論文の概要: Urban Mobility Assessment Using LLMs
- arxiv url: http://arxiv.org/abs/2409.00063v1
- Date: Thu, 22 Aug 2024 19:17:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-08 15:31:02.378277
- Title: Urban Mobility Assessment Using LLMs
- Title（参考訳）: LLMを用いた都市モビリティアセスメント
- Authors: Prabin Bhandari, Antonios Anastasopoulos, Dieter Pfoser,
- Abstract要約: 本研究は,大規模言語モデル(LLM)を推進し,旅行調査を合成する,革新的なAIベースのアプローチを提案する。
本研究は, 異なるレベルの既存調査データと比較し, 全米各都市圏におけるこのアプローチの有効性について検討した。
- 参考スコア（独自算出の注目度）: 19.591156495742922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding urban mobility patterns and analyzing how people move around cities helps improve the overall quality of life and supports the development of more livable, efficient, and sustainable urban areas. A challenging aspect of this work is the collection of mobility data by means of user tracking or travel surveys, given the associated privacy concerns, noncompliance, and high cost. This work proposes an innovative AI-based approach for synthesizing travel surveys by prompting large language models (LLMs), aiming to leverage their vast amount of relevant background knowledge and text generation capabilities. Our study evaluates the effectiveness of this approach across various U.S. metropolitan areas by comparing the results against existing survey data at different granularity levels. These levels include (i) pattern level, which compares aggregated metrics like the average number of locations traveled and travel time, (ii) trip level, which focuses on comparing trips as whole units using transition probabilities, and (iii) activity chain level, which examines the sequence of locations visited by individuals. Our work covers several proprietary and open-source LLMs, revealing that open-source base models like Llama-2, when fine-tuned on even a limited amount of actual data, can generate synthetic data that closely mimics the actual travel survey data, and as such provides an argument for using such data in mobility studies.
- Abstract（参考訳）: 都市移動パターンを理解し、人々がどのように都市を動き回るかを分析することは、生活の全体的な品質を改善し、より生き生きとした、効率的で持続可能な都市部の開発を支援する。
この作業の難しい側面は、ユーザの追跡や旅行調査によるモビリティデータの収集である。
本研究は,大規模言語モデル(LLM)を推進し,膨大な量の背景知識とテキスト生成能力を活用することによって,旅行調査を合成する,革新的なAIベースのアプローチを提案する。
本研究は, 異なる粒度レベルの既存調査データと比較し, この手法の有効性について評価した。
これらのレベルには
(i)旅行の所数や旅行時間などの集計値を比較するパターンレベル。
(二)トランジション確率を用いた旅行を単位単位として比較することに焦点を当てた旅行水準、
三 個人が訪れた場所の順序を調べる活動連鎖レベル。
本研究は,Llama-2のようなオープンソースベースモデルを用いて,限られた実際のデータ量でも微調整することで,実際の旅行調査データを忠実に模倣した合成データを生成することができることを示す。
関連論文リスト
- AgentMove: Predicting Human Mobility Anywhere Using Large Language Model based Agentic Framework [7.007450097312181]
本稿では,世界中の都市において,汎用的な移動予測を実現するためのエージェント予測フレームワークであるAgentMoveを紹介する。
AgentMoveでは、まず移動予測タスクを3つのサブタスクに分解し、それに対応するモジュールを設計してこれらのサブタスクを完成させる。
12都市の2つの情報源によるモビリティデータの実験では、AgentMoveはさまざまな指標において8%以上で最高のベースラインを達成している。
論文 参考訳（メタデータ） (2024-08-26T02:36:55Z) - Be More Real: Travel Diary Generation Using LLM Agents and Individual Profiles [21.72229002939936]
本研究では,現実の文脈に応じたリアルな軌跡を生成するためのエージェントベースフレームワーク(MobAgent)を提案する。
当フレームワークを0.2万回の旅行調査データで検証し,個人化された正確な旅行日記を作成する上での有効性を実証した。
本研究は、実世界の移動データを通して、人間の移動性に関する詳細かつ洗練された理解を提供するLLMの能力を強調した。
論文 参考訳（メタデータ） (2024-07-10T09:11:57Z) - Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - Deciphering Human Mobility: Inferring Semantics of Trajectories with Large Language Models [10.841035090991651]
本稿では,ユーザの職業カテゴリー,活動,シーケンス,軌道記述の3つの重要な側面を通じて意味推論を定義する。
本稿では,トラジェクトリデータのセマンティック分析を活用するために,大規模言語モデルを用いたトラジェクトリ意味推論(TSI-LLM)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-30T08:55:48Z) - Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
我々は,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。
オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。
モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
論文 参考訳（メタデータ） (2024-05-24T02:04:10Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。
DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。
実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
論文 参考訳（メタデータ） (2022-11-15T15:07:45Z) - A deep learning framework to generate realistic population and mobility
data [5.180648702293017]
国勢調査と家庭旅行調査のデータセットは、定期的に家庭や個人から収集されている。
これらのデータセットは、プライバシの懸念による人口の限られたサンプルを表すか、集約されることが多い。
本稿では,社会経済的特徴(年齢,性別,産業など)とトリップチェーン(活動場所)の両方を含む合成人口を生成する枠組みを提案する。
論文 参考訳（メタデータ） (2022-11-14T14:05:09Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z)
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。