論文の概要: From Causal Discovery to Implementation: An Agentic AI Framework for E-Scooter Mobility Hub Planning Across 29 German Cities
- arxiv url: http://arxiv.org/abs/2606.25484v1
- Date: Wed, 24 Jun 2026 07:13:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.255032
- Title: From Causal Discovery to Implementation: An Agentic AI Framework for E-Scooter Mobility Hub Planning Across 29 German Cities
- Title（参考訳）: 因果発見から実装へ:29のドイツ都市にまたがるE-Scooter Mobility Hub計画のためのエージェントAIフレームワーク
- Abstract要約: 本稿では,ドイツ29都市の公共GBFSデータからCausalテンプレートライブラリを構築する3段階のエージェントAIフレームワークを提案する。
このライブラリ上に構築されたプランニングツールは、候補サイトをスコアし、インフラのレコメンデーションを校正し、実践者対応のレポートを生成する。
ドイツのハイルブロンでは、このフレームワークの因果的証拠によって知らせられた2つのハブサイトが現在建設中である。
- 参考スコア（独自算出の注目度）: 6.945003087338502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing approaches to e-scooter mobility hub planning lack city-type-specific causal evidence. Demand models are typically correlational, built on proprietary trip data, and do not distinguish how driver profiles vary across urban typologies. This paper presents a three-phase agentic AI framework that constructs a Causal Template Library from public GBFS data across 29 German cities, encoding which environmental features causally drive hotspot demand for each combination of city type (large, university, industrial, hilly) and cluster type (core, peripheral). A large language model (LLM) orchestrated causal discovery pipeline adapts algorithm selection to local data conditions across 57 city-cluster units. The library reveals systematic variation. Core demand is driven by activity access and transit proximity, while peripheral demand responds to built form, with city-type-specific patterns supporting transferable siting templates. A planning tool built on the library scores candidate sites, calibrates infrastructure recommendations to local demographics, and generates practitioner-ready reports. In Heilbronn, Germany, two hub sites informed by the framework's causal evidence are currently under construction, illustrating how the outputs can support real-world siting decisions.
- Abstract（参考訳）: 既存のe-scooterモビリティハブ計画へのアプローチには、都市特有の因果的証拠が欠如している。
需要モデルは典型的には相関性があり、プロプライエタリな旅行データに基づいて構築される。
本稿では,ドイツ29都市にまたがる公共GBFSデータからCausal Template Libraryを構築する3段階のエージェントAIフレームワークを提案する。
因果探索パイプラインを編成した大規模言語モデル(LLM)は、57の都市クラスタユニットにわたるローカルデータ条件にアルゴリズムの選択を適用する。
その図書館は体系的な変化を明らかにしている。
中心的需要はアクティビティアクセスとトランジション近接によって駆動されるが、周辺需要は構築された形式に対応し、移動可能なシットテンプレートをサポートする都市型固有のパターンをサポートする。
図書館上に構築されたプランニングツールは、候補者のサイトをスコアし、地域の人口統計にインフラの推薦を校正し、実践者対応のレポートを生成する。
ドイツのハイルブロンでは、このフレームワークの因果的証拠によって知らされた2つのハブサイトが現在建設中であり、アウトプットが現実世界のシット決定をどのようにサポートするかを示している。
関連論文リスト
- Mapping the City Through the Lens of Language Models [5.705725225868815]
10個のオープンウェイトチェックポイントは、実際の都市中心部から派生した匿名化プロファイルである。
この枠組みは、モデルが普通の都市を実証的に追跡できるとみなすものについて、さほど曖昧な概念を定めている。
論文 参考訳（メタデータ） (2026-08-04T00:09:08Z) - teLLMe Why (Ain't Nothing but a Jam): Exploratory Causal Analysis of Urban Driving Data [4.752320786395666]
teLLMeは都市運転データセットの探索因果解析システムである。
因果構造学習をPCアルゴリズム、ブートストラップに基づく安定性チェック、クエリ固有の効果推定と組み合わせる。
天気、ピーク時間、交通密度に関する妥当な関係を表面化し、不確実性やモデリングの選択を明確にする。
論文 参考訳（メタデータ） (2026-07-16T17:49:28Z) - Similarity-Based Bike Station Expansion via Hybrid Denoising Autoencoders [4.124673918483511]
本研究は、既存の駅のパターンを利用して拡張決定を通知する必要性に対処する。
運用メトリクスによって望ましいと考えられる既存の局を利用するデータ駆動フレームワークを提案する。
本稿では,表現学習が生の特徴が欠落する複雑なパターンを捕捉し,エビデンスに基づく拡張計画を実現する方法を示す。
論文 参考訳（メタデータ） (2026-04-17T07:40:54Z) - HetroD: A High-Fidelity Drone Dataset and Benchmark for Autonomous Driving in Heterogeneous Traffic [49.31491001465465]
HetroDは、異種環境で自律走行システムを開発するためのデータセットとベンチマークである。
HetroDは、VRU(vulner- able road users)が支配する現実の異種交通のナビゲーティングにおける重要な課題をターゲットにしている。
論文 参考訳（メタデータ） (2026-02-03T12:12:47Z) - VecCity: A Taxonomy-guided Library for Map Entity Representation Learning [48.73446321300362]
マップエンティティ表現学習(MapRL)は、汎用的で再利用可能なデータ表現を生成する。
本稿では,エンコーダや事前学習タスク,下流タスクなどの機能的モジュールモデルに基づいてモデルを編成するMapRLの新しい分類法を提案する。
本稿では, コード化, 事前学習, 微調整, 評価のための, 使いやすいインタフェースを提供する分類学駆動型ライブラリであるVecCityを提案する。
論文 参考訳（メタデータ） (2024-10-31T07:03:46Z) - Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
通勤フロー予測は、現実の自治体の業務に欠かせない課題である。
我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。
提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-08-27T03:30:01Z) - Learning to Plan and Generate Text with Citations [69.56850173097116]
提案手法は, テキストの忠実性, 接地性, 制御性を向上させるために最近実証されたプランベースモデルの帰属性について検討する。
本稿では,異なるブループリントの変種を利用する帰属モデルと,質問をゼロから生成する抽象モデルと,質問を入力からコピーする抽出モデルを提案する。
論文 参考訳（メタデータ） (2024-04-04T11:27:54Z) - LibCity: A Unified Library Towards Efficient and Comprehensive Urban
Spatial-Temporal Prediction [74.08181247675095]
既存の分野には、さまざまなフォーマットで使用が難しいオープンソースデータなど、制限がある。
我々は、研究者に信頼性のある実験ツールと便利な開発フレームワークを提供するオープンソースライブラリ、LibCityを提案する。
論文 参考訳（メタデータ） (2023-04-27T17:19:26Z) - IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。
インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。
我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
論文 参考訳（メタデータ） (2022-10-23T23:03:17Z) - Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。
コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
論文 参考訳（メタデータ） (2022-09-19T05:06:57Z) - K-Prototype Segmentation Analysis on Large-scale Ridesourcing Trip Data [0.0]
本研究は、シカゴの公共配車データのシティアルゴリズムを用いて、モビリティの出現パターンについて検討する。
目的は、配車サービスのパトロンの体系的なバリエーションを調べることである。
悪天候条件に関する重要な相違点から,6種類の配車プロトタイプを同定し,検討した。
論文 参考訳（メタデータ） (2020-06-24T17:53:26Z)
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。