論文の概要: CityBehavEx: A Scalable and Empirically Validated LLM-Assisted Urban Simulation Platform

• arxiv url: http://arxiv.org/abs/2607.12086v1
• Date: Mon, 13 Jul 2026 19:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.938117
• Title: CityBehavEx: A Scalable and Empirically Validated LLM-Assisted Urban Simulation Platform
• Title（参考訳）: CityBehavEx: スケーラブルで実証的なLLM支援都市シミュレーションプラットフォーム
• Abstract要約: 本稿では,都市規模に規模を拡大するLLM支援型都市シミュレーションプラットフォームであるCityBehavExを紹介する。 CityBehavExは、エージェントアクションごとに大きな言語モデルを呼び出す代わりに、確立した人間のモビリティモデルと微調整のクロスエンコーダを組み合わせる。 この設計は大規模なシミュレーションを可能にし、75日間に10,000人のエージェントが1つのコンシューマGPU上で1時間以下で実行されたケーススタディで示されている。
• 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: Recent LLM-based multi-agent urban simulators can generate semantically rich city routines, but they remain costly to scale and are often weakly validated against empirical mobility patterns. We present CityBehavEx, an interactive LLM-assisted urban simulation platform that scales to city-size populations, exposes agent behavior for inspection, supports empirical validation, and generates mobility patterns that better match real-world spatial, temporal, and semantic distributions. Instead of invoking large language models for every agent action, CityBehavEx combines established human mobility models with fine-tuned cross-encoders that estimate semantic alignment between agent profiles, schedules, and activity transitions. This design enables large-scale simulations, as demonstrated in a case study of 100,000 agents over 75 days in under one hour on a single consumer GPU. The platform allows users to define simulation regions, launch experiments, inspect trajectories and activity traces, debug unrealistic behaviors, and validate generated routines against real-world mobility, time-use, and semantic metrics.
• Abstract（参考訳）: 近年のLLMベースのマルチエージェント都市シミュレーターは意味的に豊かな都市ルーチンを生成することができるが、スケールするにはコストがかかり、しばしば経験的モビリティーパターンに対して弱い検証がなされている。 都市規模の人口に拡大し、エージェントの動作を検査し、実証検証をサポートし、現実世界の空間的、時間的、意味的な分布によくマッチする移動パターンを生成できる、インタラクティブなLCM支援都市シミュレーションプラットフォームであるCityBehavExを紹介した。 CityBehavExは、エージェントアクションごとに大きな言語モデルを呼び出す代わりに、確立した人間のモビリティモデルと、エージェントプロファイル、スケジュール、アクティビティトランジション間のセマンティックアライメントを推定する微調整のクロスエンコーダを組み合わせる。 この設計は大規模なシミュレーションを可能にし、75日間に10,000人のエージェントが1つのコンシューマGPU上で1時間以下で実行されたケーススタディで示されている。 このプラットフォームでは、シミュレーションリージョンの定義、実験のローンチ、トラジェクトリとアクティビティトレースの検査、非現実的な振る舞いのデバッグ、実世界のモビリティ、タイムユース、セマンティックメトリクスに対する生成されたルーチンの検証が可能になる。

関連論文リスト

• When Plausible Is Not Realistic: Evaluating Human Mobility in LLM-Based Urban Simulation [1.7205106391379026]
  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。
  論文  参考訳（メタデータ） (2026-06-11T19:03:52Z)
• Mind the Sim2Real Gap in User Simulation for Agentic Tasks [101.69142591891234]
  ユーザシミュレーションにおけるSim2Realのギャップを形式化し、実際の人間に対して$$$-benchプロトコルを実行する最初の研究を示す。 LLMシミュレータは過度に協調的であり、スタイリスティックに均一であり、現実的なフラストレーションや曖昧さを欠いている。 これらの知見は, LLMベースのユーザシミュレータをエージェント開発サイクルで使用する際の人間による検証の重要性を強調した。
  論文  参考訳（メタデータ） (2026-03-11T19:12:31Z)
• CitySim: Modeling Urban Behaviors and City Dynamics with Large-Scale LLM-Driven Agent Simulation [1.2430809884830318]
  我々は都市シミュレーター(CitySim)を構想し、大規模言語モデルで示す人間レベルのインテリジェンスにおけるブレークスルーを生かした。 CitySimでは、必須活動、個人の習慣、状況要因のバランスをとる価値駆動アプローチを使用して、エージェントが現実的な日々のスケジュールを生成する。 CitySimは、マイクロレベルとマクロレベルの両方において、以前の作業よりも実際の人間と密接な関係を示す。
  論文  参考訳（メタデータ） (2025-06-26T23:11:42Z)
• 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)
• OpenCity: A Scalable Platform to Simulate Urban Activities with Massive LLM Agents [10.919679349212426]
  大規模言語モデル(LLM)は、前例のないリアリズムで都市活動をシミュレートできるLLMエージェントの開発につながっている。 システムと迅速な効率の両方に最適化されたスケーラブルなシミュレーションプラットフォームであるOpenCityを提案する。 OpenCityは、エージェント毎の600倍のシミュレーション時間、LLM要求の70%の削減、トークン使用の50%の削減を実現している。
  論文  参考訳（メタデータ） (2024-10-11T13:52:35Z)
• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• 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)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。