論文の概要: CompassLLM: A Multi-Agent Approach toward Geo-Spatial Reasoning for Popular Path Query

• arxiv url: http://arxiv.org/abs/2510.07516v1
• Date: Wed, 08 Oct 2025 20:28:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.717838
• Title: CompassLLM: A Multi-Agent Approach toward Geo-Spatial Reasoning for Popular Path Query
• Title（参考訳）: CompassLLM: 一般的な経路探索のための地理空間推論へのマルチエージェントアプローチ
• Authors: Md. Nazmul Islam Ananto, Shamit Fatin, Mohammed Eunus Ali, Md Rizwan Parvez,
• Abstract要約: 我々は、人気のあるパスクエリを解決するための新しいマルチエージェントフレームワークであるCompassLLMを紹介する。 CompassLLMは、人気のあるパスを特定するSEARCHステージと、過去の軌跡データに既存のパスがない場合に新しいパスを合成するGeneratorEステージという、2段階のパイプラインにエージェントを採用している。
• 参考スコア（独自算出の注目度）: 10.085519288797345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The popular path query - identifying the most frequented routes between locations from historical trajectory data - has important applications in urban planning, navigation optimization, and travel recommendations. While traditional algorithms and machine learning approaches have achieved success in this domain, they typically require model training, parameter tuning, and retraining when accommodating data updates. As Large Language Models (LLMs) demonstrate increasing capabilities in spatial and graph-based reasoning, there is growing interest in exploring how these models can be applied to geo-spatial problems. We introduce CompassLLM, a novel multi-agent framework that intelligently leverages the reasoning capabilities of LLMs into the geo-spatial domain to solve the popular path query. CompassLLM employs its agents in a two-stage pipeline: the SEARCH stage that identifies popular paths, and a GENERATE stage that synthesizes novel paths in the absence of an existing one in the historical trajectory data. Experiments on real and synthetic datasets show that CompassLLM demonstrates superior accuracy in SEARCH and competitive performance in GENERATE while being cost-effective.
• Abstract（参考訳）: 人気のパスクエリーは、歴史的軌跡データから最も頻度の高い場所間のルートを特定するもので、都市計画、ナビゲーション最適化、旅行推奨に重要な応用がある。 従来のアルゴリズムと機械学習のアプローチはこの領域で成功したが、一般的にはモデルトレーニング、パラメータチューニング、データ更新の調整時に再トレーニングが必要となる。 大規模言語モデル (LLM) が空間的およびグラフに基づく推論の能力向上を示すにつれ、これらのモデルが空間的問題にどのように適用できるかを探求することへの関心が高まっている。 提案するマルチエージェントフレームワークであるCompassLLMは,LLMの地理的空間領域への推論能力を知能的に活用して,一般的なパスクエリを解決する。 CompassLLMは、人気のあるパスを特定するSEARCHステージと、過去の軌跡データに既存のパスがない場合に新しいパスを合成するGeneratorEステージという、2段階のパイプラインにエージェントを採用している。 実データと合成データを用いた実験により、CompassLLMはSEARCHの精度とGeneratorEの競争性能に優れ、費用対効果が高いことが示された。

関連論文リスト

• Just-in-time Episodic Feedback Hinter: Leveraging Offline Knowledge to Improve LLM Agents Adaptation [77.90555621662345]
  JEF Hinterは、オフライントレースをコンパクトでコンテキスト対応のヒントに蒸留するエージェントシステムである。 ズーム機構は、長い軌道における決定的なステップを強調し、戦略と落とし穴の両方をキャプチャする。 MiniWoB++、WorkArena-L1、WebArena-Liteの実験は、JSF Hinterが一貫して強力なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-10-05T21:34:42Z)
• TISIS : Trajectory Indexing for SImilarity Search [0.7373617024876725]
  ソーシャルメディアプラットフォームでは、位置情報データを含むさまざまな種類の情報を共有できる。 位置情報データは、ユーザの訪問した関心のポイント(POI)の軌跡を再構築するために利用することができる 鍵となる要件は、そのような軌道間の類似度を測定する能力である。
  論文  参考訳（メタデータ） (2024-09-17T15:57:33Z)
• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• Guided Trajectory Generation with Diffusion Models for Offline Model-based Optimization [19.228156994045587]
  高速領域への軌道生成のための条件付き生成モデリング手法を提案する。 実験の結果,本手法はデザインベンチの競争基準よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-29T06:12:36Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• NLP-enabled Trajectory Map-matching in Urban Road Networks using a Transformer-based Encoder-decoder [1.3812010983144802]
  本研究では,NLPにインスパイアされた機械翻訳としてタスクを定式化する,データ駆動型深層学習型マップマッチングフレームワークを提案する。 変圧器を用いたエンコーダ・デコーダモデルでは,ノイズの多いGPS点の文脈表現を学習し,軌道の挙動や道路構造をエンドツーエンドに推定する。 合成軌道実験により、この手法は文脈認識を統合することによって従来の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-04-18T18:39:23Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• UVTM: Universal Vehicle Trajectory Modeling with ST Feature Domain Generation [34.918489559139715]
  普遍的な車両軌道モデルは異なるタスクに適用でき、複数の専門モデルを維持する必要がなくなる。 過度な再訓練を伴わずに様々なタスクに効果的に適応できるユニバーサル車両軌道モデル(UVTM)を提案する。 UVTMは、細かな特徴不完全軌跡から密度の高い特徴完全軌跡を再構築することで事前訓練される。
  論文  参考訳（メタデータ） (2024-02-11T15:49:50Z)
• Active Neural Topological Mapping for Multi-Agent Exploration [24.91397816926568]
  マルチエージェント協調探索問題では、複数のエージェントが限られた時間で感覚信号を介して見えない環境を探索する必要がある。 トポロジカルマップは、抽象的だが不可欠な情報を持つノードとエッジのみからなる、有望な代替手段である。 深層強化学習は、高速なエンドツーエンド推論を通じて(ほぼ)最適ポリシーを学ぶ大きな可能性を示している。 マルチエージェント探索作業における探索効率の向上と一般化を目的とした,Multi-Agent Neural Topological Mapping (MANTM)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T03:06:14Z)
• MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
  マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。 提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T03:05:12Z)

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。