该论文针对车联网通信网络中机器学习模型用于误行为检测时存在的“黑箱”问题，提出了一种将可解释人工智能（XAI）与大语言模型（LLM）相结合的新型框架，旨在提供透明、用户友好的解释，从而增强非专业用户（如网络运营商、监管人员）对系统预测结果的信任。具体而言，框架利用XAI（如SHAP）量化每个特征对检测结果的贡献，生成可视化解释；同时，通过引入上下文增强的LLM，将技术性的SHAP输出转化为易于理解的自然语言叙述。在真实车载网络数据集上的实验表明，该方法在保持高检测性能的同时，显著提升了可解释性。研究贡献在于首次将XAI与LLM协同应用于智能交通系统的误行为检测场景，兼顾了检测精度与用户信任需求。适合关注AI安全、可解释人工智能、智能交通系统、人机交互的研究人员和工程师阅读。