論文の概要: AI-in-the-Loop Planning for Transportation Electrification: Case Studies from Austin, Texas

• arxiv url: http://arxiv.org/abs/2504.21185v2
• Date: Thu, 01 May 2025 15:07:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.053297
• Title: AI-in-the-Loop Planning for Transportation Electrification: Case Studies from Austin, Texas
• Title（参考訳）: 交通電化のためのAI-in-the-Loop計画--テキサス州オースチンを事例として
• Authors: Seung Jun Choi,
• Abstract要約: 本研究では,TXのオースチンにおける交通電化計画におけるAIの利用について検討する。 AI(GeoAI)、ジェネレーティブAI(GenAI)、およびLarge Language Models(LLM)の使用に焦点を当てている。 説明責任のある計画を保証するために、人間のプランナーはAIエージェントと一緒に働かなければならない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores the integration of AI in transportation electrification planning in Austin, TX, focusing on the use of Geospatial AI (GeoAI), Generative AI (GenAI), and Large Language Models (LLMs). GeoAI enhances site selection, localized GenAI models support meta-level estimations, and LLMs enable scenario simulations. These AI applications require human oversight. GeoAI outputs must be evaluated with land use data, GenAI models are not always accurate, and LLMs are prone to hallucinations. To ensure accountable planning, human planners must work alongside AI agents. Establishing a community feedback loop is essential to audit automated decisions. Planners should place Community Experience (CX) at the center of Urban Planning AI.
• Abstract（参考訳）: 本研究では,オースチンの交通電化計画におけるAIの統合について検討し,GeoAI(GeoAI),Generative AI(GenAI),Large Language Models(LLM)の利用に着目した。 GeoAIはサイト選択を強化し、ローカライズされたGenAIモデルはメタレベルの推定をサポートし、LLMはシナリオシミュレーションを可能にする。 これらのAIアプリケーションは人間の監視を必要とする。 ジオAIの出力は土地利用データで評価されなければならず、GenAIモデルは必ずしも正確ではなく、LLMは幻覚を起こす傾向にある。 説明責任のある計画を保証するために、人間のプランナーはAIエージェントと一緒に働かなければならない。 自動決定の監査には,コミュニティフィードバックループの確立が不可欠だ。 都市計画者は、CX(Community Experience)を都市計画AIの中心に置くべきである。

関連論文リスト

• A Systematic Decade Review of Trip Route Planning with Travel Time Estimation based on User Preferences and Behavior [0.0]
  本稿では,人工知能(AI)を用いた適応旅行経路計画と旅行時間推定の進歩を体系的に検討する。 機械学習(ML)、強化学習(RL)、グラフニューラルネットワーク(GNN)を含む確立されたAI技術 論文は、AIを活用して効率的で透明で持続可能なナビゲーションシステムを構築するための推奨事項で締めくくっている。
  論文  参考訳（メタデータ） (2025-03-30T15:41:44Z)
• Generative AI in Transportation Planning: A Survey [50.88844036728445]
  我々は、交通計画においてGenAIを活用するための最初の包括的枠組みを提示する。 交通計画の観点から, 記述的, 予測的, 生成的, シミュレーション, 説明可能なタスクの自動化におけるGenAIの役割を検討する。 データ不足、説明可能性、バイアス軽減、ドメイン固有の評価フレームワークの開発など、重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-03-10T10:33:31Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• The Roles of Generative Artificial Intelligence in Internet of Electric Vehicles [65.14115295214636]
  我々は特に、電気自動車のインターネット(IoEV)について検討し、GenAI for IoEVを4つの異なる層に分類する。 IoEVアプリケーションの各レイヤで使用されるさまざまなGenAI技術を紹介します。 GenAIモデルのトレーニングに利用可能なパブリックデータセットを要約する。
  論文  参考訳（メタデータ） (2024-09-24T05:12:10Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• TravelPlanner: A Benchmark for Real-World Planning with Language Agents [63.199454024966506]
  我々は,旅行計画に焦点を当てた新しい計画ベンチマークであるTravelPlannerを提案する。 豊富なサンドボックス環境、400万近いデータレコードにアクセスするためのさまざまなツール、計画意図とリファレンスプランを慎重にキュレートした1,225のツールを提供する。 包括的評価では、現在の言語エージェントがそのような複雑な計画タスクを処理できないことが示されており、GPT-4でさえ0.6%の成功率しか達成できない。
  論文  参考訳（メタデータ） (2024-02-02T18:39:51Z)
• GeoAI in Social Science [0.9527350779226282]
  GeoAI(Geospatial AI、地理空間的人工知能)は、人工知能(AI)、地理空間的ビッグデータ、そして膨大なコンピューティングパワーを活用して、高度な自動化と知能の問題を解決するエキサイティングな新しい分野である。 本稿では、社会科学研究におけるAIの進歩を概観し、GeoAIを用いて重要なデータと知識ギャップを埋める重要な進歩について述べる。
  論文  参考訳（メタデータ） (2023-12-19T20:23:18Z)
• Applications of Large Scale Foundation Models for Autonomous Driving [22.651585322658686]
  大規模言語モデル(LLM)とチャットシステム、例えばチャットGPTやPaLMは、自然言語処理(NLP)において人工知能(AGI)を実現するための有望な方向性として急速に現れつつある。 本稿では、シミュレーション、世界モデル、データアノテーションと計画、E2Eソリューションなどに分類される、自動運転に応用された基礎モデルとLLMの技術について検討する。
  論文  参考訳（メタデータ） (2023-11-20T19:45:27Z)
• LeanAI: A method for AEC practitioners to effectively plan AI implementations [1.213096549055645]
  AIの使用に関する熱意にもかかわらず、現在のビッグデータプロジェクトの85%は失敗している。 AEC業界でAIプロジェクトが失敗する主な理由の1つは、AIの計画や使用を決定した人とそれを実装する人との接続を断つことである。 この研究はLeanAIメソッドを導入し、AIが解決すべきもの、解決すべきもの、解決すべきものを説明する。
  論文  参考訳（メタデータ） (2023-06-29T09:18:11Z)
• ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
  ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。 ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
  論文  参考訳（メタデータ） (2022-06-14T17:09:35Z)

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。