論文の概要: Independent Mobility GPT (IDM-GPT): A Self-Supervised Multi-Agent Large Language Model Framework for Customized Traffic Mobility Analysis Using Machine Learning Models

• arxiv url: http://arxiv.org/abs/2502.18652v1
• Date: Tue, 25 Feb 2025 21:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:59:39.108216
• Title: Independent Mobility GPT (IDM-GPT): A Self-Supervised Multi-Agent Large Language Model Framework for Customized Traffic Mobility Analysis Using Machine Learning Models
• Title（参考訳）: 独立モビリティGPT(IDM-GPT):機械学習モデルを用いたカスタマイズトラフィックモビリティ分析のための大規模言語モデルフレームワーク
• Authors: Fengze Yang, Xiaoyue Cathy Liu, Lingjiu Lu, Bingzhang Wang, Chenxi, Liu,
• Abstract要約: 研究チームは、Independent Mobility GPT(IDM-GPT)という革新的なマルチエージェントフレームワークを提案する。 IDM-GPTは、ユーザー、交通データベース、機械学習モデルを経済的に効率的に接続する。 IDM-GPTのトレーニング、カスタマイズ、ユーザクエリの理解、最適化、データ分析、モデル選択、パフォーマンス評価と拡張など、複数の機能にLLMベースのAIエージェントを適用。
• 参考スコア（独自算出の注目度）: 1.1940924541257076
• License:
• Abstract: With the urbanization process, an increasing number of sensors are being deployed in transportation systems, leading to an explosion of big data. To harness the power of this vast transportation data, various machine learning (ML) and artificial intelligence (AI) methods have been introduced to address numerous transportation challenges. However, these methods often require significant investment in data collection, processing, storage, and the employment of professionals with expertise in transportation and ML. Additionally, privacy issues are a major concern when processing data for real-world traffic control and management. To address these challenges, the research team proposes an innovative Multi-agent framework named Independent Mobility GPT (IDM-GPT) based on large language models (LLMs) for customized traffic analysis, management suggestions, and privacy preservation. IDM-GPT efficiently connects users, transportation databases, and ML models economically. IDM-GPT trains, customizes, and applies various LLM-based AI agents for multiple functions, including user query comprehension, prompts optimization, data analysis, model selection, and performance evaluation and enhancement. With IDM-GPT, users without any background in transportation or ML can efficiently and intuitively obtain data analysis and customized suggestions in near real-time based on their questions. Experimental results demonstrate that IDM-GPT delivers satisfactory performance across multiple traffic-related tasks, providing comprehensive and actionable insights that support effective traffic management and urban mobility improvement.
• Abstract（参考訳）: 都市化の過程では、多くのセンサーが輸送システムに配備され、ビッグデータが爆発する。 この膨大な輸送データを活用するために、さまざまな機械学習(ML)と人工知能(AI)手法が導入され、多くの輸送課題に対処している。 しかし、これらの手法は、データ収集、処理、ストレージ、そして輸送とMLの専門知識を持つ専門家の雇用に多大な投資を必要とすることが多い。 さらに、現実のトラフィック制御と管理のためにデータを処理する場合、プライバシの問題が大きな懸念事項である。 これらの課題に対処するため、研究チームは、トラフィック分析、管理提案、プライバシー保護をカスタマイズするための大規模言語モデル(LLM)に基づく、Independent Mobility GPT(IDM-GPT)と呼ばれる革新的なマルチエージェントフレームワークを提案する。 IDM-GPTは、ユーザ、交通データベース、MLモデルを経済的に効率的に接続する。 IDM-GPTのトレーニング、カスタマイズ、ユーザクエリの理解、最適化、データ分析、モデル選択、パフォーマンス評価と拡張など、複数の機能にLLMベースのAIエージェントを適用。 IDM-GPTでは、交通機関やMLのバックグラウンドを持たないユーザは、質問に基づいて、データ分析とほぼリアルタイムでカスタマイズされた提案を効率よく、直感的に得ることができる。 実験の結果,IMM-GPTは複数の交通関連タスクにまたがって満足な性能を提供し,効果的な交通管理と都市モビリティ向上を支援する包括的かつ実用的な洞察を提供することがわかった。

関連論文リスト

• Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
  CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。 高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。 CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
  論文  参考訳（メタデータ） (2025-01-17T17:51:22Z)
• Empowering Large Language Models in Wireless Communication: A Novel Dataset and Fine-Tuning Framework [81.29965270493238]
  我々は,無線通信アプリケーションのための大規模言語モデル(LLM)の評価と微調整を目的とした,特殊なデータセットを開発した。 データセットには、真/偽と複数選択型を含む、さまざまなマルチホップ質問が含まれている。 本稿では,PVI(Pointwise V-Information)に基づく微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-01-16T16:19:53Z)
• DriveMM: All-in-One Large Multimodal Model for Autonomous Driving [63.882827922267666]
  DriveMMは、画像やマルチビュービデオなどの多様なデータ入力を処理するために設計された、大規模なマルチモーダルモデルである。 我々は、6つの公開ベンチマークで評価を行い、未確認のデータセットでゼロショット転送を行い、DriveMMはすべてのタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T17:27:32Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• GenAI-powered Multi-Agent Paradigm for Smart Urban Mobility: Opportunities and Challenges for Integrating Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) with Intelligent Transportation Systems [10.310791311301962]
  本稿では,大規模言語モデル (LLM) と新生検索・拡張生成技術 (RAG) の変換可能性について検討する。 本稿では,スマートモビリティサービスをインテリジェントかつ対話的に提供可能なマルチエージェントシステムの開発を目的とした概念的フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-31T16:14:42Z)
• Data on the Move: Traffic-Oriented Data Trading Platform Powered by AI Agent with Common Sense [21.398890792164703]
  私たちはData on The Move(DTM)というトラフィック指向のデータトレーディングプラットフォームを導入しました。 DTMはトラフィックシミュレーション、データトレーディング、AIエージェントを統合する。 提案するAIエージェントベースの価格設定手法は,合理的な価格を提供することでデータトレーディングを強化する。
  論文  参考訳（メタデータ） (2024-07-01T06:17:18Z)
• Large Language Models for Mobility Analysis in Transportation Systems: A Survey on Forecasting Tasks [9.957103189239831]
  機械学習とディープラーニングの方法は、その柔軟性と正確性に好まれる。 大規模言語モデル (LLMs) の出現に伴い、多くの研究者がこれらのモデルと過去の手法を組み合わせ、将来の交通情報や人間の旅行行動を直接予測するためにLLMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T02:54:43Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• TrafficGPT: Viewing, Processing and Interacting with Traffic Foundation Models [10.904594811905778]
  TrafficGPTはChatGPTと交通基盤モデルの融合である。 大きな言語モデルとトラフィックの専門知識をシームレスに相互運用することで、TrafficGPTは、この領域でAI機能を活用するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2023-09-13T04:47:43Z)
• AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
  本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。 本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。 このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
  論文  参考訳（メタデータ） (2023-05-04T02:09:43Z)
• IoT Data Analytics in Dynamic Environments: From An Automated Machine Learning Perspective [10.350337750192997]
  本稿では,AutoMLの領域におけるモデル選択,チューニング,手順の更新において,既存の手法の見直しを行う。 我々の発見を正当化し、産業ユーザや研究者がAutoMLアプローチをよりうまく実装するのを助けるために、AutoMLをIoT異常検出問題に適用するケーススタディが実施されている。
  論文  参考訳（メタデータ） (2022-09-16T16:02:56Z)

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。