Los robots autónomos y los pequeños vehículos inteligentes con diversas funciones de servicio han sido objeto de una extensa investigación y se espera que se implementen en escenarios como parques científicos y tecnológicos, museos y centros de transporte. Aunque están diseñados como asistentes impulsados por inteligencia artificial, no siempre pueden proporcionar un servicio al cliente óptimo. Un desafío clave es lograr la inteligencia en el servicio, donde el cambio de modo adaptativo juega un papel crítico. Nuestra investigación experimental demuestra que la composición de los tipos de peatones se puede inferir a partir de las fluctuaciones del flujo microscópico. Este hallazgo permite el desarrollo de estrategias efectivas de cambio de modo de servicio. Por lo tanto, este artículo propone un método que clasifica a los peatones según sus comportamientos basados en el temperamento, simula su movimiento y extrae características microscópicas de los datos de flujo utilizando indicadores de desviación estándar móvil (MSTD) y raíz cuadrada media móvil (MRMS). El análisis de estas características permite inferir la proporción aproximada de composición de diferentes tipos de peatones, lo que a su vez permite un mecanismo de cambio dirigido entre modos de servicio activos y pasivos. Las simulaciones confirman que cada tipo de peatón exhibe patrones de flujo distintos, y los indicadores empleados pueden estimar efectivamente las proporciones de peatones a través del análisis de datos de flujo microscópico, facilitando así un cambio eficiente de modo de servicio. Además, la validación utilizando datos de flujo de peatones extraídos de grabaciones de video del mundo real confirma la aplicabilidad y efectividad del método.