Fugu-MT 論文翻訳(概要): GATSim: Urban Mobility Simulation with Generative Agents

論文の概要: GATSim: Urban Mobility Simulation with Generative Agents

arxiv url: http://arxiv.org/abs/2506.23306v2
Date: Fri, 18 Jul 2025 04:20:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-21 14:37:15.891045
Title: GATSim: Urban Mobility Simulation with Generative Agents
Title（参考訳）: GATSim:ジェネレーティブエージェントを用いた都市モビリティシミュレーション
Authors: Qi Liu, Can Li, Wanjing Ma,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.893057419094932
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional agent-based urban mobility simulations often rely on rigid rule-based systems that struggle to capture the complexity, adaptability, and behavioral diversity inherent in human travel decision making. Recent advancements in large language models and AI agent technologies present new opportunities to develop agents with enhanced reasoning capabilities, persistent memory, and adaptive learning. We introduce GATSim (Generative-Agent Transport Simulation), a novel framework that leverages these advancements to simulate urban mobility using generative agents with rich, human-like behaviors. Unlike conventional approaches, GATSim agents are characterized by diverse socioeconomic profiles, individual lifestyles, and evolving preferences shaped through psychologically informed memory systems, tool usage, and lifelong learning. The main contributions of this work are: (1) a comprehensive architecture that integrates an urban mobility foundation model with agent cognitive systems and a transport simulation environment; (2) a hierarchical memory designed for efficient retrieval of contextually relevant information, incorporating spatial and temporal associations, keyword matching, and semantic relevance; (3) innovative planning and reactive mechanisms for modeling adaptive mobility behaviors which integrate a multi-scale reflection process to transform specific travel experiences into generalized behavioral insights. We implement a prototype system and conduct systematic validation, demonstrating that generative agents produce believable and coherent travel behaviors. Experimental results indicate that generative agents perform at least as well as human annotators with 92\% posterior probability, while naturally producing realistic macroscopic traffic patterns. The code for the prototype implementation is publicly available at https://github.com/qiliuchn/gatsim.
Abstract（参考訳）: 伝統的なエージェントベースの都市移動シミュレーションは、人間の旅行決定に固有の複雑さ、適応性、行動の多様性を捉えるのに苦労する厳格な規則に基づくシステムに依存していることが多い。大規模言語モデルとAIエージェント技術の最近の進歩は、推論能力の向上、永続記憶、適応学習を備えたエージェントを開発する新たな機会を提供する。 GATSim(Generative-Agent Transport Simulation)は,豊かな人的行動を持つ生成エージェントを用いた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、多様な社会経済的プロファイル、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、ツールの使用方法、生涯学習によって形成される進化する嗜好によって特徴づけられる。本研究の主な貢献は,(1)都市移動基盤モデルとエージェント認知システムと輸送シミュレーション環境を統合した包括的アーキテクチャ,(2)空間的・時間的関連性,キーワードマッチング,意味的関連性を取り入れた,文脈的関連情報の効率的な検索を目的とした階層的メモリ,(3)マルチスケールのリフレクションプロセスを統合した適応的モビリティ行動のモデル化のための革新的な計画と反応機構,などである。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。実験結果から, 生成剤は, 後部確率92\%のアノテータと同様に, 少なくともヒトのアノテータと同様に, 現実的なマクロな交通パターンを自然に生成することが明らかとなった。プロトタイプ実装のコードはhttps://github.com/qiliuchn/gatsim.comで公開されている。

関連論文リスト

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)
CAMS: A CityGPT-Powered Agentic Framework for Urban Human Mobility Simulation [9.907406552578607]
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。
論文参考訳（メタデータ） (2025-06-16T15:24:07Z)
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)
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)
CHARMS: A Cognitive Hierarchical Agent for Reasoning and Motion Stylization in Autonomous Driving [7.672737334176452]
本稿では,共振・運動スティリゼーションのための認知階層的エージェントを提案する。 CHARMSは、強化学習事前訓練と教師付き微調整を含む2段階のトレーニングパイプラインを通じて、人間に似た推論パターンをキャプチャする。インテリジェントな運転決定をエゴ車として行い、環境車両として多様な現実的な運転シナリオを生成することができる。
論文参考訳（メタデータ） (2025-04-03T10:15:19Z)
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)
LMAgent: A Large-scale Multimodal Agents Society for Multi-user Simulation [66.52371505566815]
大規模言語モデル(LLM)ベースのAIエージェントは、人間のような知性を達成するために、大きな進歩を遂げた。 LMAgentは,マルチモーダル LLM に基づく大規模かつマルチモーダルなエージェント社会である。 LMAgentでは、友人とチャットする以外に、エージェントは自動で商品を閲覧、購入、レビューしたり、ライブストリーミングのeコマースを行うこともできる。
論文参考訳（メタデータ） (2024-12-12T12:47:09Z)
GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
論文参考訳（メタデータ） (2024-10-06T05:02:23Z)
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)
Adaptive Synthetic Characters for Military Training [0.9802137009065037]
現在の軍事シミュレーションにおける合成文字の挙動は、一般的にルールベースおよびリアクティブ計算モデルによって生成されるため、限られている。本稿では,信頼できる行動のコヒーレントなシーケンスを実行できる自律的な合成文字を作成することを目的とした枠組みを提案する。
論文参考訳（メタデータ） (2021-01-06T18:45:48Z)
How Do We Move: Modeling Human Movement with System Dynamics [34.13127840909941]
我々は,ジェネレーティブ・アドバイサル・イミテーション・ラーニングで人間の動きを学習する。私たちは、移動エージェントの状態遷移をシステムダイナミクスでモデル化することを学びました。
論文参考訳（メタデータ） (2020-03-01T23:43:22Z)
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。