在当今，交通机构获取了大量基于视频的数据，以研究安全和拥堵情况。然而，这些数据大多数是观察性的，收集时并未进行干预，这使得诸如“降雨如何改变交通密度？”这样的因果问题很难回答。为此，我们提出了 teLLMe，一个用于城市驾驶数据集的因果探索分析系统。
该系统首先从行车记录仪注释中构建一个结构化事件表，结合因果结构学习与 PC 算法、基于自助法的稳定性检查，以及使用线性回归和 DoWhy 的查询特定效应估计。自然语言问题通过一个具有模式感知的 LLM 映射到结构化因果查询，使用户能够指定处理、结果和子群体。
teLLMe 返回一个“因果卡”，总结效应估计、调整集、DAG 支持和假设，之后提供简短的自然语言解释。基于 BDD 生成的交通事件的案例研究表明，该系统能够揭示天气、峰值时段与交通密度之间的可信关系，同时明确不确定性和建模选择。该系统旨在作为假设生成和专家推理的工具，而非提供明确的因果声明。
博主点评： teLLMe 系统的创新之处在于其将复杂的因果分析过程简化为用户友好的界面，使得非专业人士也能参与到交通数据的深入分析中来。这种结合了机器学习与因果推理的方式，为城市交通管理提供了新的视角与工具。通过有效的模型，交通管理部门能够更好地理解影响交通流的各种因素，进而优化交通政策。