主动数据收集、出行行为建模与天气敏感需求预测的智能体方法

arXiv AI 发表了一篇论文，提出一个三代理工作流，整合对话式数据收集、结构化数据处理和行为预测。通过聊天机器人进行的图像增强陈述偏好调查收集了学生通勤者在五种天气情景下的出行方式选择，共454个观察。评估了九个本地部署的LLM，零样本文本最佳达到69.9%准确率，视觉配置达到71.5%。

以往出行行为研究将数据收集与预测建模分开处理，而这项研究将两者整合在一个智能体工作流中，通过LLM实现端到端的自动化，减少了人工干预和误差，提高了预测准确性，可能推动出行需求预测领域向更自动化和智能化的方向发展。

该工作流通过自然语言对话收集偏好数据，用结构化处理清洗数据，再用机器学习和LLM模型进行预测。LLM通过上下文提示、少样本示例和视觉信息增强预测能力，利用图像提供视觉上下文补充传统数值变量，从而提升多类别分类的准确性。

对出行预测产品，此方法可减少数据收集成本和时间，提高预测精度。对研发团队，需评估LLM的本地部署成本（2-35B参数）与效益，确保在隐私和延迟要求下可行。对用户体验，聊天机器人调查可能提高参与度，但需处理LLM的响应质量。

• 开发集成LLM的出行调查工具，利用对话和图像收集数据，自动生成预测模型。
• 将视觉感知组件加入现有通勤预测系统，提升天气敏感场景下的准确率。
• 为出行服务提供商提供基于LLM的实时需求预测API，支持多种部署方式。
• 在特定用户群（如学生）中定制少样本提示，以低成本提高预测性能。

• LLM在不同人群和不同天气条件下的泛化能力如何？
• 本地部署的2-35B参数LLM在实际环境中的推理延迟和成本是否可接受？
• 图像增强的具体机制是什么？对哪些模型效果最显著？