論文の概要: An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction

• arxiv url: http://arxiv.org/abs/2608.20320v1
• Date: Thu, 20 Aug 2026 17:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.666437
• Title: An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction
• Title（参考訳）: アクティブデータ収集, 旅行行動モデリング, および天気予報予測のためのエージェントアプローチ
• Abstract要約: 本研究では,会話データ収集,構造化データ処理,行動予測を統合した3エージェントワークフローを提案する。 9つの局所展開型大言語モデル (LLM) を4つのゼロショットプロンプト・コンテクスト条件で評価した。 習慣的旅行情報は最も一貫した利益をもたらし、専門家フレーミングは一般的にロールプレイよりも優れており、習慣的旅行情報が入手できない場合にペルソナ情報は最も有用であった。
• 参考スコア（独自算出の注目度）: 2.0451307225357422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 旅行行動研究は、デジタルデータ収集と予測モデルを組み合わせる傾向にあるが、これらの段階は、しばしば別々に開発され、評価される。 本研究では,会話データ収集,構造化データ処理,行動予測を統合した3エージェントワークフローを提案する。 チャットボットが管理し、画像が強調された条件付き調査では、5つの事前定義された天候シナリオから学生の通勤者からモード選択を収集し、454の応答性・シナリオの観察結果を得た。 気象関連関係を多項ロジットモデルを用いて解析し,ロジスティック回帰とランダム森林を用いて機械学習のベンチマークを行った。 ローカルにデプロイされた9つの大規模言語モデル(LLM)は、2から35億のパラメータで評価され、4つのゼロショットプロンプト・コンテクスト条件で評価され、ペルソナ、少数ショット、ビジョンベースの構成で拡張された。 ランダム・フォレストは5クラスの精度で69.6%を獲得し、テキストのみのゼロショットLLMは69.9%に達した。 習慣的旅行情報は最も一貫した利益をもたらし、専門家フレーミングは一般的にロールプレイよりも優れており、習慣的旅行情報が入手できない場合にペルソナ情報は最も有用であった。 いくつかのモデルの予測が向上し、少数の例の後にゲインが安定化した。 回答者に示すのと同じ気象画像を用いて、最良の視覚ベースの構成は71.5%の5段階の精度に達し、視覚的コンテキストが選択されたモデルにさらなる予測情報を提供する可能性があることを示している。 全体として、会話調査、構造化データ処理、従来の行動モデリング、機械学習、マルチモーダルLEM予測が、監査可能なマルチエージェントワークフロー内でどのように調整できるかを示す。

関連論文リスト

• Evaluating Few-Shot Temporal Reasoning of LLMs for Human Activity Prediction in Smart Environments [1.411614392022118]
  既存のデータ駆動エージェントベースのモデルは、低データ環境において苦労する。 本稿では,人間の知識に基づいて事前学習された大規模言語モデルがこのギャップを埋めるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-01-20T20:58:17Z)
• Shapelets-Enriched Selective Forecasting using Time Series Foundation Models [4.788378233213477]
  時系列基礎モデルは、複雑な時系列データをモデル化する能力により、最近多くの注目を集めている。 予測タスクの平均ゼロショット性能は高いが、データの特定の臨界領域における予測は必ずしも信頼できない。 シェープレットを用いて時系列のこれらの重要なセグメントを特定するための選択予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-16T22:57:24Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• Zero-Shot Load Forecasting with Large Language Models [40.604618284659736]
  本稿では,Chronos モデルで表される高度な LLM フレームワークを用いたゼロショット負荷予測手法を提案する。 トレーニング済みの広範な知識を利用することで、Chronosモデルは、広範なデータ固有のトレーニングを必要とせずに、データスカースシナリオの正確な負荷予測を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T07:39:46Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• VEDIT: Latent Prediction Architecture For Procedural Video Representation Learning [59.68917139718813]
  そこで本研究では,市販の冷凍型ビジュアルエンコーダを用いて,予測および手続き計画において,最先端(SoTA)の性能を達成可能であることを示す。 観察されたステップから凍結したクリップレベルの埋め込みを条件付けて、目に見えないステップの動作を予測することで、予測のための堅牢な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-10-04T14:52:09Z)
• No "Zero-Shot" Without Exponential Data: Pretraining Concept Frequency Determines Multimodal Model Performance [68.18779562801762]
  マルチモーダルモデルは、下流の"ゼロショット"のパフォーマンスを線形改善するために、指数関数的に多くのデータを必要とする。 本研究は,大規模な訓練パラダイムの下での「ゼロショット」一般化能力の鍵となる訓練データに対する指数関数的要求を明らかにする。
  論文  参考訳（メタデータ） (2024-04-04T17:58:02Z)
• Pushing Boundaries: Exploring Zero Shot Object Classification with Large Multimodal Models [0.09264362806173355]
  LLVA(Large Language and Vision Assistant Model)は、画像ベースのクエリと連動したリッチな会話体験をユーザに提供するモデルである。 本稿では,LMMについて一意に考察し,画像分類タスクの適応性について検討する。 我々の研究では、MNIST、Cats Vs. Dogs、Hymnoptera(Ants Vs. Bees)、Pox Vs. Non-Poxの皮膚画像からなる非伝統的なデータセットの4つの多様なデータセットのベンチマーク分析を含む。
  論文  参考訳（メタデータ） (2023-12-30T03:19:54Z)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• When Can Models Learn From Explanations? A Formal Framework for Understanding the Roles of Explanation Data [84.87772675171412]
  個々のデータポイントの説明がモデリング性能を向上させる状況について検討する。 e-SNLI、TACRED、SemEvalの3つの既存のデータセットを使って説明します。
  論文  参考訳（メタデータ） (2021-02-03T18:57:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。