論文の概要: Multi-Agent Multimodal Large Language Model Framework for Automated Interpretation of Fuel Efficiency Analytics in Public Transportation

• arxiv url: http://arxiv.org/abs/2511.13476v1
• Date: Mon, 17 Nov 2025 15:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.324419
• Title: Multi-Agent Multimodal Large Language Model Framework for Automated Interpretation of Fuel Efficiency Analytics in Public Transportation
• Title（参考訳）: 公共交通機関における燃料効率分析の自動解釈のためのマルチエージェントマルチモーダル大言語モデルフレームワーク
• Authors: Zhipeng Ma, Ali Rida Bahja, Andreas Burgdorf, André Pomp, Tobias Meisen, Bo Nørregaard Jørgensen, Zheng Grace Ma,
• Abstract要約: 本研究では,データナレーションとエネルギーインサイト生成を自動化するマルチエージェントフレームワークを提案する。 データナレーション剤、LSM−as−a−ジャッジ剤、オプションのヒト・イン・ザ・ループ評価剤を含む3つの特殊エージェントを調整する。 このシステムは、デンマーク北部ユトランドの公共バス輸送に関する実際のケーススタディを通じて検証されている。
• 参考スコア（独自算出の注目度）: 8.704530773510411
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Enhancing fuel efficiency in public transportation requires the integration of complex multimodal data into interpretable, decision-relevant insights. However, traditional analytics and visualization methods often yield fragmented outputs that demand extensive human interpretation, limiting scalability and consistency. This study presents a multi-agent framework that leverages multimodal large language models (LLMs) to automate data narration and energy insight generation. The framework coordinates three specialized agents, including a data narration agent, an LLM-as-a-judge agent, and an optional human-in-the-loop evaluator, to iteratively transform analytical artifacts into coherent, stakeholder-oriented reports. The system is validated through a real-world case study on public bus transportation in Northern Jutland, Denmark, where fuel efficiency data from 4006 trips are analyzed using Gaussian Mixture Model clustering. Comparative experiments across five state-of-the-art LLMs and three prompting paradigms identify GPT-4.1 mini with Chain-of-Thought prompting as the optimal configuration, achieving 97.3% narrative accuracy while balancing interpretability and computational cost. The findings demonstrate that multi-agent orchestration significantly enhances factual precision, coherence, and scalability in LLM-based reporting. The proposed framework establishes a replicable and domain-adaptive methodology for AI-driven narrative generation and decision support in energy informatics.
• Abstract（参考訳）: 公共交通機関における燃料効率の向上には、複雑なマルチモーダルデータを解釈可能な決定関連洞察に統合する必要がある。 しかし、従来の分析と可視化の手法は、拡張性と一貫性を制限し、広範囲な人間の解釈を必要とする断片的な出力を出力することが多い。 本研究では,マルチモーダル大規模言語モデル(LLM)を利用してデータナレーションとエネルギー洞察生成を自動化するマルチエージェントフレームワークを提案する。 データナレーション剤、LSM−as−a−ジュッジ剤、オプションのヒト・イン・ザ・ループ評価剤を含む3つの特殊エージェントを協調して、分析的アーティファクトを一貫性のあるステークホルダー指向のレポートに反復的に変換する。 このシステムは、デンマーク北部ユトランド州の公共バス輸送に関する現実のケーススタディを通じて検証され、ガウス混合モデルクラスタリングを用いて4006回の燃料効率データを解析した。 5つの最先端のLCMと3つのプロンプトパラダイムの比較実験では、GPT-4.1 miniとChain-of-Thoughtを最適構成とし、解釈可能性と計算コストのバランスを保ちながら97.3%のナラティブ精度を達成した。 その結果,マルチエージェントオーケストレーションはLCMレポートにおける事実精度,コヒーレンス,スケーラビリティを著しく向上させることがわかった。 提案するフレームワークは,エネルギー情報学におけるAI駆動の物語生成と意思決定支援のための,再現的でドメイン適応的な方法論を確立する。

関連論文リスト

• A Modular, Data-Free Pipeline for Multi-Label Intention Recognition in Transportation Agentic AI Applications [12.25149118082394]
  輸送におけるエージェントAIアプリケーションに対して,マルチラベル意図認識のためのモジュール型データフリーパイプラインを提案する。 大規模で注釈付きコーパスに依存する従来の意図認識システムとは異なり、当社のアプローチはコストのかかるデータ収集の必要性を排除している。 我々のシステムはユーザクエリをタスク固有のモジュールにシームレスにルーティングし、完全な自律的意図認識エージェントの基盤となる。
  論文  参考訳（メタデータ） (2025-11-05T11:08:08Z)
• Multi-Agent Data Visualization and Narrative Generation [1.935127147843886]
  データ分析ワークフローを自動化する軽量なマルチエージェントシステムを提案する。 提案手法は,ハイブリッドマルチエージェントアーキテクチャと決定論的コンポーネントを組み合わせることで,重要な論理を戦略的に外部化する。 このシステムは、完全な再生なしに外科的修正を可能にする、粒度の細かいモジュラー出力を提供する。
  論文  参考訳（メタデータ） (2025-08-30T12:39:55Z)
• MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
  本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。 提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。 その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-13T19:14:48Z)
• AutoJudger: An Agent-Driven Framework for Efficient Benchmarking of MLLMs [24.403284945948272]
  AutoJudgerはマルチモーダルな大規模言語モデルの効率的かつ適応的なベンチマークのためのエージェント駆動フレームワークである。 AutoJudgerは、アイテム応答理論(IRT)を用いて、質問の難易度を推定し、自律的な評価エージェントを使用して最も情報性の高いテスト質問を動的に選択する。
  論文  参考訳（メタデータ） (2025-05-27T16:17:15Z)
• AutoLogi: Automated Generation of Logic Puzzles for Evaluating Reasoning Abilities of Large Language Models [86.83875864328984]
  本稿では,オープンエンド論理パズルを自動合成する手法を提案し,それをバイリンガルベンチマークであるAutoLogiの開発に利用する。 提案手法は,プログラムベースの検証と制御可能な難易度を特徴とし,モデルの推論能力をよりよく区別する信頼性の高い評価を可能にする。
  論文  参考訳（メタデータ） (2025-02-24T07:02:31Z)
• Enhancing Travel Choice Modeling with Large Language Models: A Prompt-Learning Approach [6.913791588789051]
  本稿では,予測精度を大幅に向上させ,個々の予測に対して明確な説明を提供する,プロンプト学習に基づく大規模言語モデル(LLM)フレームワークを提案する。 スイスで収集されたLondon Passenger Mode Choice(LPMC)とOptima-Mode(Optima-Mode)の2つの選択肢データセットを用いて,フレームワークの有効性を検証した。 その結果,LLMは人々の選択を予測する上で,最先端のディープラーニング手法や個別選択モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-06-19T13:46:08Z)
• Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
  本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。 本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-23T18:59:05Z)

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。