合成态度、预测行为（SAPA）：行为理论引导的LLM用于网约车出行方式选择建模
人工智能
2025-09-24 v1 机器学习
摘要
准确的网约车出行方式选择建模对于设计和实施有效的交通管理政策以减少拥堵、改善出行效率和更高效地分配资源至关重要。现有预测网约车出行方式的模型往往因无法捕捉关键心理因素而预测精度有限，并且面临严重的类别不平衡问题，因为网约车出行仅占个人日常出行的一小部分。为解决这些局限性，本文提出了合成态度、预测行为（SAPA）框架，一种利用大语言模型（LLMs）合成基于理论的潜在态度来预测网约车选择的层次化方法。SAPA首先使用LLM从原始出行调查数据生成定性出行者画像，然后基于人口统计和行为特征（结合这些画像）训练倾向得分模型以产生个体层面的得分。接下来，LLM为基于理论的潜在变量（如时间和成本敏感度）赋予定量得分，最终分类器整合倾向得分、潜在变量得分（含其交互项）和可观测出行属性来预测网约车出行方式选择。在大规模多年出行调查上的实验表明，SAPA显著优于最先进基线，在留出测试集上网约车选择预测的PR-AUC提升了高达75.9%。本研究为准确预测网约车出行方式选择提供了有力工具，并提供了一种可便捷迁移到各种应用的方法论。
引用
@article{arxiv.2509.18181,
title = {Synthesizing Attitudes, Predicting Actions (SAPA): Behavioral Theory-Guided LLMs for Ridesourcing Mode Choice Modeling},
author = {Mustafa Sameen and Xiaojian Zhang and Xilei Zhao},
journal= {arXiv preprint arXiv:2509.18181},
year = {2025}
}