An Agentic Approach for Active Data Collection, Travel Behavior Modeling, and Weather-Sensitive Demand Prediction
主动数据收集、出行行为建模与天气敏感需求预测的智能体方法
🧭 LLM 行为预测 · 多 Agent 工作流
Department of Civil Engineering, McGill University
三 Agent 工作流整合对话式调查、数据处理与 LLM 出行预测，多模态最佳达 71.5% 准确率
📌 工作参考价值（4 点）
- 行为预测/用户偏好建模：将“习惯性历史信息”类比用户历史点击/购买序列，加入 prompt 可稳定提升准确率；在生成式推荐或排序中优先注入用户行为特征，而非仅依赖 persona 或角色描述。
- Prompt 策略：采用“专家”角色描述优于一般“角色扮演”；persona 只在缺少行为历史时收益更大；few-shot 仅需少量示例即可提升，示例过多边际收益递减，适合线上 prompt 成本控制。
- 多模态信号：用用户实际看到的图像（商品图、场景图）作为视觉上下文，可使 LLM 预测提升（最佳 71.5%），建议在多模态商品推荐或内容理解中复用同一视觉输入。
- Agent 工作流可审计性：将数据收集、结构化、预测拆分为三个 agent，便于追踪数据版本和模型决策，适合在电商/广告场景构建数据飞轮与离线评估管线。