論文の概要: Large Language Model for Participatory Urban Planning
- arxiv url: http://arxiv.org/abs/2402.17161v1
- Date: Tue, 27 Feb 2024 02:47:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 18:03:51.294968
- Title: Large Language Model for Participatory Urban Planning
- Title(参考訳): 参加型都市計画のための大規模言語モデル
- Authors: Zhilun Zhou, Yuming Lin, Depeng Jin, Yong Li
- Abstract要約: 大きな言語モデル(LLM)は、人間のようなエージェントをシミュレートする能力を示す。
参加型都市計画のためのLLMに基づくマルチエージェント協調フレームワークを提案する。
本手法は, 住民満足度と包括性の測定値において, 最先端の性能を実現する。
- 参考スコア(独自算出の注目度): 22.245571438540512
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Participatory urban planning is the mainstream of modern urban planning that
involves the active engagement of residents. However, the traditional
participatory paradigm requires experienced planning experts and is often
time-consuming and costly. Fortunately, the emerging Large Language Models
(LLMs) have shown considerable ability to simulate human-like agents, which can
be used to emulate the participatory process easily. In this work, we introduce
an LLM-based multi-agent collaboration framework for participatory urban
planning, which can generate land-use plans for urban regions considering the
diverse needs of residents. Specifically, we construct LLM agents to simulate a
planner and thousands of residents with diverse profiles and backgrounds. We
first ask the planner to carry out an initial land-use plan. To deal with the
different facilities needs of residents, we initiate a discussion among the
residents in each community about the plan, where residents provide feedback
based on their profiles. Furthermore, to improve the efficiency of discussion,
we adopt a fishbowl discussion mechanism, where part of the residents discuss
and the rest of them act as listeners in each round. Finally, we let the
planner modify the plan based on residents' feedback. We deploy our method on
two real-world regions in Beijing. Experiments show that our method achieves
state-of-the-art performance in residents satisfaction and inclusion metrics,
and also outperforms human experts in terms of service accessibility and
ecology metrics.
- Abstract(参考訳): 参加型都市計画は、住民の活発な関与を含む現代の都市計画の主流である。
しかし、伝統的な参加パラダイムは経験豊富な計画専門家を必要とし、しばしば時間と費用がかかる。
幸いなことに、LLM(Large Language Models)は人間のようなエージェントをシミュレートする能力を示しており、参加プロセスのエミュレートに利用することができる。
本研究では, 住民のニーズの多様さを考慮し, 都市部における土地利用計画を作成できる, 参加型都市計画のためのLLMベースのマルチエージェント協調フレームワークを提案する。
具体的には、プランナーと何千人もの住民の多様なプロファイルと背景をシミュレートするLSMエージェントを構築する。
我々はまずプランナーに初期土地利用計画の実行を依頼する。
住民の異なる施設のニーズに対処するため,各地域住民を対象に,住民のプロフィールに基づいてフィードバックを提供する計画について議論を開始する。
さらに,議論の効率を向上させるために,住民の一部が議論し,残りが各ラウンドのリスナーとして振る舞うフィッシュボウル議論機構を採用した。
最後に、住民のフィードバックに基づいてプランナーに計画を変更する。
我々はこの手法を北京の2つの現実世界に展開する。
実験により, 住民の満足度と包含度において, 最先端のパフォーマンスを達成し, サービスアクセシビリティと生態指標の点で, 人的専門家より優れていることが示された。
関連論文リスト
- Planning, Living and Judging: A Multi-agent LLM-based Framework for Cyclical Urban Planning [5.9423583597394325]
都市再生は、都市化の文脈において重要な課題である。
本稿では,循環型都市計画(CUP)を提案する。これは,閉ループ内の都市計画を連続的に生成し,評価し,洗練する新しいパラダイムである。
実世界のデータセットの実験は、継続的かつ適応的な計画プロセスとして、我々のフレームワークの有効性を実証している。
論文 参考訳(メタデータ) (2024-12-29T15:43:25Z) - EgoPlan-Bench2: A Benchmark for Multimodal Large Language Model Planning in Real-World Scenarios [53.26658545922884]
EgoPlan-Bench2は,MLLMの計画能力を評価するためのベンチマークである。
我々は,21の競争的MLLMを評価し,その限界を詳細に分析した結果,実世界の計画において大きな課題に直面していることが明らかとなった。
EgoPlan-Bench2におけるGPT-4Vの10.24倍の性能向上を図る。
論文 参考訳(メタデータ) (2024-12-05T18:57:23Z) - MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳(メタデータ) (2024-07-11T17:56:49Z) - PDDLEGO: Iterative Planning in Textual Environments [56.12148805913657]
テキスト環境における計画は、現在のモデルにおいても長年にわたる課題であることが示されている。
我々は,あるサブゴールの部分的な計画に導く計画表現を反復的に構築するPDDLEGOを提案する。
数ショットのPDDLEGOで作成するプランは,Coin Collectorシミュレーションでエンドツーエンドのプランを生成するよりも43%効率がよいことを示す。
論文 参考訳(メタデータ) (2024-05-30T08:01:20Z) - PlanGPT: Enhancing Urban Planning with Tailored Language Model and
Efficient Retrieval [8.345858904808873]
汎用的な大規模言語モデルは、しばしばプランナーのニーズを満たすのに苦労する。
PlanGPTは、都市と空間計画に適した最初の大規模言語モデルである。
論文 参考訳(メタデータ) (2024-02-29T15:41:20Z) - Large language model empowered participatory urban planning [5.402147437950729]
本研究では,大規模言語モデル(LLM)を参加型プロセスに統合した革新的な都市計画手法を提案する。
このフレームワークは、LLMエージェントをベースとして、役割プレイ、共同生成、フィードバックで構成され、コミュニティレベルの土地利用タスクを1000の異なる関心事に対応させて解決する。
論文 参考訳(メタデータ) (2024-01-24T10:50:01Z) - LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。
当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
論文 参考訳(メタデータ) (2023-12-30T02:53:45Z) - AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban
Planning via Consensus-based Multi-Agent Reinforcement Learning [8.363841553742912]
本稿では,コンセンサスを基盤としたマルチエージェント強化学習フレームワークについて紹介する。
この枠組みは参加型都市計画に役立ち、多様な知的エージェントを利害関係者の代表として好まれる土地利用形態に投票することができる。
マルチエージェント強化学習を統合することで、参加型都市計画決定がよりダイナミックで、コミュニティのニーズに適応することを保証する。
論文 参考訳(メタデータ) (2023-10-25T17:04:11Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳(メタデータ) (2023-05-26T05:52:27Z) - Human-instructed Deep Hierarchical Generative Learning for Automated
Urban Planning [57.91323079939641]
我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。
最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。
第2の段階は、都市機能投影を形成するための計画要件を理解することである。
第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
論文 参考訳(メタデータ) (2022-12-01T23:06:41Z) - Reimagining City Configuration: Automated Urban Planning via Adversarial
Learning [28.930624100994514]
都市計画は、土地利用形態を設計する努力を指す。
近年のディープラーニングの進歩は、機械が人間の能力で学習し、土地利用構成を自動的かつ迅速に計算することができるか、という問いを提起する動機となっている。
論文 参考訳(メタデータ) (2020-08-22T21:15:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。