論文の概要: Enhancing Demand-Oriented Regionalization with Agentic AI and Local Heterogeneous Data for Adaptation Planning

• arxiv url: http://arxiv.org/abs/2511.10857v1
• Date: Thu, 13 Nov 2025 23:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.367284
• Title: Enhancing Demand-Oriented Regionalization with Agentic AI and Local Heterogeneous Data for Adaptation Planning
• Title（参考訳）: エージェントAIと局所不均一データを用いた適応計画による需要指向地域化の促進
• Authors: Seyedeh Mobina Noorani, Shangde Gao, Changjie Chen, Karla Saldana Ochoa,
• Abstract要約: 本稿では,災害計画のための需要指向の地域をユーザが生成できるエージェントAIを用いた計画支援システムを提案する。 空間制約型自己組織化マップ(RepSC-SOM)上に構築したプラットフォーム フロリダ州ジャクソンビルにおける洪水関連リスクのケーススタディを通じて, プラットフォームの性能を実証した。
• 参考スコア（独自算出の注目度）: 1.0449613031852045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional planning units or urban regions, such as census tracts, zip codes, or neighborhoods, often do not capture the specific demands of local communities and lack the flexibility to implement effective strategies for hazard prevention or response. To support the creation of dynamic planning units, we introduce a planning support system with agentic AI that enables users to generate demand-oriented regions for disaster planning, integrating the human-in-the-loop principle for transparency and adaptability. The platform is built on a representative initialized spatially constrained self-organizing map (RepSC-SOM), extending traditional SOM with adaptive geographic filtering and region-growing refinement, while AI agents can reason, plan, and act to guide the process by suggesting input features, guiding spatial constraints, and supporting interactive exploration. We demonstrate the capabilities of the platform through a case study on the flooding-related risk in Jacksonville, Florida, showing how it allows users to explore, generate, and evaluate regionalization interactively, combining computational rigor with user-driven decision making.
• Abstract（参考訳）: 国勢調査区域、ジップコード、地区などの伝統的な計画単位や都市部は、地域社会の特定の要求を捉えておらず、予防や対応のための効果的な戦略を実行する柔軟性が欠如していることが多い。 動的計画単位の作成を支援するため,我々はエージェントAIを用いた計画支援システムを導入する。 このプラットフォームは、空間制約付き自己組織化マップ(RepSC-SOM)を代表として構築されており、従来のSOMを適応的な地理的フィルタリングと地域改良で拡張し、AIエージェントは入力特徴の提案、空間制約の導出、対話的な探索の支援によってプロセスの導出、計画、およびプロセスの導出を行うことができる。 フロリダ州ジャクソンビルの洪水関連リスクに関するケーススタディを通じて、このプラットフォームの能力を実証し、ユーザーがインタラクティブに地域化を探索し、生成し、評価する方法を示し、計算リガーとユーザ主導の意思決定を組み合わせる。

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)
• MINGLE: VLMs for Semantically Complex Region Detection in Urban Scenes [49.89767522399176]
  公共空間におけるグループレベルの社会的相互作用は都市計画に不可欠である。 対人関係によって定義された視覚領域の推測と空間的接地を必要とする社会集団領域検出タスクを導入する。 本稿では,人間検出と深度推定を統合したモジュール型3段階パイプラインであるMINGLEと,ソーシャルアフィリエイトを相互に分類するVLMベースの推論と,ソーシャルに連結したグループを局所化する軽量な空間アグリゲーションアルゴリズムを提案する。 そこで本稿では,個人と社会的に相互作用するグループの両方に対して,境界ボックスとラベルを付加した100万の街路ビュー画像のデータセットを提案する。
  論文  参考訳（メタデータ） (2025-09-16T19:31:40Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• IncidentResponseGPT: Generating Traffic Incident Response Plans with Generative Artificial Intelligence [2.1711205684359247]
  IncidentResponseGPT(インシデントレスポンスGPT)は、AI(Generative AI)をトラフィックインシデント応答に適用する新しいシステムである。 交通管理当局の意思決定を迅速化するため、特定地域に適応したインシデント対応計画を作成する。
  論文  参考訳（メタデータ） (2024-04-29T09:45:46Z)
• Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning for Robust Forecasting and Security [12.8405655328298]
  既存のメソッドは、ノイズ、データ不完全性、セキュリティ脆弱性といった問題に悩まされることが多い。 本稿では,EUPAS(Adversarial Self-Supervised Learning)を用いた都市域プロファイリング手法を提案する。 EUPASは、犯罪予測、チェックイン予測、土地利用分類などの様々な予測タスクにおいて、堅牢なパフォーマンスを保証する。
  論文  参考訳（メタデータ） (2024-02-02T06:06:45Z)
• AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban Planning via Consensus-based Multi-Agent Reinforcement Learning [8.363841553742912]
  本稿では,コンセンサスを基盤としたマルチエージェント強化学習フレームワークについて紹介する。 この枠組みは参加型都市計画に役立ち、多様な知的エージェントを利害関係者の代表として好まれる土地利用形態に投票することができる。 マルチエージェント強化学習を統合することで、参加型都市計画決定がよりダイナミックで、コミュニティのニーズに適応することを保証する。
  論文  参考訳（メタデータ） (2023-10-25T17:04:11Z)
• Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning [57.91323079939641]
  我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。 最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。 第2の段階は、都市機能投影を形成するための計画要件を理解することである。 第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
  論文  参考訳（メタデータ） (2022-12-01T23:06:41Z)
• Differentiable Spatial Planning using Transformers [87.90709874369192]
  本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。 エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。 SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T06:48:16Z)
• Reimagining City Configuration: Automated Urban Planning via Adversarial Learning [28.930624100994514]
  都市計画は、土地利用形態を設計する努力を指す。 近年のディープラーニングの進歩は、機械が人間の能力で学習し、土地利用構成を自動的かつ迅速に計算することができるか、という問いを提起する動機となっている。
  論文  参考訳（メタデータ） (2020-08-22T21:15:39Z)

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。