論文の概要: Modeling realistic human behavior using generative agents in a multimodal transport system: Software architecture and Application to Toulouse

• arxiv url: http://arxiv.org/abs/2510.19497v1
• Date: Wed, 22 Oct 2025 11:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.748491
• Title: Modeling realistic human behavior using generative agents in a multimodal transport system: Software architecture and Application to Toulouse
• Title（参考訳）: マルチモーダルトランスポートシステムにおける生成エージェントを用いた現実的な人間行動のモデリング:ソフトウェアアーキテクチャとトゥールーズへの応用
• Authors: Trung-Dung Vu, Benoit Gaudou, Kamaldeep Singh Oberoi,
• Abstract要約: 本稿では,複雑なマルチモーダル輸送システムにおける現実的な人間の移動挙動をモデル化するためのアーキテクチャを提案する。 エージェント・ベース・シミュレーションにLarge Language Models (LLMs) を適用し,実際の都市環境における意思決定を捉える。 その結果、エージェントはコンテキスト対応のトランスポート決定を行うだけでなく、時間とともに習慣を形成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling realistic human behaviour to understand people's mode choices in order to propose personalised mobility solutions remains challenging. This paper presents an architecture for modeling realistic human mobility behavior in complex multimodal transport systems, demonstrated through a case study in Toulouse, France. We apply Large Language Models (LLMs) within an agent-based simulation to capture decision-making in a real urban setting. The framework integrates the GAMA simulation platform with an LLM-based generative agent, along with General Transit Feed Specification (GTFS) data for public transport, and OpenTripPlanner for multimodal routing. GAMA platform models the interactive transport environment, providing visualization and dynamic agent interactions while eliminating the need to construct the simulation environment from scratch. This design enables a stronger focus on developing generative agents and evaluating their performance in transport decision-making processes. Over a simulated month, results show that agents not only make context-aware transport decisions but also form habits over time. We conclude that combining LLMs with agent-based simulation offers a promising direction for advancing intelligent transportation systems and personalised multimodal mobility solutions. We also discuss some limitations of this approach and outline future work on scaling to larger regions, integrating real-time data, and refining memory models.
• Abstract（参考訳）: パーソナライズされたモビリティソリューションを提案するために、人々のモード選択を理解するために現実的な人間の振る舞いをモデル化することは依然として困難である。 本稿では, フランスのトゥールーズを事例として, 複雑なマルチモーダル輸送システムにおける現実的な人間の移動挙動をモデル化するためのアーキテクチャを提案する。 エージェント・ベース・シミュレーションにLarge Language Models (LLMs) を適用し,実際の都市環境における意思決定を捉える。 このフレームワークはGAMAシミュレーションプラットフォームとLLMベースの生成エージェント、パブリックトランスポート用のGeneral Transit Feed Specification(GTFS)データ、マルチモーダルルーティング用のOpenTripPlannerを統合している。 GAMAプラットフォームは、インタラクティブなトランスポート環境をモデル化し、可視化と動的エージェントのインタラクションを提供しながら、シミュレーション環境をスクラッチから構築する必要がない。 この設計は、生成エージェントの開発と、輸送意思決定プロセスにおけるそれらの性能評価に、より強く焦点をあてることを可能にする。 シミュレーションされた1ヶ月で、エージェントはコンテキスト対応のトランスポート決定を行うだけでなく、時間とともに習慣を形成する。 LLMとエージェントベースシミュレーションを組み合わせることで、インテリジェントトランスポートシステムとパーソナライズされたマルチモーダルモビリティソリューションを進化させる上で有望な方向性が得られると結論付けている。 また、このアプローチのいくつかの制限についても論じ、大規模リージョンへのスケーリング、リアルタイムデータの統合、メモリモデルの精細化といった今後の取り組みについて概説する。

関連論文リスト

• MR-LDM -- The Merge-Reactive Longitudinal Decision Model: Game Theoretic Human Decision Modeling for Interactive Sim Agents [0.9883562565157391]
  我々は,戦術的意思決定のためのゲーム理論モデルをターゲットにして,ハイウェイマージシナリオのシミュレーションを改善することを目的としている。 これを基礎となるダイナミックスモデルと組み合わせて、より現実的なインタラクションをキャプチャできる統一された決定と動的モデルを持ちます。
  論文  参考訳（メタデータ） (2025-07-15T20:41:00Z)
• The Sound of Simulation: Learning Multimodal Sim-to-Real Robot Policies with Generative Audio [138.07247714782412]
  MultiGenは、大規模な生成モデルを従来の物理シミュレータに統合するフレームワークである。 容器や液体を注ぐ現実世界への効果的なゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:58Z)
• MobiVerse: Scaling Urban Mobility Simulation with Hybrid Lightweight Domain-Specific Generator and Large Language Models [11.90100976089832]
  モビリティシミュレーションのギャップを埋めるハイブリッドフレームワークMobiVerseを提案する。 ロサンゼルスのウェストウッドでケーススタディを行い、効率よくスケジュールを動的に生成した。 その結果,本手法は行動リアリズムを高めつつ,計算効率を向上することを示す。
  論文  参考訳（メタデータ） (2025-06-26T21:46:18Z)
• MobileCity: An Efficient Framework for Large-Scale Urban Behavior Simulation [24.339278159507035]
  我々は,高計算効率で現実的な都市移動をモデル化する軽量なシミュレーションプラットフォームMobileCityを提案する。 本稿では,複数の輸送モードを有する総合交通システムを導入し,回答者のアンケートデータを収集してエージェントプロファイルを構築する。 スケーラブルなシミュレーションを実現するため、エージェントは事前に生成されたアクション空間内でアクション選択を行い、ローカルモデルを使用してエージェントメモリの効率的な生成を行う。
  論文  参考訳（メタデータ） (2025-04-18T07:01:05Z)
• 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)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• 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)
• 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。