知识卡片：teLLMe：面向城市驾驶数据的探索性因果分析系统

一句话结论
teLLMe 将行车记录仪视频标注构建的结构化事件表与 PC 因果结构学习、bootstrap 稳定性检查和 DoWhy 线性回归相结合，并通过 schema‑aware LLM 将自然语言问题映射为结构化因果查询，从而为交通机构从观测数据中估计天气、高峰时段等因素对交通密度的因果效应，返回可解释的“因果卡片”。

事件概述或研究问题
交通机构可获取大量视频衍生的观测数据，但这些数据缺乏干预，难以直接回答“降雨如何改变交通密度？”等因果问题。本文提出 teLLMe 系统，旨在对城市驾驶数据集进行探索性因果分析，帮助研究人员从观测数据中生成假设并进行专家推理。

方法/产品要点

输入：从行车记录仪（dashcam）标注构建的结构化事件表。
因果结构学习：使用 PC 算法（Peter‑Clark）发现变量间的有向无环图（DAG）。
稳定性检查：基于 bootstrap 重复进行结构学习，评估边（edge）的稳定性。
效应估计：针对用户指定的处理（treatment）、结果（outcome）及子群体，通过 DoWhy（内嵌线性回归）估计平均因果效应。
自然语言接口：利用 schema‑aware 大语言模型将用户提出的自然语言问题自动映射为结构化因果查询（如指定干预变量、结果变量、子群体）。
输出：生成“Causal Card”，包含效应估计值、调整集、DAG 支持证据及模型假设，并附带简短的自然语言解释。

主要结果或产业意义
在基于 BDD（Berkeley DeepDrive）的交通事件案例研究中，系统能够揭示天气、高峰时段与交通密度之间看似合理的因果关联，同时明确表达不确定性及建模选择。该系统被设计为假设生成和专家推理的工具，而非提供最终因果断言。

为什么重要

为大规模观测性交通视频数据提供了端到端的因果分析流程，填补了从“数据”到“可解释因果推断”的缺口。
结合 LLM 降低了因果推理的使用门槛，使非技术专家也能通过自然语言提出因果问题。
与已有相关卡片（如 OpenLongTail：长尾驾驶数据的生成式扩展）不同，本卡片聚焦因果推断而非数据增强，提供了另一角度的增量信息。

局限与不确定性

由于无法获取论文全文，以下内容待核实：PC 算法的具体参数设置（如显著性水平）、Bootstrap 重复次数、LLM 映射的准确率（是否需要人工修正）、BDD 数据集的样本量及变量分布。
因果估计依赖模型假设（如无未测量混杂、线性可加性），实际应用中可能不成立。
系统生成的结果主要服务于假设生成，尚不具备严谨的因果识别效力。
未与其他因果推断基线（如工具变量、断点回归）进行比较。

可用于图书/PPT/简报的角度

教材/培训：演示如何将 PC 算法、DoWhy、LLM 结合，从观测数据中提取因果见解。
智能交通报告：介绍利用行车记录仪大数据进行城市交通流因果分析的新范式。
演讲案例：以“降雨影响交通密度还是高峰时段影响？”为例，展示 LLM 驱动的因果问答流程。

原始材料

URL：https://arxiv.org/abs/2607.15254v1
英文标题：teLLMe Why (Ain't Nothing but a Jam): Exploratory Causal Analysis of Urban Driving Data
英文关键词：（根据摘要推断）causal analysis, urban driving, LLM, PC algorithm, DoWhy
Track：academic
Topics：foundation-model