文章总结与翻译
一、文章主要内容
该研究聚焦大语言模型（LLMs）在出行方式选择预测中的应用，旨在解决传统统计模型（如多项式logit模型）和机器学习模型（如随机森林、多层感知器）存在的假设僵化、上下文推理能力弱、泛化性差等问题，通过检索增强生成（RAG）技术为LLMs提供实证数据支撑，提升预测准确性。
1. 研究框架与方法
- 问题定义：将出行方式选择预测视为多分类问题，目标是基于出行者特征（年龄、性别、收入等）和出行特征（距离、目的、出发时间等），预测出行者选择的交通方式（驾车、步行、公共交通、自行车/微交通）。
- RAG策略设计：提出4种检索策略并测试，分别是基础RAG、平衡检索RAG、交叉编码器重排序RAG、平衡检索与交叉编码器重排序结合的RAG。
- 模型与数据：采用3种LLM架构（OpenAI GPT-4o、o4-mini、o3），以2023年普吉特湾地区家庭出行调查数据为主要数据集，额外使用2023年塔科马地区调查子集和2022年全国家庭出行调查城市子集评估泛化性，同时以传统统计模型、机器学习模型及零样本LLM为基线模型。
- 评估指标：从准确率、精确率、召回率、F1分数4个维度评估模型性能，多分类任务中采用加权计算方式。
2. 核心研究结果
- RAG提升预测性能：
