論文の概要: GTA: Generative Traffic Agents for Simulating Realistic Mobility Behavior

• arxiv url: http://arxiv.org/abs/2601.16778v1
• Date: Fri, 23 Jan 2026 14:24:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.719115
• Title: GTA: Generative Traffic Agents for Simulating Realistic Mobility Behavior
• Title（参考訳）: GTA:現実的な移動行動のシミュレーションのための生成的交通エージェント
• Authors: Simon Lämmer, Mark Colley, Patrick Ebel,
• Abstract要約: 本稿では,大規模かつコンテキストに敏感な交通手段の選択をシミュレートするための生成トラフィックエージェント(GTA)を紹介する。 GTAは国勢調査に基づく社会デマトグラフィーデータから人工人口を生成する。 アクティビティのスケジュールとモードの選択をシミュレートし、手作りのルールなしでスケーラブルで人間らしいシミュレーションを可能にする。
• 参考スコア（独自算出の注目度）: 17.993142745848363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: People's transportation choices reflect complex trade-offs shaped by personal preferences, social norms, and technology acceptance. Predicting such behavior at scale is a critical challenge with major implications for urban planning and sustainable transport. Traditional methods use handcrafted assumptions and costly data collection, making them impractical for early-stage evaluations of new technologies or policies. We introduce Generative Traffic Agents (GTA) for simulating large-scale, context-sensitive transportation choices using LLM-powered, persona-based agents. GTA generates artificial populations from census-based sociodemographic data. It simulates activity schedules and mode choices, enabling scalable, human-like simulations without handcrafted rules. We evaluate GTA in Berlin-scale experiments, comparing simulation results against empirical data. While agents replicate patterns, such as modal split by socioeconomic status, they show systematic biases in trip length and mode preference. GTA offers new opportunities for modeling how future innovations, from bike lanes to transit apps, shape mobility decisions.
• Abstract（参考訳）: 人々の交通手段の選択は、個人の好み、社会的規範、技術受容によって形成された複雑なトレードオフを反映している。 このような行動を大規模に予測することは、都市計画や持続可能な輸送にとって大きな意味を持つ重要な課題である。 従来の手法では手作りの仮定と高価なデータ収集を使い、新しい技術やポリシーの初期段階評価には実用的ではない。 LLMをベースとしたエージェントを用いて,大規模かつコンテキストに敏感な交通選択をシミュレートするためのGTA(Generative Traffic Agents)を提案する。 GTAは国勢調査に基づく社会デマトグラフィーデータから人工人口を生成する。 アクティビティのスケジュールとモードの選択をシミュレートし、手作りのルールなしでスケーラブルで人間らしいシミュレーションを可能にする。 ベルリン大実験におけるGTAの評価を行い,シミュレーション結果と実験データとの比較を行った。 エージェントは、社会経済的地位によるモーダル分割のようなパターンを複製するが、それらは旅行の長さとモードの好みの体系的なバイアスを示す。 GTAは、自転車レーンからトランジットアプリまで、将来のイノベーションをどのようにモデル化するかをモデリングする新たな機会を提供する。

関連論文リスト

• SPACeR: Self-Play Anchoring with Centralized Reference Models [50.55045557371374]
  Simエージェントポリシーは、現実的で、人間らしく、高速で、マルチエージェント設定でスケーラブルである。 大規模な拡散モデルやトークン化モデルを用いた模倣学習の最近の進歩は、人間の運転データから直接行動を把握することができることを示している。 本研究では,事前訓練されたトークン化自己回帰運動モデルを利用したSPACeRを提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:53:02Z)
• Graph RAG as Human Choice Model: Building a Data-Driven Mobility Agent with Preference Chain [4.675541221895496]
  LLM(Large Language Models)を利用した生成エージェントの最近の進歩は、広範囲なデータセットに頼ることなく、人間の振る舞いをシミュレートする可能性を示している。 本稿では,LLMとグラフ検索・拡張生成(RAG)を統合し,交通システムにおける人間行動の文脈認識シミュレーションを強化する新しい手法であるPreference Chainを紹介する。
  論文  参考訳（メタデータ） (2025-08-22T07:50:57Z)
• 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)
• 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)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• Learning Interactive Driving Policies via Data-driven Simulation [125.97811179463542]
  データ駆動シミュレータは、ポリシー学習の駆動に高いデータ効率を約束する。 小さな基盤となるデータセットは、インタラクティブな運転を学ぶための興味深い、挑戦的なエッジケースを欠いていることが多い。 本研究では,ロバストな運転方針の学習に塗装されたアドカーを用いたシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:14:02Z)
• 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。