Narges Ahmadi氏らの研究チームは2026年8月20日(現地時間)、arXiv上で、交通行動モデリングと天候に敏感な需要予測にエージェント的アプローチを用いる研究論文を発表した。同研究は、会話型データ収集、構造化データ処理、行動予測を統合する「3エージェントワークフロー」を提案。テキストのみのゼロショット大規模言語モデル (LLM) が69.9%の5クラス精度を達成し、視覚ベースの構成では71.5%の精度に達した。
研究では、デジタルデータ収集と予測モデリングがしばしば別々に開発・評価される交通行動研究の現状を踏まえ、この3エージェントワークフローを提示している。チャットボットが管理し、画像で補強された意向調査を通じて、事前に定義された5つの気象シナリオにおける学生通勤者の交通手段選択データを収集。これにより454の回答者・シナリオ観測データを得た。
気象関連の関連性は多項ロジットモデルで分析され、ロジスティック回帰とランダムフォレストが機械学習のベンチマークとして用いられた。また、20億から350億パラメータ範囲の9つのローカル展開型LLMが、4つのゼロショットプロンプト・コンテキスト条件下で評価された。
ランダムフォレストは69.6%の5クラス精度を達成した一方、タスク固有の調整なしで、テキストのみの最良のゼロショットLLMは69.9%に達した。習慣的な移動情報が最も一貫した精度向上をもたらし、「Expert framing」は概して「Role-Play」を上回る結果を示した。視覚的コンテキストを利用した最良の視覚ベース構成は71.5%の5クラス精度を記録し、選択されたモデルにおいて視覚情報が追加的な予測情報を提供することを示唆している。
全体として、本研究は、会話型調査、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LLM予測を、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連携させられるかを示している。
参考: arXiv cs.AI (アーカイブ) — 2026年8月21日 02:57 (JST)
原文ハイライト"the best vision-based configuration reached 71.5% five-class accuracy"