論文の概要: CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation
- arxiv url: http://arxiv.org/abs/2506.13599v1
- Date: Mon, 16 Jun 2025 15:24:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:48.799246
- Title: CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation
- Title（参考訳）: CAMS:都市人体シミュレーションのためのシティGPTを利用したエージェントフレームワーク
- Authors: Yuwei Du, Jie Feng, Jian Yuan, Yong Li,
- Abstract要約: textbfCAMSは、言語に基づく都市基盤モデルを利用して都市空間における人間の移動をシミュレートするエージェントフレームワークである。
textbfCAMSは、外部に提供された地理空間情報に頼ることなく、優れた性能を達成する。
- 参考スコア（独自算出の注目度）: 9.907406552578607
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human mobility simulation plays a crucial role in various real-world applications. Recently, to address the limitations of traditional data-driven approaches, researchers have explored leveraging the commonsense knowledge and reasoning capabilities of large language models (LLMs) to accelerate human mobility simulation. However, these methods suffer from several critical shortcomings, including inadequate modeling of urban spaces and poor integration with both individual mobility patterns and collective mobility distributions. To address these challenges, we propose \textbf{C}ityGPT-Powered \textbf{A}gentic framework for \textbf{M}obility \textbf{S}imulation (\textbf{CAMS}), an agentic framework that leverages the language based urban foundation model to simulate human mobility in urban space. \textbf{CAMS} comprises three core modules, including MobExtractor to extract template mobility patterns and synthesize new ones based on user profiles, GeoGenerator to generate anchor points considering collective knowledge and generate candidate urban geospatial knowledge using an enhanced version of CityGPT, TrajEnhancer to retrieve spatial knowledge based on mobility patterns and generate trajectories with real trajectory preference alignment via DPO. Experiments on real-world datasets show that \textbf{CAMS} achieves superior performance without relying on externally provided geospatial information. Moreover, by holistically modeling both individual mobility patterns and collective mobility constraints, \textbf{CAMS} generates more realistic and plausible trajectories. In general, \textbf{CAMS} establishes a new paradigm that integrates the agentic framework with urban-knowledgeable LLMs for human mobility simulation.
- Abstract（参考訳）: 人体移動シミュレーションは、様々な現実世界の応用において重要な役割を担っている。
近年,従来のデータ駆動型アプローチの限界に対処するために,大規模言語モデル(LLM)の常識知識と推論能力を活用して,人間の移動シミュレーションを高速化する研究が進められている。
しかし、これらの手法には、都市空間の不十分なモデリングや、個別の移動パターンと集団の移動分布との整合性の欠如など、いくつかの重大な欠点がある。
これらの課題に対処するため、都市空間における人体移動をシミュレートするために言語に基づく都市基盤モデルを活用するエージェントフレームワークである \textbf{C}ityGPT-Powered \textbf{A}gentic framework for \textbf{M}obility \textbf{S}imulation (\textbf{CAMS})を提案する。
テンプレートモビリティパターンを抽出し,ユーザプロファイルに基づいて新たなモビリティパターンを合成するMobExtractor,集合知識を考慮したアンカーポイントを生成するGeoGenerator,CityGPTの拡張バージョンを用いた都市空間知識の候補生成を行うTrajEnhancer,モビリティパターンに基づいた空間知識の検索,DPOによる実軌道優先アライメントによるトラジェクトリを生成するTrajEnhancerの3つのコアモジュールから構成される。
実世界のデータセットの実験では、外部に提供された地理空間情報に頼ることなく、‘textbf{CAMS} が優れたパフォーマンスを達成することが示された。
さらに、個別の移動パターンと集団の移動制約の両方を全体モデリングすることにより、より現実的で、もっともらしい軌道を生成する。
一般に,「textbf{CAMS}」は,人体移動シミュレーションのためのエージェント・フレームワークと都市認識可能なLCMを統合した新しいパラダイムを確立する。
関連論文リスト
- 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) - TrajMoE: Spatially-Aware Mixture of Experts for Unified Human Mobility Modeling [10.338272381612112]
都市間モビリティモデリングのための統一的でスケーラブルなモデルであるTrajMoEを提案する。
TrajMoEは,(1)都市間における空間意味論の不整合,(2)多様な都市移動パターンの2つの課題に対処する。
広範な実験により、TrajMoEは競争力基盤モデルよりも27%の相対的な改善を達成している。
論文 参考訳（メタデータ） (2025-05-24T12:17:47Z) - 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) - Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。
次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。
20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
論文 参考訳（メタデータ） (2025-01-20T07:12:40Z) - 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) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [12.01839817432357]
我々はこれらの問題に対処するために、自己回帰生成タスクとして、人間のモビリティモデリングを再構築する。
本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。
実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-02-05T18:22:21Z) - 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) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - 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。