論文の概要: CitySim: Modeling Urban Behaviors and City Dynamics with Large-Scale LLM-Driven Agent Simulation
- arxiv url: http://arxiv.org/abs/2506.21805v1
- Date: Thu, 26 Jun 2025 23:11:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-30 21:12:23.02794
- Title: CitySim: Modeling Urban Behaviors and City Dynamics with Large-Scale LLM-Driven Agent Simulation
- Title（参考訳）: CitySim:大規模LLMエージェントシミュレーションによる都市行動と都市動態のモデル化
- Authors: Nicolas Bougie, Narimasa Watanabe,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.2430809884830318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling human behavior in urban environments is fundamental for social science, behavioral studies, and urban planning. Prior work often rely on rigid, hand-crafted rules, limiting their ability to simulate nuanced intentions, plans, and adaptive behaviors. Addressing these challenges, we envision an urban simulator (CitySim), capitalizing on breakthroughs in human-level intelligence exhibited by large language models. In CitySim, agents generate realistic daily schedules using a recursive value-driven approach that balances mandatory activities, personal habits, and situational factors. To enable long-term, lifelike simulations, we endow agents with beliefs, long-term goals, and spatial memory for navigation. CitySim exhibits closer alignment with real humans than prior work, both at micro and macro levels. Additionally, we conduct insightful experiments by modeling tens of thousands of agents and evaluating their collective behaviors under various real-world scenarios, including estimating crowd density, predicting place popularity, and assessing well-being. Our results highlight CitySim as a scalable, flexible testbed for understanding and forecasting urban phenomena.
- Abstract（参考訳）: 都市環境における人間の行動のモデル化は、社会科学、行動研究、都市計画に不可欠である。
以前の仕事は、しばしば厳格で手作りの規則に頼り、ニュアンスのある意図、計画、適応的な振る舞いをシミュレートする能力を制限する。
これらの課題に対処するため,都市シミュレーター(CitySim)を構想し,大規模言語モデルが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に着目した。
CitySimでは、必須活動、個人の習慣、状況要因のバランスをとる再帰的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。
本研究では, 長期的, 生涯的シミュレーションを実現するために, エージェントに信念, 長期目標, ナビゲーションのための空間記憶を付与する。
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。
さらに,数万件のエージェントをモデル化し,群衆密度の推定,場所人気の予測,幸福度の評価など,さまざまな現実シナリオ下での集合行動を評価することにより,洞察に富んだ実験を行う。
都市現象の理解と予測のためのスケーラブルでフレキシブルなテストベッドとしてCitySimを紹介した。
関連論文リスト
- SceneDiffuser++: City-Scale Traffic Simulation via a Generative World Model [30.561378506172698]
SceneDiffuser++は、都市規模でA-to-Bシミュレーションを行うことができる単一損失関数に基づいて訓練された最初のエンドツーエンド生成世界モデルである。
本研究では,SceneDiffuser++の都市交通シミュレーション能力を実証し,その長大なシミュレーション条件下での優れたリアリズムについて検討する。
論文 参考訳（メタデータ） (2025-06-27T07:35:04Z) - Modeling Earth-Scale Human-Like Societies with One Billion Agents [54.465233996410156]
Light Societyはエージェントベースのシミュレーションフレームワークである。
社会的プロセスはエージェントと環境状態の構造的遷移として形式化される。
10億以上のエージェントによる社会の効率的なシミュレーションを支援する。
論文 参考訳（メタデータ） (2025-06-07T09:14:12Z) - 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) - MobileCity: An Efficient Framework for Large-Scale Urban Behavior Simulation [22.340422693575547]
複数の機能的な建物と交通手段を備えた仮想都市を提示する。
次に、集団間の行動選択と移動選好をモデル化するための広範な調査を行う。
拡張性を維持しながら都市移動の複雑さを捉えるシミュレーションフレームワークを導入し,4,000以上のエージェントのシミュレーションを可能にする。
論文 参考訳（メタデータ） (2025-04-18T07:01:05Z) - SocioVerse: A World Model for Social Simulation Powered by LLM Agents and A Pool of 10 Million Real-World Users [70.02370111025617]
本稿では,社会シミュレーションのためのエージェント駆動世界モデルであるSocioVerseを紹介する。
私たちのフレームワークは、4つの強力なアライメントコンポーネントと1000万の実際の個人からなるユーザプールを備えています。
SocioVerseは、多様性、信頼性、代表性を確保しつつ、大規模な人口動態を反映できることを示した。
論文 参考訳（メタデータ） (2025-04-14T12:12:52Z) - 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) - 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) - CityBench: Evaluating the Capabilities of Large Language Models for Urban Tasks [10.22654338686634]
大規模言語モデル (LLMs) と視覚言語モデル (VLMs) は、実際の有効性と信頼性を確保するために欠かせないものとなっている。
都市研究のための体系的評価ベンチマークを構築する上での課題は、都市データの多様性にある。
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 textitCityBench を設計する。
論文 参考訳（メタデータ） (2024-06-20T02:25:07Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳（メタデータ） (2023-06-05T02:58:35Z) - 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。