TACSTechnology and Application of Computer Science2998-89262998-8934Art and Technology10.61369/TACS.2026020016Article交通事故致因图谱构建及融合大模型的可解释性问答系统研究https://artdesignp.com/journal/TACS/3/2/10.61369/TACS.2026020016黎帅,宋晨城,孔羿翔,叶琦2026322026-01-28针对大模型在道路交通事故致因研判中存在推理黑箱化、幻觉生成、可解释性不足，难以适配事故鉴定严谨性要求的痛点，本文开展交通事故致因图谱构建及融合大模型的问答系统专项研究。首先结合事故致因分层理论与行业规范，构建覆盖多要素的层级化交通事故致因链知识图谱，形成标准化事故致因知识体系；其次提出轻量化检索增强融合推理架构，以图谱结构化知识约束大模型推理逻辑，生成含明确推理路径的可解释性研判结果，并将该架构落地为适配基层应用的桌面端问答程序；最后以287份道路交通事故调查报告为数据基础，选取86份测试样本开展对比实验。结果表明，融合架构的致因研判准确率达94.2%，幻觉生成率仅1.2%，可解释性达标率为100%，显著优于纯大模型推理。本研究完成了交通事故致因图谱构建与融合大模型的问答系统研发，有效弥补了大模型推理的不确定性缺陷，提升了事故致因研判的严谨性与精准性，为交通管理部门的事故处置、隐患治理提供有效的技术支撑。道路交通事故,知识图谱,大模型,致因推理,可解释性,检索增强

[1] 于德新，彭万里，吴新程，等。知识图谱和表示学习在道路交通事故数据挖掘中的应用 [J]. 安全与环境学报，2024, 24 (10):3950-3958.[2] 朱广宇，张萌，裔扬。基于知识图谱的城市轨道交通突发事件演化结果预测 [J]. 电子与信息学报，2023, 45 (3):949-957.[3] 成卫，马铭炜，张小龙. 基于贝叶斯网络的高速公路交通事故严重程度预测及致因分析[J]. 重庆交通大学学报（自然科学版）, 2023, 42(7): 87-95.[4] 熊晓夏，刘擎超，沈钰杰，等。基于LSTM-BF 的高速公路交通事故风险模型 [J]. 中国安全科学学报，2022, 32 (5):170-176.[5] 卢浩文, 何元清. 基于转移的航空安全事件知识图谱表示学习[J]. 现代计算机,2023,29(07):59-63+84.[6] 张丁荣，王恪铭，冯心妍。基于知识图谱和故障树的高速铁路事故致因分析 [J]. 铁路计算机应用，2023, 32 (7):14-18.[7] 王占中, 张书源, 杨萌, 等. 交通事故致因知识图谱构建及风险因素挖掘 [J]. 同济大学学报( 自然科学版), 2025, 53 (04): 611-618.[8] 张丽岩，王燕，马健，等。基于道路交通事故领域的知识图谱构建及可视化 [J]. 信息技术与信息化，2024 (1):47-50.[9] 马健，崔玉玉，张丽岩。大语言模型融合知识图谱的交通事故问答系统研究 [J]. 电脑与信息技术，2025, 33 (4):108-111.