論文の概要: Urban Computing in the Era of Large Language Models

• arxiv url: http://arxiv.org/abs/2504.02009v2
• Date: Wed, 30 Apr 2025 03:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.365034
• Title: Urban Computing in the Era of Large Language Models
• Title（参考訳）: 大規模言語モデル時代の都市コンピューティング
• Authors: Zhonghang Li, Lianghao Xia, Xubin Ren, Jiabin Tang, Tianyi Chen, Yong Xu, Chao Huang,
• Abstract要約: 本稿では,大規模言語モデル(LLM)と都市コンピューティングの交わりについて検討する。 我々は,LLMの進化とコア技術について,簡潔に概説する。 我々は、交通、公共安全、環境モニタリングなど、主要都市領域にまたがる応用を調査する。
• 参考スコア（独自算出の注目度）: 41.50492781046065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban computing has emerged as a multidisciplinary field that harnesses data-driven technologies to address challenges and improve urban living. Traditional approaches, while beneficial, often face challenges with generalization, scalability, and contextual understanding. The advent of Large Language Models (LLMs) offers transformative potential in this domain. This survey explores the intersection of LLMs and urban computing, emphasizing the impact of LLMs in processing and analyzing urban data, enhancing decision-making, and fostering citizen engagement. We provide a concise overview of the evolution and core technologies of LLMs. Additionally, we survey their applications across key urban domains, such as transportation, public safety, and environmental monitoring, summarizing essential tasks and prior works in various urban contexts, while highlighting LLMs' functional roles and implementation patterns. Building on this, we propose potential LLM-based solutions to address unresolved challenges. To facilitate in-depth research, we compile a list of available datasets and tools applicable to diverse urban scenarios. Finally, we discuss the limitations of current approaches and outline future directions for advancing LLMs in urban computing.
• Abstract（参考訳）: 都市コンピューティングは、データ駆動技術を活用して課題に対処し、都市生活を改善する、多分野分野として登場した。 従来のアプローチは有益だが、一般化、スケーラビリティ、コンテキスト理解といった課題に直面していることが多い。 LLM(Large Language Models)の出現は、この領域における変革的なポテンシャルを提供する。 本調査は, LLMと都市コンピューティングの交わりを考察し, 都市データの処理と分析, 意思決定の強化, 市民のエンゲージメント向上におけるLLMの影響を強調した。 我々は,LLMの進化とコア技術について,簡潔に概説する。 さらに, 交通, 公共安全, 環境モニタリングなどの主要都市領域における適用状況を調査し, 各種都市環境における重要な課題や先行業務を要約するとともに, LLMの機能的役割と実施パターンを強調した。 これに基づいて,未解決課題に対処するための LLM ベースの潜在的ソリューションを提案する。 詳細な調査を容易にするため、さまざまな都市シナリオに適用可能なデータセットとツールのリストをコンパイルする。 最後に、現在のアプローチの限界について論じ、都市コンピューティングにおけるLCMの進展に向けた今後の方向性を概説する。

関連論文リスト

• Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
  大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
  論文  参考訳（メタデータ） (2025-03-27T11:56:27Z)
• LLM Post-Training: A Deep Dive into Reasoning Large Language Models [131.10969986056]
  大規模言語モデル (LLMs) は自然言語処理の状況を変え、多様な応用をもたらした。 ポストトレーニング手法により、LLMは知識を洗練させ、推論を改善し、事実の正確性を高め、ユーザの意図や倫理的配慮をより効果的に整合させることができる。
  論文  参考訳（メタデータ） (2025-02-28T18:59:54Z)
• Federated Large Language Models: Current Progress and Future Directions [63.68614548512534]
  本稿では,LLM(FedLLM)のフェデレーション学習について調査し,最近の進歩と今後の方向性を明らかにする。 ファインチューニングと迅速な学習という2つの重要な側面に注目し、既存の作業と関連する研究課題について議論する。
  論文  参考訳（メタデータ） (2024-09-24T04:14:33Z)
• CityGPT: Empowering Urban Spatial Cognition of Large Language Models [7.40606412920065]
  強力な言語生成と推論機能を備えた大規模言語モデル(LLM)は、すでに多くのドメインで成功している。 しかし、物理世界のコーパスが不足し、訓練中に知識が不足しているため、都市空間における多くの現実的なタスクを解決できないのが普通である。 都市空間の理解と関連する都市課題の解決におけるLCMの能力向上のための体系的枠組みであるCityGPTを提案する。
  論文  参考訳（メタデータ） (2024-06-20T02:32:16Z)
• CityBench: Evaluating the Capabilities of Large Language Models for Urban Tasks [10.22654338686634]
  広範な一般知識と強力な推論能力を持つ大規模言語モデル(LLM)は、急速な開発と広範な応用が見られた。 本稿では,対話型シミュレータによる評価プラットフォームであるCityBenchを設計する。 我々は,CityBenchとして認識理解と意思決定の2つのカテゴリに8つの代表的都市タスクを設計する。
  論文  参考訳（メタデータ） (2024-06-20T02:25:07Z)
• A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
  大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。 我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。 本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
  論文  参考訳（メタデータ） (2024-06-15T16:11:35Z)
• 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)
• LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
  大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。 本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。 このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
  論文  参考訳（メタデータ） (2024-02-26T07:33:05Z)
• Towards Urban General Intelligence: A Review and Outlook of Urban Foundation Models [24.88814197611069]
  機械学習技術の統合は、インテリジェントな都市サービスの発展の基盤となっている。 ChatGPTのような基盤モデルの最近の進歩は、機械学習と人工知能の分野でパラダイムシフトをもたらした。 UFM(Urban Foundation Models)に注目が集まる一方で、急速に発展するこの分野は重要な課題に直面している。
  論文  参考訳（メタデータ） (2024-01-30T04:48:16Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)

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。