論文の概要: MobileCity: An Efficient Framework for Large-Scale Urban Behavior Simulation

• arxiv url: http://arxiv.org/abs/2504.16946v2
• Date: Wed, 16 Jul 2025 04:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 14:40:09.372317
• Title: MobileCity: An Efficient Framework for Large-Scale Urban Behavior Simulation
• Title（参考訳）: MobileCity: 大規模都市行動シミュレーションのための効率的なフレームワーク
• Authors: Xiaotong Ye, Nicolas Bougie, Toshihiko Yamasaki, Narimasa Watanabe,
• Abstract要約: 我々は,高計算効率で現実的な都市移動をモデル化する軽量なシミュレーションプラットフォームMobileCityを提案する。 本稿では,複数の輸送モードを有する総合交通システムを導入し,回答者のアンケートデータを収集してエージェントプロファイルを構築する。 スケーラブルなシミュレーションを実現するため、エージェントは事前に生成されたアクション空間内でアクション選択を行い、ローカルモデルを使用してエージェントメモリの効率的な生成を行う。
• 参考スコア（独自算出の注目度）: 22.340422693575547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative agents offer promising capabilities for simulating realistic urban behaviors. However, existing methods oversimplify transportation choices, rely heavily on static agent profiles leading to behavioral homogenization, and inherit prohibitive computational costs. To address these limitations, we present MobileCity, a lightweight simulation platform designed to model realistic urban mobility with high computational efficiency. We introduce a comprehensive transportation system with multiple transport modes, and collect questionnaire data from respondents to construct agent profiles. To enable scalable simulation, agents perform action selection within a pre-generated action space and uses local models for efficient agent memory generation. Through extensive micro and macro-level evaluations on 4,000 agents, we demonstrate that MobileCity generates more realistic urban behaviors than baselines while maintaining computational efficiency. We further explore practical applications such as predicting movement patterns and analyzing demographic trends in transportation preferences.
• Abstract（参考訳）: 生成エージェントは現実的な都市行動のシミュレーションに有望な能力を提供する。 しかし、既存の手法は交通機関の選択を単純化し、静的なエージェントプロファイルに大きく依存し、行動の均質化を招き、禁止的な計算コストを継承する。 これらの制約に対処するため,我々は,リアルな都市移動を高い計算効率でモデル化する軽量なシミュレーションプラットフォームMobileCityを提案する。 本稿では,複数の輸送モードを有する総合交通システムを導入し,回答者のアンケートデータを収集してエージェントプロファイルを構築する。 スケーラブルなシミュレーションを実現するため、エージェントは事前に生成されたアクション空間内でアクション選択を行い、ローカルモデルを使用してエージェントメモリの効率的な生成を行う。 4,000のエージェント上でのマイクロおよびマクロレベルの広範な評価を通じて,MobileCityは,計算効率を維持しつつ,ベースラインよりも現実的な都市行動を生成することを示した。 さらに、移動パターンの予測や交通機関の嗜好に関する人口統計の傾向分析などの実践的応用についても検討する。

関連論文リスト

• GATSim: Urban Mobility Simulation with Generative Agents [12.893057419094932]
  GATSimは、豊かな人間のような振る舞いを持つ生成エージェントを用いて、都市移動をシミュレートする新しいフレームワークである。 従来のアプローチとは異なり、GATSimエージェントは、多様な社会経済プロファイル、個人のライフスタイル、心理的に情報を得た記憶システムによって形成される進化する嗜好によって特徴付けられる。 筆者らは,プロトタイプシステムを実装し,系統的検証を行い,生成エージェントが信頼性とコヒーレントな旅行行動を生成することを示す。
  論文  参考訳（メタデータ） (2025-06-29T15:52:16Z)
• CitySim: Modeling Urban Behaviors and City Dynamics with Large-Scale LLM-Driven Agent Simulation [1.2430809884830318]
  我々は都市シミュレーター(CitySim)を構想し、大規模言語モデルで示す人間レベルのインテリジェンスにおけるブレークスルーを生かした。 CitySimでは、必須活動、個人の習慣、状況要因のバランスをとる価値駆動アプローチを使用して、エージェントが現実的な日々のスケジュールを生成する。 CitySimは、マイクロレベルとマクロレベルの両方において、以前の作業よりも実際の人間と密接な関係を示す。
  論文  参考訳（メタデータ） (2025-06-26T23:11:42Z)
• MobiVerse: Scaling Urban Mobility Simulation with Hybrid Lightweight Domain-Specific Generator and Large Language Models [11.90100976089832]
  モビリティシミュレーションのギャップを埋めるハイブリッドフレームワークMobiVerseを提案する。 ロサンゼルスのウェストウッドでケーススタディを行い、効率よくスケジュールを動的に生成した。 その結果,本手法は行動リアリズムを高めつつ,計算効率を向上することを示す。
  論文  参考訳（メタデータ） (2025-06-26T21:46:18Z)
• Incorporating LLMs for Large-Scale Urban Complex Mobility Simulation [0.04517077427559345]
  本研究では,大規模言語モデル(LLM)とエージェントベースモデリング(ABM)を統合した都市モビリティシミュレーションの革新的アプローチを提案する。 従来のルールベースのABMとは異なり、提案フレームワークはLSMを利用してエージェントの多様性とリアリズムを高める。 実世界のデータを用いて,台北市の個人行動と大規模移動パターンをモデル化した。
  論文  参考訳（メタデータ） (2025-05-28T01:54:28Z)
• Towards Autonomous Micromobility through Scalable Urban Simulation [52.749987132021324]
  現在のマイクロモビリティは、主に人手操作(対人・遠隔操作)に依存している。 本研究では,自律型マイクロモビリティを実現するため,スケーラブルな都市シミュレーションソリューションを提案する。
  論文  参考訳（メタデータ） (2025-05-01T17:52:29Z)
• TrajLLM: A Modular LLM-Enhanced Agent-Based Framework for Realistic Human Trajectory Simulation [3.8106509573548286]
  この作業は、Large Language Models(LLM)を活用して人間のモビリティをシミュレートし、従来のモデルにおける高コストやプライバシの問題に対処する。 我々の階層的枠組みは、実世界の人口統計と心理データを用いて、ペルソナ生成、活動選択、目的地予測を統合している。
  論文  参考訳（メタデータ） (2025-02-26T00:13:26Z)
• OmniRe: Omni Urban Scene Reconstruction [78.99262488964423]
  OmniReはデバイス上でのログから動的現実シーンの高忠実なデジタルツインを作成するための総合システムである。 提案手法は3DGS上にシーングラフを構築し,様々な動的アクターをモデル化する標準空間内に複数のガウス表現を構築する。
  論文  参考訳（メタデータ） (2024-08-29T17:56:33Z)
• 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)
• Agent-based Simulation Evaluation of CBD Tolling: A Case Study from New York City [7.847915546266008]
  MATSimは、エージェントレベルでの顕微鏡的挙動を提供するシミュレーションプラットフォームである。 ニューヨーク市マンハッタン・セントラル・ビジネス・ディストリクト(NYC)の超粒度交通ネットワークモデルを用いたケーススタディを行う。 その結果、テスト対象の料金プログラムは、個人車両の容積を規制し、公共交通機関の利用を促進することが示唆された。
  論文  参考訳（メタデータ） (2024-02-16T17:09:49Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• A Hierarchical Pedestrian Behavior Model to Generate Realistic Human Behavior in Traffic Simulation [11.525073205608681]
  本稿では,行動木を用いた階層的歩行者行動モデルを提案する。 私たちの作業の完全な実装は、シナリオ定義と実行エンジンであるGeoScenario Serverに統合されます。 提案モデルでは,実際の歩行者の軌跡を高精度に再現し,意思決定精度を98%以上とした。
  論文  参考訳（メタデータ） (2022-06-01T02:04:38Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。