マルチエージェントワークフロー：会話型データ収集、移動行動モデリング、気象依存需要予測

背景と概要

移動行動の研究は長年、二つの独立した段階に分かれて発展してきた。一つはアンケートや面接によって旅行者の嗜好や選択を収集するデータ収集、もう一つは統計や機械学習モデルでそのデータを建模・予測する処理だ。両段階は別々に設計・評価されることが多く、データ生成の方法と予測モデルの要求が一致しないことが多かった。本稿は、会話型データ収集・構造化データ処理・行動予測を一つの監査可能なプロセスに統合する3エージェントのワークフローを提案する。

著者が焦点を当てるのは気象依存の交通需要予測という具体的な課題だ。会話型・画像強化型の手法で移動手段の選択を効率的に捉えられるか、そして伝統的な行動建模・機械学習・多模态の大規模言語モデル（LLM）を同じフレーム内で協調させられるか、そこに多智能体協調の実効性を検証する狙いがある。

深掘り分析

データ収集には、チャットロボットが実施する画像強化型の陈述偏好アンケートを用いた。通勤学生に五つの预设天気シナリオを示し、各場面での移動手段の選択を記録して454件の被回答者-シナリオ観測を得た。対話型インターフェースと画像強化で気象情境の臨場感と没入感を高め、収集する嗜好の品質向上を図った。

処理段階では、天気と移動選択の関連に多項Logitモデルを用いた行動建模を行い、交通行動分析の古典的手法で場面別選択確率を刻画した。機械学習の基準にはロジスティック回帰とランダムフォレストを配置する。LLM評価では2億〜35億パラメータの9つのローカル展開モデルを、四つのゼロショット条件で評価した後に人格設定・少样本プロンプト・視覚設定へ段階的に拡張した。

業界への影響

五分類の移動手段選択タスクで、ランダムフォレストは69.6%の精度を達成した。一方、最佳のテキスト専用ゼロショットLLMはタスク適配なしで69.9%に達し、ゼロショット条件でのLLMの潜在力を示した。プロンプト工学の実験では、習慣出行情報が最も一貫して向上をもたらし、専門家視点の框架がロールプレイング框架を一般上回り、人格情報は習慣出行情報が欠ける場で最も有用だった。

少样本プロンプトは複数のモデルを改善し、少量の例を入力した後には効果が安定した。特筆すべきは、被回答者と同じ天気画像を提示したとき、最佳の視覚設定が71.5%の精度に達したことだ。視覚コンテキストが一部のモデルに追加の予測情報を提供できることを示している。ローカル展開した9モデルの評価は、資源制約下のモデル選択にも指針を与える。

今後の展望

本稿の価値は正確な数値を超え、会話型アンケート・構造化データ処理・伝統的な行動建模・機械学習・多模态予測を統一する監査可能な協調ワークフローを提供する点にある。このエンドツーエンドの協調アプローチは、今後の移動行動研究への再利用可能なテンプレートとなる。

視覚コンテキストが予測力を高めるという発見は、研究者に行動予測において多模态情報をより重視するよう促す。また、人間のデータ生成とAI建模の協調に向けた実践的な経験も提供し、データ収集と予測が孤立せず一体的に設計される方向を示している。