Ein Multi-Agent-Workflow: konversationelle Datenerhebung, Verhaltensmodellierung bei Mobilität und wetterabhängige Bedarfsprognose

Hintergrund

Die Mobilitätsforschung hat die Datenerhebung und die prädiktive Modellierung lange in zwei voneinander getrennte Phasen aufgeteilt. Während der erste Schritt die Erfassung von Präferenzen und Entscheidungen über Verkehrsmittel durch Fragebögen oder Interviews umfasste, erfolgte der zweite Schritt über statistische oder Machine-Learning-Modelle. Diese Trennung führte dazu, dass die Art der Datenerhebung selten auf die tatsächlichen Anforderungen der nachgelagerten Prognosemodelle zugeschnitten war. Genau an dieser Stelle setzt der vorliegende Beitrag an und schlägt einen Drei-Agenten-Workflow vor, der konversationelle Datenerhebung, strukturierte Datenverarbeitung und Verhaltensprognose in einen überprüfbaren, reproduzierbaren Prozess integriert.

Der Beitrag konzentriert sich auf ein konkretes, praxisnahes Problem: die wetterabhängige Prognose von Verkehrsnachfrage. Die Forschenden fragen, ob sich über eine konversationelle, bildergänzte Erhebung Verkehrsmittelentscheidungen effizient erfassen lassen und ob traditionelle Verhaltensmodellierung, Machine Learning und multimodale Large-Language-Modelle im selben Rahmen zusammenarbeiten können. Ziel ist es nachzuweisen, dass die Zusammenarbeit mehrerer Agenten einen echten Mehrwert für die Mobilitätsforschung bietet und keine bloße technische Übung darstellt.

Tiefenanalyse

In der Datenerhebung kam ein von einem Chatbot durchgeführter stated-preference-Fragebogen zum Einsatz. Studentenkommunizierende wurden fünf vorgegebenen Wetterszenarien präsentiert und ihre Verkehrsmittelentscheidung pro Szenario dokumentiert, was insgesamt 454 Befragte-Szenario-Beobachtungen ergab. Die konversationelle Oberfläche und die Bildergänzung sollten die Realität und Nachvollziehbarkeit der Wetterszenarien stärken und so die Qualität der erfassten Präferenzen verbessern.

Im Verarbeitungsschritt wurden Wetterassoziationen mit einem multinomialen Logit-Modell modelliert, einer klassischen Technik zur Beschreibung von Wahlwahrscheinlichkeiten über verschiedene Szenarien hinweg. Logistische Regression und Random Forest dienten als Machine-Learning-Baselines. Für die Large-Language-Modell-Bewertung kamen neun lokal bereitgestellte Modelle zwischen 200 Millionen und 3,5 Milliarden Parametern unter vier Zero-Shot-Bedingungen zum Einsatz, bevor die Bewertung auf Persönlichkeits-, Few-Shot- und Bildkonfigurationen erweitert wurde. Diese gestufte Strategie untersuchte, wie verschiedene Prompt-Engineering-Ansätze die Leistung beeinflussen, ohne auf aufgabenbezogene Fine-Tuning-Ansätze zu vertrauen.

Branchenwirkung

Auf der fünfteiligen Aufgabe zur Verkehrsmittelentscheidung erreichte Random Forest 69,6 % Genauigkeit, während das beste textbasierte Zero-Shot-Modell ohne jede Aufgabenanpassung 69,9 % erreichte. Die Experimente zum Prompt-Engineering zeigten, dass Informationen zum Gewohnheitsverkehr die konsistentesten Verbesserungen brachten, Expertinnen-Perspektiven durchgehend besser abschnitten als Rollenspiele, und Persönlichkeitsinformationen am meisten halfen, wenn Gewohnheitsinformationen fehlten. Few-Shot-Prompting verbesserte mehrere Modelle, wobei sich die Vorteile bereits nach wenigen Beispielen stabilisierten.

Besonders auffällig war, dass die beste Bildkonfiguration 71,5 % Genauigkeit erreichte, wenn die Modelle denselben Wetterbilder wie die Befragten präsentiert wurden. Dies zeigt, dass der Bildkontext für einige Modelle zusätzliche prädiktive Informationen liefert. Diese Ergebnisse verdeutlichen, dass Prompt-Strategien und multimodale Eingaben je nach bereitgestellter Information und Modellcharakteristik unterschiedlich wirken. Für die Open-Source-Community bieten die neun lokal bereitgestellten Modelle eine Orientierung bei der Modellauswahl unter Ressourcenbeschränkungen, während der konversationelle, bildergänzte Erhebungsansatz die Kosten und Hürden der Durchführung von Befragungen senkt.

Ausblick

Der Wert des Beitrags geht über die Genauigkeitszahlen hinaus und bietet einen überprüfbaren, koordinierten Multi-Agenten-Workflow, der konversationelle Befragungen, strukturierte Datenverarbeitung, traditionelle Verhaltensmodellierung, Machine Learning und multimodale Prognosen vereinheitlicht. Dieser end-to-end-kollaborative Ansatz liefert eine wiederverwendbare Vorlage für künftige Mobilitätsforschung.

Die Erkenntnis, dass der Bildkontext zusätzliche prognostische Kraft liefert, legt nahe, dass Forschende multimodale Informationen bei der Verhaltensprognose stärker gewichten sollten. Gleichzeitig bietet der Beitrag praktische Erfahrungen bei der Koordinierung menschlicher Datenerzeugung mit KI-Modellierung und weist den Weg zu Rahmenwerken, in denen Datenerhebung und Prognose gemeinsam statt isoliert gestaltet werden.