論文の概要: Fine-tuning LLMs for Tourist Trajectory Prediction using Field Experiment Data

• arxiv url: http://arxiv.org/abs/2608.20830v1
• Date: Fri, 21 Aug 2026 07:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.450145
• Title: Fine-tuning LLMs for Tourist Trajectory Prediction using Field Experiment Data
• Title（参考訳）: フィールド実験データを用いた観光軌道予測のための微調整LDM
• Abstract要約: 大規模言語モデルは、事前訓練から人間の行動に関する常識知識を符号化することで、解決策を提供する。 和歌山城公園の566トラジェクトリを用いて,本手法の有効性を検証した。 我々の微調整したLlama-3.1-8B 49.1%の次POI精度は、雨の日のようなアンサンプされたシナリオで強い性能を達成し、効果的な一般化を実証する。
• 参考スコア（独自算出の注目度）: 5.013248430919224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating mobility interventions at tourist destinations requires predicting visitor behavior under varying conditions. Traditional methods struggle because tourist decisions depend heavily on context like weather and fatigue, yet models cannot generalize to unobserved scenarios. Large Language Models offer a solution by encoding commonsense knowledge about human behavior from pretraining, enabling reasoning about context-dependent decisions, while natural language representation flexibly integrates heterogeneous information. Fine-tuning on local trajectories adapts this general understanding to destination-specific patterns. We validate this approach using 566 trajectories from Wakayama Castle Park, Japan. Our fine-tuned Llama-3.1-8B achieves 49.1% next POI accuracy and maintains strong performance on undersampled scenarios like rainy days, demonstrating effective generalization. This establishes LLMs as high-fidelity behavior models for context-dependent tourist prediction, providing groundwork for counterfactual analysis of mobility interventions.
• Abstract（参考訳）: 観光地におけるモビリティ介入の評価には,様々な条件下での訪問行動の予測が必要である。 伝統的な方法では、観光客の決断は天候や疲労といった文脈に大きく依存するが、モデルは観測されていないシナリオに一般化することはできない。 大規模言語モデルは、事前訓練から人間の行動に関する常識知識を符号化し、文脈に依存した決定の推論を可能にし、自然言語表現は柔軟に異種情報を統合する。 局所軌道の微調整は、この一般的な理解を目的地固有のパターンに適応させる。 和歌山城公園からの566の軌跡を用いて,本手法の有効性を検証した。 我々の微調整したLlama-3.1-8Bは次のPOI精度49.1%を達成し、雨の日のようなアンサンプ化されたシナリオで強い性能を維持し、効果的な一般化を示す。 このことは、LLMを文脈依存観光予測のための高忠実度行動モデルとして確立し、モビリティ介入の対実的分析の基礎となる。

関連論文リスト

• Inference-Time Steering for Cross-Lingual Factual Consistency in LLMs [51.56484100374058]
  大規模言語モデル(LLM)は目覚ましい多言語流布を示すが、その内部知識表現はハイリソース言語に対して不均等に偏っている。 我々は,これらのバイアスを推論時に緩和できるかどうかを考察し,対象言語でクエリされたかのように,英語の確率モデルに答えるように強制する。 Gemma 3 12Bの実験では、最も強い全体的な介入、効率性のバランス、安全性、ドメイン外の一般化を促すペルソナが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-21T16:15:05Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• Zero-Shot Human Mobility Forecasting via Large Language Model with Hierarchical Reasoning [27.096256356447117]
  ZHMFはゼロショット人間の移動予測のためのフレームワークである。 セマンティック強化された検索とリフレクション機構と階層型言語モデルに基づく推論システムを組み合わせる。
  論文  参考訳（メタデータ） (2025-09-20T08:46:38Z)
• Towards Locally Deployable Fine-Tuned Causal Large Language Models for Mode Choice Behaviour [1.8262547855491453]
  LiTransMCは、このタスクのために開発された最初の微調整因果LLMである。 提案した3つの選好データセットに対して,11個のオープンアクセスLDM (1-12Bパラメータ) をベンチマークした。 本稿では,話題モデリングのためのBERTopicを用いたモデル生成推論と,新しい説明力指標を提案する。
  論文  参考訳（メタデータ） (2025-07-29T02:03:37Z)
• Trajectory Prediction Meets Large Language Models: A Survey [50.16439586066638]
  大規模言語モデル(LLM)の最近の進歩は、言語駆動の手法を軌道予測に統合することへの関心が高まっている。 この調査は、この新興分野の包括的概要を提供し、最近の研究を5つの方向に分類する。
  論文  参考訳（メタデータ） (2025-06-03T21:36:56Z)
• A Data Synthesis Method Driven by Large Language Models for Proactive Mining of Implicit User Intentions in Tourism [6.387945824899046]
  観光分野では、Large Language Models (LLM) は観光客の曖昧な問い合わせから暗黙のユーザー意図を掘り下げるのに苦労することが多い。 中国観光サイトから収集したシードデータに基づいて対話をシミュレートするLLM駆動型ユーザエージェントとアシスタントエージェントを構築するSynPTを提案する。
  論文  参考訳（メタデータ） (2025-05-14T02:36:17Z)
• XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
  時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。 伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。 時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
  論文  参考訳（メタデータ） (2024-10-18T05:16:39Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Information Guided Regularization for Fine-tuning Language Models [11.831883526217942]
  我々は、よりスムーズな転写学習のために、より外科的な正規化アプローチが存在する必要があると論じる。 モデル正規化の改善と下流一般化のための新しい手法を考案する。
  論文  参考訳（メタデータ） (2024-06-20T05:18:37Z)
• A deep causal inference model for fully-interpretable travel behaviour analysis [4.378407481656902]
  旅行行動の因果関係を明示的にモデル化するフレームワークである traveL behavIour analysis (CAROLINA) の深部CAusal infeRence mOdel について述べる。 この枠組みでは,人間の行動を予測するためのジェネレーティブ・カウンティカル・モデルを導入する。 本稿では、因果関係の解明、予測精度、政策介入の評価における提案モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T20:06:06Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Large Language Models for Travel Behavior Prediction [8.069026355648049]
  我々は,大規模言語モデルを用いて,データに基づくパラメータ学習を必要とせずに,迅速なエンジニアリングで旅行行動を予測することを提案する。 具体的には,1)タスク記述,2)旅行特性,3)個人属性,および4)ドメイン知識による思考のガイドなど,私たちのプロンプトを慎重に設計する。 その結果、トレーニングサンプルは提供されていないが、LLMに基づく予測は競争精度が高く、F1スコアは標準教師あり学習法であることがわかった。
  論文  参考訳（メタデータ） (2023-11-30T04:35:55Z)

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。