رویکرد عاملی برای جمع‌آوری فعال داده، مدل‌سازی رفتار سفر، و پیش‌بینی تقاضای حساس به آب‌وهوا

چکیده

تحقیقات در زمینه رفتار مسافران، داده‌های دیجیتال را به طور متمرکزتری با مدل‌سازی پیش‌بینی ترکیب می‌کنند، اما این مراحل معمولاً به طور جداگانه توسعه و ارزیابی می‌شوند. این مطالعه یک فرآیند سه‌مرحله‌ای را پیشنهاد می‌کند که جمع‌آوری داده‌های گفتگویی، پردازش داده‌های ساختاری و پیش‌بینی رفتار را در هم ادغام می‌کند. یک نظرسنجی ترجیحی اعلامی که توسط یک چت‌بات مدیریت می‌شد و با تصاویر تقویت شده بود، گزینش‌های وسایل نقلیه را از دانشجویان مسافر در پنج سناریوی هوای از پیش تعیین‌شده جمع‌آوری کرد و ۴۵۴ مشاهده respondent-scenario به دست آمد. روابط مرتبط با هوا با استفاده از مدل لاگیت چندجمله‌ای (MNL) تحلیل شد، در حالی که رگرسیون لجستیک (LR) و جنگل تصادفی (RF) به عنوان معیارهای یادگیری ماشین عمل کردند. نه مدل زبانی بزرگ (LLM) به صورت محلی مستقر شدند که پارامترهای آنها از ۲ تا ۳۵ میلیارد متغیر متغیر بود. این مدل‌ها در چهار حالت zero-shot prompt-and-context ارزیابی شدند و از طریق تنظیمات شخصیت، few-shot و محوریت بصری گسترش یافتند. جنگل تصادفی (RF) دقت ۶۹٫۶٪ در پنج کلاس را به دست آورد، در حالی که بهترین مدل زبانی بزرگ zero-shot فقط متنی دقت ۶۹٫۹٪ را بدون تنظیمات خاص به دست آورد. اطلاعات سفر عادی بیشترین افزایش پایدار را ایجاد کرد، cadr Expert framing به طور کلی از Role-Play پیشی گرفت و اطلاعات شخصیت زمانی که اطلاعات سفر عادی در دسترس نبود، بیشترین کاربرد را داشت. استفاده از few-shot prompting برای چندین مدل پیش‌بینی بهبود یافت و بهبودها پس از تعداد کمی مثال تثبیت شد. با استفاده از همان تصاویر هوایی که به respondentها نشان داده شد، بهترین تنظیمات محوریت بصری دقت ۷۱٫۵٪ در پنج کلاس را به دست آورد، که نشان می‌دهد زمینه بصری ممکن است اطلاعات پیش‌بینی اضافی برای برخی مدل‌ها فراهم کند. به طور کلی، این مطالعه نشان می‌دهد که چگونه نظرسنجی‌های گفتگویی، پردازش داده‌های ساختاری، مدل‌سازی رفتار سنتی، یادگیری ماشین و پیش‌بینی LLM چندرسانه‌ای می‌توانند در یک فرآیند چند‌مرحله‌ای قابل بررسی ادغام شوند.