Multi-Agent Multimodal Large Language Model Framework for Automated Interpretation of Fuel Effici...

文章核心总结与翻译

一、主要内容

该研究针对公共交通燃油效率分析中多模态数据解读复杂、人工合成报告效率低的问题，提出了一个基于多智能体和多模态大语言模型（LLM）的自动化数据分析与报告生成框架。

1. 核心目标：将公共交通中的复杂多模态燃油效率数据（如行车数据、图表、模型结果等）转化为可解释、面向决策者的结构化报告，解决传统分析方法输出碎片化、可扩展性差、一致性不足的痛点。
2. 框架架构：包含三个核心智能体
   • 数据叙事智能体：解读多模态输入（图表、数值等）并生成文本叙事；
   • LLM评估智能体：从清晰度、相关性、洞察力、情境化四个维度评估叙事质量（0-4分制）；
   • 可选人工介入评估器：在敏感场景中提供专家优化。
3. 工作流程：分为四个阶段，逐步积累上下文并迭代优化叙事
   • 原始数据描述：刻画数据结构、分布和质量；
   • 数据建模：解释统计/机器学习模型（如高斯混合模型聚类）的分析结果；
   • 事后分析：解读模型输出的深层含义（如SHAP值、反事实解释等）；
   • 整合与叙事报告：生成包含执行摘要、方法说明、分析结果和可行建议的最终报告。
4. 实验验证：基于丹麦北日德兰半岛4006条公交行车燃油效率数据开展实证研究，对比5种主流LLM（如GPT-4.1 mini、C