果関係の問いに答えるのは難しい。今回発表された研究「teLLMe」は、都市交通データセットに対する探索的な因果分析を支援するシステムだ。

システムの仕組み

teLLMeは、ドラレコの注釈から構築された構造化イベントテーブルを出発点とする。因果構造の学習にはPCアルゴリズムを用い、ブートストラップによる安定性チェックを行った上で、線形回帰とDoWhyライブラリを使ったクエリ固有の効果推定を組み合わせる。

ユーザーが入力する自然言語の質問は、スキーマを理解したLLMによって構造化された因果クエリへと変換される。これにより、処置（treatment）、結果（outcome）、対象となる部分集団を柔軟に指定できる。

「Causal Card」による結果提示

システムは分析結果を「Causal Card」と呼ばれる形式でまとめて出力する。これには効果推定値、調整変数の集合、DAG（有向非巡回グラフ）による裏付け、前提条件などが含まれ、さらに簡潔な自然言語による説明が添えられる。

BDD（Berkeley DeepDrive）由来の交通イベントを用いたケーススタディでは、天候、ピーク時間帯、交通密度に関する妥当な関係性を提示できることが示された。一方で、不確実性やモデリング上の選択を明示することも重視されている。

開発者らは、teLLMeを確定的な因果関係の主張を行うツールではなく、仮説生成や専門家の推論を支援するためのツールとして位置づけている。