論文の概要: When Plausible Is Not Realistic: Evaluating Human Mobility in LLM-Based Urban Simulation

• arxiv url: http://arxiv.org/abs/2606.13835v1
• Date: Thu, 11 Jun 2026 19:03:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.59105
• Title: When Plausible Is Not Realistic: Evaluating Human Mobility in LLM-Based Urban Simulation
• Title（参考訳）: 可塑性が現実的でないとき--LLMを用いた都市シミュレーションにおける人間の移動性の評価
• Authors: Gustavo H. Santos, Aline Carneiro Viana, Thiago H. Silva,
• Abstract要約: 本研究では,実世界のデータに対する都市シミュレータ生成エージェントの移動性を評価するための検証フレームワークを提案する。 分析の結果,物語の可視性と経験的モビリティ・リアリズムとの間には大きなギャップがあることが判明した。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based generative agents are increasingly used in urban simulators, yet it remains unclear whether they reproduce empirically realistic human mobility patterns or merely generate plausible mobility narratives. We introduce a validation framework for evaluating the mobility of generative agents of LLM-based urban simulators against real-world mobility data. For this, we use mobility laws, temporal rhythms, network motifs, semantic activity transitions, and behavioral mobility profiles. Using datasets from the Greater Paris region and Shanghai, we evaluate AgentSociety and CitySim across multiple dimensions of mobility realism. Our analysis reveals a substantial gap between narrative plausibility and empirical mobility realism. Although the simulators capture some high-level semantic activity distributions, they struggle to reproduce core spatial and temporal constraints, including realistic trip-length distributions, origin-destination flows, dwell times, and transition dynamics. We further observe that realistic mobility diversity is unstable across default prompting configurations and may require explicit profile-aware initialization. To support reproducible evaluation, we also contribute scalable and open LLM-driven infrastructure for regional-scale map generation, observability-enhanced simulation, mobility-metric computation, and traffic simulation. Our findings highlight the need for rigorous empirical validation of LLM-based urban simulators and provide practical tools for building more realistic and reproducible urban simulation systems.
• Abstract（参考訳）: LLMをベースとした生成剤は、都市シミュレーターでの利用が増えているが、実証的に現実的な人間の移動パターンを再現するか、あるいは単に可塑性な移動物語を生成するだけなのかは不明だ。 実世界の移動データに対して, LLMをベースとした都市シミュレータの再生エージェントの移動性を評価するための検証フレームワークを提案する。 そこで我々は,モビリティ法則,時間リズム,ネットワークモチーフ,セマンティック・アクティビティ・トランジション,行動モビリティ・プロファイルを利用する。 大パリ地域と上海のデータセットを用いて,移動リアリズムの多次元にわたってエージェントソシエティとシティシムを評価した。 分析の結果,物語の可視性と経験的モビリティ・リアリズムとの間には大きなギャップがあることが判明した。 シミュレータはいくつかの高レベルな意味的活動分布をキャプチャするが、現実的な旅行時間分布、原点決定フロー、居住時間、遷移ダイナミクスなど、中核的な空間的および時間的制約の再現に苦慮している。 さらに、現実的なモビリティの多様性はデフォルトでは不安定であり、明示的なプロファイル認識初期化を必要とする可能性があることを観察する。 また,再現性評価を支援するため,地域規模の地図生成,可観測性向上型シミュレーション,モビリティ・メトリック・計算,交通シミュレーションのためのスケーラブルでオープンなLCM駆動のインフラの構築にも貢献する。 本研究は, LLMを用いた都市シミュレータの厳密な検証の必要性を強調し, より現実的で再現可能な都市シミュレーションシステムを構築するための実用的なツールを提供する。

関連論文リスト

• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Incorporating LLMs for Large-Scale Urban Complex Mobility Simulation [0.04517077427559345]
  本研究では,大規模言語モデル(LLM)とエージェントベースモデリング(ABM)を統合した都市モビリティシミュレーションの革新的アプローチを提案する。 従来のルールベースのABMとは異なり、提案フレームワークはLSMを利用してエージェントの多様性とリアリズムを高める。 実世界のデータを用いて,台北市の個人行動と大規模移動パターンをモデル化した。
  論文  参考訳（メタデータ） (2025-05-28T01:54:28Z)
• 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)
• TrajLLM: A Modular LLM-Enhanced Agent-Based Framework for Realistic Human Trajectory Simulation [3.8106509573548286]
  この作業は、Large Language Models(LLM)を活用して人間のモビリティをシミュレートし、従来のモデルにおける高コストやプライバシの問題に対処する。 我々の階層的枠組みは、実世界の人口統計と心理データを用いて、ペルソナ生成、活動選択、目的地予測を統合している。
  論文  参考訳（メタデータ） (2025-02-26T00:13:26Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• 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)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。