《Intelligent Systems with Applications》：ClimatePolicyGen: A multi-agent framework for climate policy generation using multivariate and multimodal time series inputs
编辑推荐：
研究人员提出了ClimatePolicyGen，一种利用大语言模型（LLM）实现气候政策自动化生成的多智能体框架。该框架通过领域专用智能体分析环境、社会经济及基础设施趋势，合成结构化政策建议。实验结果表明，ClimatePolicyGen在连贯性上较基线模型提
研究人员提出了ClimatePolicyGen，一种利用大语言模型（LLM）实现气候政策自动化生成的多智能体框架。该框架通过领域专用智能体分析环境、社会经济及基础设施趋势，合成结构化政策建议。实验结果表明，ClimatePolicyGen在连贯性上较基线模型提升12.3%，相关性提升18.7%，并通过GEval和BERTScore验证。一项针对国家气候战略的案例研究凸显了其在多样化政策背景下的适应能力。通过将数据驱动、自适应及区域特定决策相结合，ClimatePolicyGen提升了全球气候韧性，并为数据驱动的政策起草奠定了基础，其成果通过自动指标验证，作为迈向实际部署的第一步。
研究背景与意义
气候变化应对、能源转型与可持续发展对气候政策的精准性和适应性提出了更高要求。现有政策制定依赖人工解读静态文件或孤立数据分析，耗时且难以应对紧急决策需求。时间序列到文本生成技术尚处于起步阶段，传统序列到序列（Seq2Seq）模型在处理多视图、多模态数据时存在领域训练数据集缺乏、统计指标无法捕捉语义细微差别等局限。为此，研究人员设计了ClimatePolicyGen框架，以实现从多变量时间序列数据到区域适应型气候政策的自动化生成。该研究发表于《Intelligent Systems with Applications》。
关键技术方法
研究采用五智能体协作架构，分别为气候政策与环境顾问、社会经济政策顾问、可持续发展与公共政策顾问、跨学科政策顾问和政策摘要专家，均基于GPT-4o运行。输入数据分为气候数据（温室气体排放、能源使用、森林砍伐）、社会经济数据（GDP、失业率、收入不平等）及其他数据（基础设施、公共卫生、灾害趋势）。智能体通过结构化提示（含角色上下文、数据指令、分析目标、输出要求）引导分析，跨学科智能体加权整合各智能体输出，最终由摘要智能体生成面向特定区域的行动建议。实验数据集整合了Climate Policy Radar中4534份政策文件及Our World in Data的127组时间序列表，按国家与年份对齐，训练集4315条，测试集100条，覆盖亚洲、美洲、欧洲、大洋洲和非洲。
研究结果
有效性分析：在统计指标方面，ClimatePolicyGen取得ROUGE-1 0.242、ROUGE-2 0.028的最高值；在语义指标方面，BERTScore达0.840、BARTScore 0.527、T5Score 0.497，并在GEval（GPT-4o）中获0.949分，显著优于Transformer、Seq2Seq（CNN+LSTM）及多种TimeLLM配置（p<0.001）。
时间窗口消融实验：3、5、10年时间窗口的性能差异极小，10年窗口在ROUGE-1与T5Score最优，5年窗口在GEval上与10年持平，表明框架对输入长度不敏感。
智能体配置消融实验：全配置（气候+社会经济+可持续发展）在语义相似度（T5Score 0.497）与连贯性（GEval 0.949）上表现最佳，尤其在单一维度和叙事型政策类别中优势明显，占测试集84%。
生成摘要质量评估：文本长度分布显示模型输出长度稳定但难以匹配参考文本的多样性；n-gram分析表明ClimatePolicyGen在精确率与召回率上更为平衡；重复分析显示其冗余度低，仅高于Seq2Seq。案例研究证实，相比Seq2Seq的语法错误和TimeLLM的突兀切换，ClimatePolicyGen生成的摘要逻辑流畅、过渡自然，并整合了可操作建议。
讨论与结论
研究证实，ClimatePolicyGen在多智能体协作与结构化提示设计下，能够高效整合多源时间序列数据，生成连贯、语义丰富的区域气候政策建议。其优势在于无需微调即可适配不同政策背景，且通过加权融合机制保障跨域一致性。局限包括依赖自动指标缺乏专家评估、测试集规模有限、输出长度变化不足以及商用LLM成本较高。未来研究可优化动态提示、引入强化学习改进文本质量、扩展数据集并融合更多模态信息，以提升框架在更广泛政策领域的适用性。
