An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction· 主动数据收集、出行行为建模与天气敏感需求预测的代理方法
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
提出代理方法，整合主动数据收集与出行行为预测，特别考虑天气因素。
- 核心方法
- 设计三代理工作流，包括基于聊天机器人的图像增强意愿调查、结构化数据处理和行为预测模型。
- 适合谁读
- 适合研究者和工程师阅读，特别是关注主动学习和人机交互在出行行为预测中的应用者。
- 要解决的问题
- 解决旅行行为研究中数据收集与预测建模分离的问题，同时考虑天气敏感性。
- 关键实验
- 通过聊天机器人收集454个学生通勤者的出行选择数据，使用多名义逻辑回归模型进行天气相关性分析，并通过随机森林模型进行机器学习基准测试；评估了9个本地部署的大型语言模型（LLM）在零样本任务上的表现。
- 主要贡献
- 提供了一种全新的集成方法，有效结合数据收集与预测建模，提高了天气敏感需求预测的准确性和实用性。
- 意义与局限
- 该方法为旅行行为研究提供了一个全面的框架，有助于更准确地理解天气对出行选择的影响，但可能受限于数据规模和模型泛化能力。