論文の概要: TrajGenAgent: A Hierarchical LLM Agent for Human Mobility Trajectory Generation

• arxiv url: http://arxiv.org/abs/2606.12657v1
• Date: Wed, 10 Jun 2026 20:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.452089
• Title: TrajGenAgent: A Hierarchical LLM Agent for Human Mobility Trajectory Generation
• Title（参考訳）: TrajGenAgent:人間の移動軌道生成のための階層的LLMエージェント
• Authors: Siyu Li, Toan Tran, Lingyi Zhao, Khurram Shafique, Li Xiong,
• Abstract要約: 大規模な軌跡収集は費用がかかりプライバシーが制限されることが多い。 既存の軌道生成装置は、微粒な推論を欠いているプロンプトエンジニアリングか、軌道レベルの微調整に依存している。 モデルチューニングなしで軌道生成を行う意味認識フレームワークであるTrajGenAgentを提案する。
• 参考スコア（独自算出の注目度）: 7.748185086458265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility data is important for transportation, urban planning, and epidemic control, but large-scale trajectory collection is often costly and privacy-constrained, motivating realistic synthetic trajectory generation. Existing LLM-based generators typically rely on either prompt engineering, which preserves zero-shot reasoning but lacks fine-grained spatiotemporal grounding, or trajectory-level fine-tuning, which improves statistical precision but incurs substantial computational cost and may weaken general reasoning. We propose TrajGenAgent, a semantic-aware hierarchical LLM-agent framework for human mobility trajectory generation without model fine-tuning. TrajGenAgent uses a two-stage orchestrator-worker design: an LLM first synthesizes an individual- and weekday-conditioned activity chain from historical evidence via in-context learning, and a deterministic workflow then grounds each activity into a complete visit using personalized POI retrieval, distance-aware location selection, kinematics-aware travel-time propagation, and LLM-based duration estimation. To evaluate realism beyond aggregate spatiotemporal statistics, we introduce an anomaly-detection-based evaluation framework using two complementary detectors to assess behavioral and semantic plausibility. Experiments on benchmark and large-scale simulation datasets show that TrajGenAgent improves spatiotemporal fidelity, semantic coherence, and individual-specific behavioral realism over representative neural and LLM-based baselines, while avoiding parameter updates.
• Abstract（参考訳）: 人体移動データは交通、都市計画、疫病対策において重要であるが、大規模な軌道収集はコストが高く、プライバシーに制約され、現実的な合成軌道生成を動機付けていることが多い。 既存のLCMベースのジェネレータは通常、ゼロショット推論を保ちながら微粒な時空間グラウンドを欠いているプロンプトエンジニアリングか、統計精度を向上するが計算コストがかなり高く、一般的な推論を弱めるトラジェクトリレベルの微調整のいずれかに依存している。 モデル微調整を伴わない人間の移動軌道生成のための意味認識型階層型LLMエージェントフレームワークであるTrajGenAgentを提案する。 TrajGenAgentは2段階のオーケストレータ・ワーカの設計を用いており、LLMはまず個人と平日のアクティビティチェーンをコンテキスト内学習を通じて歴史的証拠から合成し、決定論的ワークフローは各アクティビティをパーソナライズされたPOI検索、距離認識位置選択、キネマティクスを意識した旅行時間伝搬、LLMに基づく時間推定を用いて完全な訪問に基盤付ける。 本研究では,2つの相補的検出器を用いた異常検出に基づく評価フレームワークを導入し,行動的・意味的妥当性を評価する。 ベンチマークと大規模シミュレーションデータセットの実験により、TrajGenAgentはパラメータ更新を回避しつつ、代表的神経およびLLMベースのベースラインよりも時空間忠実度、セマンティックコヒーレンス、個人固有の行動リアリズムを改善していることが示された。

関連論文リスト

• Mobility Anomaly Generation using LLM-Driven Behavior with Kinematic Constraints [1.330528227599978]
  本稿では,現実的な軌跡異常を大規模に合成するエンド・ツー・エンドな生成フレームワークを提案する。 我々のアーキテクチャは、純粋に合成されたモビリティデータと複雑な現実世界の物理的な制約の間のギャップを埋める。
  論文  参考訳（メタデータ） (2026-06-09T02:09:02Z)
• MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation [51.824145170051516]
  MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。 エージェントを使用して、内部ロジックを反復的に進化させる。 最先端の深層生成法とLLMベースの手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-01T03:46:25Z)
• Efficient and Adaptive Human Activity Recognition via LLM Backbones [39.42078885809324]
  本稿では,大規模事前学習言語モデル(LLM)をセンサベースHARの汎用時間バックボーンとして再利用するパラダイムシフトを提案する。 提案手法は, 高速収束, 強力なデータ効率, 堅牢なデータ転送を実現する。
  論文  参考訳（メタデータ） (2026-05-12T12:06:39Z)
• Towards Real-world Human Behavior Simulation: Benchmarking Large Language Models on Long-horizon, Cross-scenario, Heterogeneous Behavior Traces [81.41397370235102]
  我々はOmniBehaviorを紹介した。OmniBehaviorは実世界のデータから構築された最初のユーザシミュレーションベンチマークである。 現在のモデルでは,コンテキストウィンドウが拡大しても,複雑な振る舞いを正確にシミュレートすることが困難であることを示す。 この結果、個人差や長い尾の挙動が失われ、将来の高忠実度シミュレーション研究における重要な方向性が浮き彫りになる。
  論文  参考訳（メタデータ） (2026-04-09T15:26:21Z)
• Agentic Spatio-Temporal Grounding via Collaborative Reasoning [80.83158605034465]
  時間的ビデオグラウンド(Temporal Video Grounding)は、テキストクエリが与えられたビデオ内の対象物または人の時間的チューブを検索することを目的としている。 本稿では,STVGの課題に対して,オープンワールドおよびトレーニングフリーシナリオに向けたエージェント時空間グラウンド(ASTG)フレームワークを提案する。 具体的には、現代多言語モデル(MLLM)を活用した2つの特殊エージェントSRA(Spatial Reasoning Agent)とTRA(Temporal Reasoning Agent)である。 人気のあるベンチマークの実験は、既存の弱教師付きおよびゼロショットアプローチをマージンで上回る提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2026-02-10T10:16:27Z)
• 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)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• PerSim: Data-Efficient Offline Reinforcement Learning with Heterogeneous Agents via Personalized Simulators [19.026312915461553]
  我々はpersimと呼ばれるモデルベースオフライン強化学習(rl)手法を提案する。 まず,各エージェントのパーソナライズされたシミュレータを,政策を学ぶ前に,各エージェントの履歴軌跡をまとめて学習する。 この表現は、エージェントごとの遷移ダイナミクスを効果的に学習するための、単純で正規化されたニューラルネットワークアーキテクチャを示唆している。
  論文  参考訳（メタデータ） (2021-02-13T17:16:41Z)

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。