論文の概要: Urban-MAS: Human-Centered Urban Prediction with LLM-Based Multi-Agent System

• arxiv url: http://arxiv.org/abs/2511.00096v1
• Date: Thu, 30 Oct 2025 10:26:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.583936
• Title: Urban-MAS: Human-Centered Urban Prediction with LLM-Based Multi-Agent System
• Title（参考訳）: 都市MAS:LLMに基づくマルチエージェントシステムによる人中心都市予測
• Authors: Shangyu Lou,
• Abstract要約: 都市人工知能(Urban Artificial Intelligence, Urban AI)は、知覚予測や人間のダイナミクスといった、先進的な人間中心の都市タスクを持つ。 大規模言語モデル(LLM)は、複雑な都市システムにおける異種データを扱うためにマルチモーダル入力を統合することができるが、ドメイン固有のタスクでは性能が劣ることが多い。 LLMをベースとしたマルチエージェントシステム(MAS)であるUrban-MASは、ゼロショット環境下での人間中心の都市予測のために導入された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban Artificial Intelligence (Urban AI) has advanced human-centered urban tasks such as perception prediction and human dynamics. Large Language Models (LLMs) can integrate multimodal inputs to address heterogeneous data in complex urban systems but often underperform on domain-specific tasks. Urban-MAS, an LLM-based Multi-Agent System (MAS) framework, is introduced for human-centered urban prediction under zero-shot settings. It includes three agent types: Predictive Factor Guidance Agents, which prioritize key predictive factors to guide knowledge extraction and enhance the effectiveness of compressed urban knowledge in LLMs; Reliable UrbanInfo Extraction Agents, which improve robustness by comparing multiple outputs, validating consistency, and re-extracting when conflicts occur; and Multi-UrbanInfo Inference Agents, which integrate extracted multi-source information across dimensions for prediction. Experiments on running-amount prediction and urban perception across Tokyo, Milan, and Seattle demonstrate that Urban-MAS substantially reduces errors compared to single-LLM baselines. Ablation studies indicate that Predictive Factor Guidance Agents are most critical for enhancing predictive performance, positioning Urban-MAS as a scalable paradigm for human-centered urban AI prediction. Code is available on the project website:https://github.com/THETUREHOOHA/UrbanMAS
• Abstract（参考訳）: 都市人工知能(Urban Artificial Intelligence, Urban AI)は、知覚予測や人間のダイナミクスといった、先進的な人間中心の都市タスクを持つ。 大規模言語モデル(LLM)は、複雑な都市システムにおける異種データを扱うためにマルチモーダル入力を統合することができるが、ドメイン固有のタスクでは性能が劣ることが多い。 LLMをベースとしたマルチエージェントシステム(MAS)フレームワークであるUrban-MASは,ゼロショット環境下での人間中心の都市予測のために導入された。 予測因子誘導エージェント(Predictive Factor Guidance Agents)は、LLMにおける圧縮都市知識の有効性を高めるための重要な予測因子を優先し、複数のアウトプットの比較、一貫性の検証、競合発生時の再抽出によりロバスト性を向上させる信頼性のある都市情報抽出エージェント(Reliable UrbanInfo extract Agents)と、抽出されたマルチソース情報の予測のためのディメンション間で統合するマルチアーバン情報推論エージェント(Multi-UrbanInfo Inference Agents)である。 東京,ミラノ,シアトル各都市における走行予測と都市認識実験により,単LLMベースラインと比較して都市MASが誤差を大幅に低減することを示した。 アブレーション研究は、予測要因誘導エージェントが予測性能を高めるために最も重要であり、都市MASを人間中心の都市AI予測のためのスケーラブルなパラダイムとして位置づけていることを示している。 コードはプロジェクトのWebサイト(https://github.com/THETUREHOOHA/UrbanMAS)で公開されている。

関連論文リスト

• Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
  アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。 近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。 MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
  論文  参考訳（メタデータ） (2025-10-18T15:59:09Z)
• FutureX: An Advanced Live Benchmark for LLM Agents in Future Prediction [92.7392863957204]
  FutureXは、将来の予測のための最大かつ最も多様なライブベンチマークである。 リアルタイムの日次更新をサポートし、質問収集と回答収集のための自動パイプラインを通じてデータの汚染を取り除く。 推論,検索機能,外部ツールの統合などを含む25のLLM/エージェントモデルを評価した。
  論文  参考訳（メタデータ） (2025-08-16T08:54:08Z)
• USTBench: Benchmarking and Dissecting Spatiotemporal Reasoning of LLMs as Urban Agents [6.054990893127997]
  大規模言語モデル (LLMs) は、様々な都市下流アプリケーションをサポートする都市エージェントを構築するための有望な候補となる、時間的非時間的可能性を示している。 結果レベル研究における都市エージェントの評価に関する既存の研究は、その根底にある推論過程について限定的な洞察を与える。 その結果、時間的推論における都市エージェントの強さと限界はいまだに理解されていない。 USTBenchは、LLMの時間的推論能力を4次元にわたる都市エージェントとして評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-23T07:30:57Z)
• UrbanMind: Urban Dynamics Prediction with Multifaceted Spatial-Temporal Large Language Models [18.051209616917042]
  UrbanMind は多面的都市動態予測のための空間時空間 LLM フレームワークである。 UrbanMindのコアとなるMuffin-MAEは、特殊なマスキング戦略を備えた多面式フュージョンマスク自動エンコーダである。 複数の都市にまたがる実世界の都市データセットの実験は、UrbanMindが一貫して最先端の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） (2025-05-16T19:38:06Z)
• AgentMove: A Large Language Model based Agentic Framework for Zero-shot Next Location Prediction [7.007450097312181]
  本稿では,汎用的な次の位置予測を実現するためのエージェント予測フレームワークであるAgentMoveを紹介する。 AgentMoveでは、まず移動予測タスクを分解し、個々の移動パターンマイニングのための時空間記憶を含む特定のモジュールを設計する。 2つの異なる情報源によるモビリティデータを用いた実験により、AgentMoveは12の指標のうち8つの指標のうち3.33%から8.57%を突破した。
  論文  参考訳（メタデータ） (2024-08-26T02:36:55Z)
• CityX: Controllable Procedural Content Generation for Unbounded 3D Cities [50.10101235281943]
  現在の生成法は多様性、可制御性または忠実度に乏しい。 本研究では,高忠実度生成のための手続き的コンテンツ生成(PCG)技術を利用する。 我々は,OSM,セマンティックマップ,衛星画像などのマルチモーダル命令を実行可能なプログラムに変換するマルチエージェントフレームワークを開発した。 提案手法はCityXと呼ばれ,多種多様で制御可能でリアルな3D都市景観の創出において,その優位性を実証するものである。
  論文  参考訳（メタデータ） (2024-07-24T18:05:13Z)
• 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)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)

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。