論文の概要: Embark Now: User Demand Oriented Framework for Multi-day Urban Travel Itinerary Planning

• arxiv url: http://arxiv.org/abs/2607.10651v1
• Date: Sun, 12 Jul 2026 08:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.498311
• Title: Embark Now: User Demand Oriented Framework for Multi-day Urban Travel Itinerary Planning
• Title（参考訳）: Embark Now: 複数日間の都市旅行イテナリープランニングのためのユーザ要求指向フレームワーク
• Abstract要約: 大都市部では、多日間の旅程の計画が困難である。これは、ポイント・オブ・関心(POI)の多さ、多様なユーザの好み、開店時間などの制約があるためである。 本稿では,Large Language Models(LLM)を統合し,ユーザの要求を精度と柔軟性で動的にキャプチャする,革新的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.695552866887384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In large urban areas, planning multi-day travel itineraries is challenging due to the abundance of Points of Interest (POIs), diverse user preferences, and constraints such as opening hours. Effective solutions must dynamically accommodate diverse traveler requirements while optimizing for satisfaction and feasibility within limited computation time. This paper addresses these challenges through introducing an innovative framework that integrates Large Language Models (LLMs) to dynamically capture user requirements with precision and flexibility, and an enhanced Greedy Randomized Adaptive Search Procedure (GRASP) algorithm as a well-suited preference-aware planner to generate feasible multi-day itineraries. The effectiveness of our integrated approach is demonstrated through extensive experiments on two real-world urban datasets from Beijing and Tianjin. Our framework significantly outperforms state-of-the-art (SOTA) methods, improving the average total itinerary score by at least 4.52% and 11.09% across 5,040 user cases with diverse preferences in the two datasets. Furthermore, through end-to-end algorithmic enhancements, it achieves notable average improvements of 17.95% and 26.07% in the computed metrics, while also delivering substantial gains in time efficiency -- realizing average performance increases of 4.64% and 25.55% within shorter computation times compared to suboptimal methods that require multiple iterations. These outcomes underscore our method's superiority in delivering both enhanced itinerary quality and computational efficiency over existing methodologies.
• Abstract（参考訳）: 大都市部では、多日間の旅程の計画が困難である。これは、ポイント・オブ・関心(POI)の多さ、多様なユーザの好み、開店時間などの制約があるためである。 効率的なソリューションは、限られた計算時間内で満足度と実現可能性に最適化しながら、多様なトラベラー要件を動的に適合させなければならない。 本稿では,大規模言語モデル(LLM)を統合し,ユーザの要求を精度と柔軟性で動的に捕捉する革新的なフレームワークを導入することで,これらの課題に対処する。 北京と天津の2つの実世界の都市データセットを対象とした大規模な実験により,統合的アプローチの有効性を実証した。 我々のフレームワークは最先端(SOTA)手法を著しく上回り,2つのデータセットに多彩な嗜好を持つ5,040のユーザに対して,少なくとも4.52%,11.09%の平均反復スコアが向上した。 さらに、エンドツーエンドのアルゴリズム拡張により、計算されたメトリクスの17.95%と26.07%の顕著な平均改善を実現し、同時に時間効率の大幅な向上を実現している。 これらの結果は,既存手法よりも拡張された反復品質と計算効率の両面において,我々の手法の優位性を裏付けるものである。

関連論文リスト

• Spokes: Optimizing for Diverse Pretraining Data Selection [82.66872118512403]
  本稿ではG-Vendiスコアに基づく確率的多様化フレームワークを提案する。 提案手法は, ランダムサンプリングにより得られたサブセットよりも, かなり多様なサブセットを生成する。 我々はFineWebとDCLMのアプローチを評価し、既存の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-13T09:28:46Z)
• APEX: Automated Prompt Engineering eXpert with Dynamic Data Selection [60.504476571531]
  大規模言語モデルは、迅速な定式化に非常に敏感であり、その潜在能力を最大限に活用するためには、自動的なプロンプト最適化が必要である。 現在の手法では、開発データセットを静的なベンチマークとして扱い、非形式的なデータに対するかなりの計算予算を浪費している。 本稿では,APEX(Automatic Prompt Engineering eXpert)について紹介する。
  論文  参考訳（メタデータ） (2026-06-09T21:22:06Z)
• Efficient Controller Learning from Human Preferences and Numerical Data Via Multi-Modal Surrogate Models [1.2526963688768455]
  本稿では,低忠実度数値データと高忠実度人間の嗜好を融合したマルチ忠実・マルチモーダルベイズ最適化フレームワークを提案する。 本稿では,自律走行車の軌道プランナをチューニングすることで,数値データと嗜好データを組み合わせることで,人間の意思決定者による実験の必要性を著しく低減することを示す。
  論文  参考訳（メタデータ） (2026-03-25T10:04:03Z)
• Multimodal Generative Retrieval Model with Staged Pretraining for Food Delivery on Meituan [30.893121144130664]
  食品配送などのシナリオにおいて,マルチモーダル検索モデルの重要性が高まっている。 本稿では,各段階における専門的なタスクに焦点を合わせるための事前学習戦略を提案する。 高次元マルチモーダル埋め込みを圧縮するセマンティックIDをよりよく活用するために、生成的タスクと識別的タスクの両方を設計する。
  論文  参考訳（メタデータ） (2026-02-06T12:29:13Z)
• In-the-Flow Agentic System Optimization for Effective Planning and Tool Use [73.72524040856052]
  AgentFlowはトレーニング可能なインザフローエージェントフレームワークで、進化するメモリを通じて4つのモジュール(プランナ、実行子、検証子、ジェネレータ)をコーディネートする。 Flow-GRPOは、マルチターン最適化をトラクタブルな単一ターンポリシー更新のシーケンスに変換することで、長い水平、スパース・リワードのクレジット割り当てに取り組む。 エージェントフローは7Bスケールのバックボーンで、平均的精度が14.9%、エージェントが14.0%、数学が14.5%、科学的タスクが4.1%でトップパフォーマンスのベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-07T05:32:44Z)
• An Experimental Approach for Running-Time Estimation of Multi-objective Evolutionary Algorithms in Numerical Optimization [16.66619776655723]
  アルゴリズムを使わずにMOEAの走行時間上界を推定する実験手法を提案する。 ZDTおよびDTLZベンチマークスイートを用いて,5つの代表MOEAについて総合的な実験を行った。 その結果,アルゴリズムや問題を単純化することなく,走行時間における上限を推定する手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-07-03T07:06:14Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• World Modeling Makes a Better Planner: Dual Preference Optimization for Embodied Task Planning [60.100794160682646]
  そこで本稿では,嗜好学習による状態予測と行動選択を協調的に最適化する新たな学習フレームワークを提案する。 人間のアノテーションを使わずに軌道や段階的な選好データを自動的に収集するために,試行錯誤による広範囲な探索のための木探索機構を導入する。 提案手法は,Qwen2-VL (7B), LLaVA-1.6 (7B), LLaMA-3.2 (11B) に適用した場合, 既存の手法と GPT-4o を著しく上回っている。
  論文  参考訳（メタデータ） (2025-03-13T15:49:56Z)
• Optimizing Travel Itineraries with AI Algorithms in a Microservices Architecture: Balancing Cost, Time, Preferences, and Sustainability [1.03590082373586]
  この研究の目的は、アーキテクチャにおけるAIアルゴリズムの実装が、コスト、時間、ユーザの好み、環境の持続可能性によって、旅行イテナリーをどのように強化するかである。 コスト予測とパーソナライゼーションの両方に機械学習モデル、イテレーションの最適化のための遺伝的アルゴリズム、持続可能性チェックのためのイテレーションを使用する。 実験の結果,1000人の同時ユーザに対して平均4.5秒の応答時間,92%のユーザの選好精度が確認された。
  論文  参考訳（メタデータ） (2024-10-23T15:15:56Z)
• Break a Lag: Triple Exponential Moving Average for Enhanced Optimization [2.0199251985015434]
  本稿では,三重指数移動平均のパワーを利用する新しい最適化手法であるFAMEを紹介する。 FAMEはデータダイナミクスに対する応答性を高め、トレンド識別ラグを緩和し、学習効率を最適化する。 包括的評価は、画像分類、オブジェクト検出、セマンティックセグメンテーションを含む様々なコンピュータビジョンタスクを含み、FAMEを30の異なるアーキテクチャに統合する。
  論文  参考訳（メタデータ） (2023-06-02T10:29:33Z)
• Optimizing Coordinative Schedules for Tanker Terminals: An Intelligent Large Spatial-Temporal Data-Driven Approach -- Part 1 [4.181498820782148]
  提案手法は,カーネルとして拡張粒子群最適化 (ePSO) と,グローバルな最適探索として拡張ファイアフライアルゴリズム (AFA) から構成される。 実験の結果,両手法がポート効率を効果的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-04-08T07:56:32Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)

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。