An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction
作者: Narges Ahmadi, Yubo Jiao, Jônatas Augusto Manzolli, Jiangbo Yu, Luis Miranda-Moreno
分类: cs.AI, cs.CL
发布日期: 2026-08-20
💡 一句话要点
提出三代理工作流程以优化数据收集与需求预测
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 旅行行为建模 数据收集 机器学习 多模态预测 对话式调查 天气影响分析 随机森林 大型语言模型
📋 核心要点
- 现有的旅行行为研究往往将数据收集与预测建模分开进行，缺乏有效的整合与协调。
- 本研究提出了一种三代理工作流程，结合对话式调查、数据处理和行为预测，以提升数据收集的效率和准确性。
- 实验结果显示，随机森林模型在五类分类任务中达到了69.6%的准确率，而最佳的视觉配置则达到了71.5%的准确率，表明视觉信息的有效性。
📝 摘要（中文）
旅行行为研究日益结合数字数据收集与预测建模，但这些阶段通常是分开开发和评估的。本研究提出了一种三代理工作流程，整合了对话式数据收集、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偏好调查，从五种预定义天气场景中收集了学生通勤者的出行选择，共获得454个响应-场景观察。使用多项式逻辑回归模型分析天气相关关联，同时采用逻辑回归和随机森林提供机器学习基准。研究表明，使用相同的天气图像，最佳视觉配置达到了71.5%的五类准确率，表明视觉上下文可能为选定模型提供额外的预测信息。
🔬 方法详解
问题定义：本研究旨在解决旅行行为研究中数据收集与预测建模分离的问题，现有方法缺乏有效的整合，导致数据利用效率低下。
核心思路：提出一种三代理工作流程，整合对话式数据收集、结构化数据处理和行为预测，以实现高效的数据收集和准确的需求预测。
技术框架：整体架构包括三个主要模块：对话式数据收集（通过聊天机器人进行）、结构化数据处理（使用多项式逻辑回归分析天气影响）和行为预测（采用机器学习模型进行预测）。
关键创新：最重要的技术创新在于将对话式调查与机器学习模型结合，形成一个可审计的多代理工作流程，显著提升了数据收集的效率和预测的准确性。
关键设计：在实验中使用了九个本地部署的大型语言模型，参数范围从2亿到350亿，采用零-shot、few-shot和视觉配置等多种方式进行评估，确保了模型的多样性和适应性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，随机森林模型在五类分类任务中达到了69.6%的准确率，而最佳的文本零-shot大型语言模型则达到了69.9%。使用相同的天气图像，最佳视觉配置的准确率达到了71.5%，表明视觉上下文在需求预测中的重要性。
🎯 应用场景
该研究的潜在应用领域包括城市交通规划、公共交通需求预测以及智能出行服务等。通过整合对话式数据收集与机器学习，能够更准确地预测出行需求，从而为政策制定和服务优化提供数据支持，具有重要的实际价值和未来影响。
📄 摘要（原文）
Travel behavior research increasingly combines digital data collection with predictive modeling, yet these stages are often developed and evaluated separately. This study proposes a three-agent workflow integrating conversational data collection, structured data processing, and behavioral prediction. A chatbot-administered, image-augmented stated-preference survey collected mode choices from student commuters across five predefined weather scenarios, yielding 454 respondent-scenario observations. Weather-related associations were analyzed using a multinomial logit model, while logistic regression and random forest provided machine-learning benchmarks. Nine locally deployed large language models (LLMs), ranging from 2 to 35 billion parameters, were evaluated across four zero-shot prompt-and-context conditions and extended through persona, few-shot, and vision-based configurations. Random forest achieved 69.6% five-class accuracy, while the best text-only zero-shot LLM reached 69.9% without task-specific fitting. Habitual travel information produced the most consistent gains, Expert framing generally outperformed Role-Play, and persona information was most useful when habitual travel information was unavailable. Few-shot prompting improved prediction for several models, with gains stabilizing after a small number of examples. Using the same weather images shown to respondents, the best vision-based configuration reached 71.5% five-class accuracy, indicating that visual context may provide additional predictive information for selected models. Overall, the study shows how conversational surveys, structured data processing, conventional behavioral modeling, machine learning, and multimodal LLM prediction can be coordinated within an auditable multi-agent workflow.