論文の概要: Incorporating LLMs for Large-Scale Urban Complex Mobility Simulation

• arxiv url: http://arxiv.org/abs/2505.21880v1
• Date: Wed, 28 May 2025 01:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.360605
• Title: Incorporating LLMs for Large-Scale Urban Complex Mobility Simulation
• Title（参考訳）: 大規模都市複合モビリティシミュレーションのためのLLMの導入
• Authors: Yu-Lun Song, Chung-En Tsern, Che-Cheng Wu, Yu-Ming Chang, Syuan-Bo Huang, Wei-Chu Chen, Michael Chia-Liang Lin, Yu-Ta Lin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.04517077427559345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents an innovative approach to urban mobility simulation by integrating a Large Language Model (LLM) with Agent-Based Modeling (ABM). Unlike traditional rule-based ABM, the proposed framework leverages LLM to enhance agent diversity and realism by generating synthetic population profiles, allocating routine and occasional locations, and simulating personalized routes. Using real-world data, the simulation models individual behaviors and large-scale mobility patterns in Taipei City. Key insights, such as route heat maps and mode-specific indicators, provide urban planners with actionable information for policy-making. Future work focuses on establishing robust validation frameworks to ensure accuracy and reliability in urban planning applications.
• Abstract（参考訳）: 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) を統合した都市移動シミュレーションの革新的手法を提案する。 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、合成集団プロファイルを生成し、ルーチンや時折位置を割り当て、パーソナライズされたルートをシミュレートすることで、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。 ルートヒートマップやモード固有の指標などの重要な洞察は、都市計画者に政策立案のための実行可能な情報を提供する。 今後の作業は、都市計画アプリケーションの正確性と信頼性を確保するために、堅牢な検証フレームワークを確立することに焦点を当てる。

関連論文リスト

• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• 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)
• Modeling and Simulating Agent-Based City Migration Using Conway's Game of Life [2.9312156642007294]
  都市の移動動態をシミュレートする新しいGoLベースのフレームワークを提案し,実装する。 本手法はグリッド・ウィズ・ア・グリッド・アプローチを用いて, 密度化とスペーサー化による外移住の確率的傾向を符号化する。 我々のフレームワークは、都市移住パターンを研究するための汎用的で効率的なツールを提供し、計算都市社会科学におけるABMの幅広い応用に寄与する。
  論文  参考訳（メタデータ） (2024-12-30T03:59:30Z)
• Large Language Models as Urban Residents: An LLM Agent Framework for Personal Mobility Generation [19.566466895173924]
  本稿では,Large Language Models (LLMs) をエージェントフレームワークに統合した,個人用モビリティ生成のための新しいアプローチを提案する。 本研究は,LLMと実際の都市モビリティデータとの整合性,信頼性の高い活動生成戦略の開発,都市モビリティにおけるLLM応用の探索という3つの研究課題に対処する。
  論文  参考訳（メタデータ） (2024-02-22T18:03:14Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• 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)
• Evaluating model-based planning and planner amortization for continuous control [79.49319308600228]
  我々は、モデル予測制御(MPC)と学習モデルとモデルフリーポリシー学習を組み合わせたハイブリッドアプローチを採っている。 モデルフリーエージェントは高いDoF制御問題においても強いベースラインであることがわかった。 モデルに基づくプランナを,パフォーマンスを損なうことなく,計画が損なわれるようなポリシーに置き換えることが可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T12:00:40Z)
• 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)

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。