Resumen:La predicción precisa de la gravedad de los accidentes de tránsito es fundamental para mejorar la respuesta a emergencias y la planificación de la seguridad pública. Aunque los modelos de lenguajes grandes (LLM) recientes exhiben sólidas capacidades de razonamiento, sus arquitecturas de agente único a menudo tienen problemas con datos de fallas heterogéneos y específicos de un dominio y tienden a generar predicciones sesgadas o inestables. Para abordar estas limitaciones, este artículo propone TransportAgents, un marco híbrido de múltiples agentes que integra el razonamiento LLM específico de categoría con un módulo de integración de perceptrón multicapa (MLP). Cada agente especializado se centra en un subconjunto particular de información de tráfico, como datos demográficos, contexto ambiental o detalles del incidente, para producir evaluaciones de gravedad intermedias que posteriormente se fusionan en una predicción unificada. Amplios experimentos en dos conjuntos de datos complementarios de EE. UU., el Sistema de Gestión de Riesgos de Seguridad de Productos de Consumo (CPSRMS) y el Sistema Nacional de Vigilancia Electrónica de Lesiones (NEISS), demuestran que TransportAgents supera consistentemente tanto el aprendizaje automático tradicional como las líneas de base avanzadas basadas en LLM. En tres pilares representativos, incluidos modelos de código cerrado como GPT-3.5 y GPT-4o, así como modelos de código abierto como LLaMA-3.3, el marco exhibe una gran solidez, escalabilidad y generalización entre conjuntos de datos. Un análisis distribucional complementario muestra además que TransportAgents produce predicciones de gravedad más equilibradas y mejor calibradas que los enfoques LLM estándar de un solo agente, destacando su interpretabilidad y confiabilidad para aplicaciones de soporte de decisiones críticas para la seguridad.
Publicado originalmente en export.arxiv.org el 22 de enero de 2026.
Ver fuente original
