本研究探讨了开放访问、本地可部署的因果大规模语言模型 (LLM) 在预测出行方式选择方面的应用，并介绍了 LiTransMC，这是首个专为此任务开发的微调因果 LLM。我们系统地在三个陈述和观察偏好数据集上对 11 个开放访问 LLM（参数范围从 1 到 12B）进行了基准测试，测试了 396 种配置，并生成了超过 79,000 个方式选择决策。除了预测准确性之外，我们还使用 BERTopic 评估了模型生成的推论，并运用了一种新颖的解释强度指数，该指数首次以行为理论为指导，对 LLM 如何解释决策因素进行了结构化分析。 LiTransMC 参数高效，并采用损失掩蔽策略进行微调，实现了 0.6845 的加权 F1 分数和 0.000245 的 Jensen-Shannon 散度，其性能优于未经调优的本地模型和更大型的专有系统（包括使用高级角色推理和基于嵌入的加载的 GPT-4o），并且在同一数据集上优于经典的均值选择方法，例如离散选择模型和机器学习分类器。我们演示了如何创建一个专用的、可本地部署的 LLM，它将高实例级准确率与近乎完美的分布校正相结合，并集成了预测性和可解释性。
