論文の概要: PEMANT: Persona-Enriched Multi-Agent Negotiation for Travel

• arxiv url: http://arxiv.org/abs/2604.10475v1
• Date: Sun, 12 Apr 2026 06:10:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.040748
• Title: PEMANT: Persona-Enriched Multi-Agent Negotiation for Travel
• Title（参考訳）: PEMANT:Persona-Enriched Multi-Agent Negotiation for Travel
• Authors: Yuran Sun, Mustafa Sameen, Yaotian Zhang, Chia-yu Wu, Xilei Zhao,
• Abstract要約: Persona-Enriched Multi-Agent Negotiation for Travel (PEMANT)は、家庭レベルの旅行生成をモデル化するための新しいフレームワークである。 まず、個人化されたペルソナモデリングの行動理論を統合し、その後、家庭レベルの旅行計画交渉を行う。 PEMANTは、データセット間の最先端ベンチマークを一貫して上回る。
• 参考スコア（独自算出の注目度）: 3.3927193323747904
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modeling household-level trip generation is fundamental to accurate demand forecasting, traffic flow estimation, and urban system planning. Existing studies were mostly based on classical machine learning models with limited predictive capability, while recent LLM-based approaches have yet to incorporate behavioral theory or intra-household interaction dynamics, both of which are critical for modeling realistic collective travel decisions. To address these limitations, we propose a novel LLM-based framework, named Persona-Enriched Multi-Agent Negotiation for Travel (PEMANT), which first integrates behavioral theory for individualized persona modeling and then conducts household-level trip planning negotiations via a structured multi-agent conversation. Specifically, PEMANT transforms static sociodemographic attributes into coherent narrative profiles that explicitly encode household-level attitudes, subjective norms, and perceived behavioral controls, following our proposed Household-Aware Chain-of-Planned-Behavior (HA-CoPB) framework. Building on these theory-grounded personas, PEMANT captures real-world household decision negotiation via a structured two-phase multi-agent conversation framework with a novel persona-alignment control mechanism. Evaluated on both national and regional household travel survey datasets, PEMANT consistently outperforms state-of-the-art benchmarks across datasets.
• Abstract（参考訳）: 世帯レベルの旅行生成のモデル化は、正確な需要予測、交通流量推定、都市システム計画に不可欠である。 既存の研究は主に予測能力に制限のある古典的機械学習モデルに基づいていたが、最近のLLMベースのアプローチでは、行動理論やハウスホールド内相互作用のダイナミクスは組み込まれていない。 これらの制約に対処するために,まず個人化されたペルソナモデリングの行動理論を統合し,構造化されたマルチエージェント会話を通じて家庭レベルの旅行計画交渉を行うPEMANT(Persona-Enriched Multi-Agent Negotiation for Travel)という,LDMベースの新しいフレームワークを提案する。 具体的には、PEMANTは静的なソシオデマトグラフィー特性を、世帯レベルの態度、主観的規範、知覚的な行動制御を明示的に符号化したコヒーレントな物語プロファイルに変換する。 PEMANTは、これらの理論に基づくペルソナを構築し、新しいペルソナアライメント制御機構を備えた構造化された2フェーズ多エージェント会話フレームワークを介して、実世界の家庭内決定交渉をキャプチャする。 PEMANTは、国内および地域の家庭旅行調査データセットに基づいて評価され、データセット全体で常に最先端のベンチマークを上回っている。

関連論文リスト

• Multi-Agent Model-Based Reinforcement Learning with Joint State-Action Learned Embeddings [10.36125908359289]
  モデルに基づくマルチエージェント強化学習フレームワークを提案する。 我々は変分自動エンコーダで訓練された世界モデルを設計し、状態-作用学習埋め込みを用いてモデルを増強する。 想像された軌道とSALEに基づく行動値とを結合することにより、エージェントは彼らの選択が集団的な結果にどのように影響するかをより深く理解する。
  論文  参考訳（メタデータ） (2026-02-13T01:57:21Z)
• Aligning LLM agents with human learning and adjustment behavior: a dual agent approach [30.79232557548701]
  本稿では,Large Language Model (LLM)エージェントと人的旅行者の継続的な学習とアライメントを可能にする,新しいデュアルエージェントフレームワークを提案する。 我々のアプローチは、メモリシステムと人間旅行者のシミュレータとして機能する学習可能なペルソナを備えたLSMトラベラーエージェントのセットである。 本研究では,従来のLCM法よりも行動アライメントと集合シミュレーションの精度が優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-02T16:05:33Z)
• From Narrative to Action: A Hierarchical LLM-Agent Framework for Human Mobility Generation [3.242664635630543]
  大きな言語モデル(LLM)は潜在的な可能性を示すが、厳密な構造的コンプライアンスと創造的推論のバランスをとるのに苦労する。 本研究では,ハイレベルな物語推論,中間レベルのリフレクティブプランニングを統合した階層型LLM-Agentフレームワークを提案する。 本研究では,データ駆動型パラダイムから空間駆動型シミュレーションへの合成モビリティ生成を推し進める。
  論文  参考訳（メタデータ） (2025-10-28T00:26:36Z)
• Zero-Shot Human Mobility Forecasting via Large Language Model with Hierarchical Reasoning [27.096256356447117]
  ZHMFはゼロショット人間の移動予測のためのフレームワークである。 セマンティック強化された検索とリフレクション機構と階層型言語モデルに基づく推論システムを組み合わせる。
  論文  参考訳（メタデータ） (2025-09-20T08:46:38Z)
• SocialMOIF: Multi-Order Intention Fusion for Pedestrian Trajectory Prediction [21.780343024406285]
  SocialMOIFはこれらの課題に対処するために提案されており、近隣グループ間の高次の意図的相互作用に集中している。 SocialMOIF内では、軌道分布近似器が軌道を実際のデータとより密に整合する値へと導くように設計されている。 より正確で効率的な並列予測を可能にするために、グローバルな軌道が導入された。
  論文  参考訳（メタデータ） (2025-04-22T06:14:49Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。