§论文2026年8月23日 4:29

基于智能体方法的活动数据收集、出行行为建模与天气敏感需求预测

为什么重要该研究展示了大语言模型在出行行为预测中的潜力，并比较了不同提示策略的效果，为开发天气敏感的智能出行服务提供了新思路。

摘要显示，本研究提出一个三智能体工作流，整合对话式数据收集、结构化数据处理和行为预测。通过聊天机器人管理的图像增强陈述偏好调查，收集了454条学生通勤者在五种天气情景下的出行方式选择数据。使用多项逻辑模型分析天气关联，并以逻辑回归和随机森林作为机器学习基准。评估了九个本地部署的大语言模型，范围从2亿到350亿参数，在四种零样本提示条件下，并扩展了角色、少样本和视觉配置。最佳文本零样本LLM达到69.9%的准确率，而最佳视觉配置达到71.5%的五类准确率。

An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction

大语言模型出行行为预测智能体天气敏感随机森林

arXiv

阅读原文

英文摘要

The study proposes a three-agent workflow integrating conversational data collection, structured data processing, and behavioral prediction. A chatbot-administered survey collected mode choices from student commuters across five weather scenarios, yielding 454 observations. Nine locally deployed LLMs were evaluated; the best text-only zero-shot LLM reached 69.9% five-class accuracy, and the best vision-based configuration reached 71.5%.