Graph RAG als Modell menschlicher Entscheidungen: Datengetriebener Mobilitätsagent

Die Analyse menschlichen Verhaltens in Städten ist ein zentrales Thema der Stadtwissenschaften. Besonders in neu entwickelten Gebieten gestaltet sich die Erhebung genauer Verhaltensdaten jedoch schwierig, da dort oft nur begrenzte Beobachtungen vorliegen.

Generative Agenten, die auf großen Sprachmodellen (LLMs) basieren, haben das Potenzial, menschliches Verhalten zu simulieren, ohne auf umfangreiche Datensätze angewiesen zu sein. In der Praxis stoßen diese Ansätze jedoch häufig an Grenzen: die erzeugten Verhaltensmuster sind nicht immer konsistent, kontextsensitiv oder realistisch.

Um diese Schwächen zu überwinden, stellt der Artikel die „Preference Chain“ vor – ein Verfahren, das Graph Retrieval-Augmented Generation (RAG) mit LLMs kombiniert. Durch die Einbindung von Graphdaten wird die Simulation von Mobilitätsentscheidungen stärker kontextabhängig. Auf dem Replica‑Datensatz konnte gezeigt werden, dass die Preference Chain die Wahl von Verkehrsmitteln besser mit realen Daten abgleicht als herkömmliche LLM‑Modelle.

Der entwickelte Mobilitätsagent eröffnet neue Perspektiven für die Modellierung urbaner Mobilität in aufstrebenden Städten, die Analyse personalisierter Reiseverhalten und die dynamische Verkehrsprognose. Trotz langsamerer Inferenzzeiten und dem Risiko von Halluzinationen bietet die Methode einen vielversprechenden Rahmen, um komplexes menschliches Verhalten in datenarmen Umgebungen zu simulieren, wo traditionelle datengetriebene Modelle oft versagen.