論文の概要: Spatial-Knowledge-Graph-Grounded LLM Agents for Neighborhood Livability Evaluation
- arxiv url: http://arxiv.org/abs/2608.25952v2
- Date: Sat, 29 Aug 2026 14:12:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 13:34:07.678879
- Title: Spatial-Knowledge-Graph-Grounded LLM Agents for Neighborhood Livability Evaluation
- Title（参考訳）: 空間知識グラフを取り囲むLLMエージェントの近傍可視性評価への応用
- Abstract要約: 近隣の居住性は、施設近接、道路接続、公共空間へのアクセスといった静的な環境指標で評価されることが多い。
本稿では,空間知識グラフ(KG)と大規模言語モデル(LLM)を用いて家庭スケジュールを生成するプロトタイプフレームワークを提案する。
このフレームワークは、空間的機会、家庭活動の制約、居住者固有の自由度解釈を接続するための監査可能な手段を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neighborhood livability is commonly assessed with static built-environment indicators, such as facility proximity, street connectivity, and access to public space. These measures describe available opportunities but do not directly represent how residents with different mobility capacities, household roles, schedules, and care responsibilities experience the neighborhood. This paper presents a prototype framework that uses a spatial knowledge graph (KG) and large language models (LLMs) to generate and revise household schedules, followed by rule-based feasibility checking and GIS-based network materialization. The spatial KG integrates residents, residences, facilities, neighborhood context, and sampled road hubs; Graph-RAG retrieves each household's nearby spatial context, including candidate POIs and approximate walking times, for the scheduling LLM. The LLM produces structured household schedules, while rules are used for lightweight repairs and auditable feasibility checks. The LLM then revises schedules in response to identified feasibility issues. A routing module derives the actual travel paths, travel times, modes, and event histories from the road network. The resulting events support synthetic resident-agent interviews about daily convenience, travel burden, activity feasibility, and household coordination. A prototype demonstration in a Shenzhen neighborhood shows that nominal facility availability does not necessarily imply convenient access: residents with limited mobility and households with care responsibilities experience greater travel and coordination burdens. The framework offers an auditable way to connect spatial opportunity, household activity constraints, and resident-specific livability interpretation, while keeping simulated experience distinct from observed perception.
- Abstract（参考訳）: 近隣の居住性は、施設近接、道路接続、公共空間へのアクセスといった静的な環境指標で評価されることが多い。
これらの措置は、利用可能な機会を記述しているが、異なる移動能力を持つ住民、家庭の役割、スケジュール、介護責任をどう経験するかを直接表現していない。
本稿では,空間知識グラフ(KG)と大規模言語モデル(LLM)を用いて家庭スケジュールの生成と修正を行うプロトタイプフレームワークを提案する。
空間KGは、居住地、居住地、施設、地区コンテキスト、サンプル道路ハブを統合し、グラフRAGは、スケジューリングLLMのために、候補POIや近似歩行時間を含む各世帯の近傍空間コンテキストを検索する。
LLMは構成された家庭スケジュールを生成し、ルールは軽量な修理と監査可能な実行可能性チェックに使用される。
LLMは、特定可能な問題に対応するためにスケジュールを改訂する。
ルーティングモジュールは、実際の旅行経路、旅行時間、モード、およびイベント履歴を道路ネットワークから導き出す。
結果として得られたイベントは、日常生活の利便性、旅行負担、活動の実現可能性、家事調整に関する総合的な住民・エージェントのインタビューをサポートする。
深セン地区におけるプロトタイプのデモでは、名目上の施設の可用性が必ずしも便利なアクセスを意図していないことが示されている。
このフレームワークは、空間的機会、家庭内活動の制約、居住者固有の自由度解釈を接続し、観察された知覚とは異なるシミュレーション体験を維持するための監査可能な手段を提供する。
関連論文リスト
- UrbanGround: From Local Perception to Spatial Agency in a Real-Scale City [63.28750191463138]
マルチモーダル大言語モデル(MLLM)はストリートビューを解釈できるが、都市局はエージェントが移動し始めると、そのような局所的な証拠が有用かどうかに依存している。
本研究では,現在のMLLMエージェントが,複雑な都市における都市認識を信頼性のある行動に変換する方法について検討する。
そこで本研究では,香港の3次元地理空間データから構築した物理的に制約されたレプリカで,この問題を検証可能な最初のサンドボックスであるUrbanGroundを提案する。
論文 参考訳（メタデータ） (2026-08-27T17:59:33Z) - Simulating the Resident: Generating Executable Smart Home Schedules via LLM Personas [1.1666234644810893]
シミュレーションされたスマートホームと対話する多様な個人をLCMを用いて生成することを提案する。
本研究では,(1)5つの社会技術次元にまたがる模擬世帯構成の枠組み,(2)構造化された実行可能なデバイスインタラクションスケジュールを生成する多段階LCMパイプライン,(3)実現可能性を示す概念実証について述べる。
進行中の作業として、私たちは、侵入的な現実世界のデータ収集に頼ることなく、スケーラブルでプライバシを重視したスマートホームの実験をサポートすることを目指しています。
論文 参考訳（メタデータ） (2026-07-09T08:26:50Z) - The Geography of Algorithmic Judgment: LLM Intermediaries, Place Identity, and Racial Steering in Housing Search [0.0]
大規模言語モデル (LLM) は, 住宅検索における中間的役割を急速に担っている。
我々は、米国の4都市で7つのオープンウェイトおよびクローズドソースのLCMの行動監査を行います。
ステアリングは、主に静的プロパティではなく、モデルの解釈ライセンスの創発的な振る舞いであることがわかった。
論文 参考訳（メタデータ） (2026-06-04T20:17:58Z) - Privacy-Preserving Synthetic Dataset of Individual Daily Trajectories for City-Scale Mobility Analytics [0.0]
本研究では,集約された入力から日々の軌跡を再構築するプライバシー目的の総合モビリティデータセットを提案する。
提案手法は日本の2つのコントラスト地域で検証されている。
論文 参考訳（メタデータ） (2025-12-19T04:59:41Z) - AskNearby: An LLM-Based Application for Neighborhood Information Retrieval and Personalized Cognitive-Map Recommendations [17.591012444861786]
15分の街」は、徒歩や自転車で日々の需要に応えられる地区を構想している。このビジョンを実現するには、物理的な近接だけでなく、近隣の場所、サービス、イベントに関する情報への効率よく信頼性の高いアクセスが必要である。
我々はこのギャップをLLIA(Local Life Information Accessibility)問題として概念化し、AIによるコミュニティアプリケーションであるAskNearbyを紹介した。
論文 参考訳（メタデータ） (2025-12-02T07:47:31Z) - FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。
このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
論文 参考訳（メタデータ） (2025-07-10T11:16:48Z) - Can LLMs Learn to Map the World from Local Descriptions? [50.490593949836146]
本研究では,Large Language Models (LLMs) がコヒーレントなグローバル空間認識を構築できるかどうかを検討する。
都市環境を模擬した実験により, LLMは実空間分布に一致した潜在表現を示すことを示した。
論文 参考訳（メタデータ） (2025-05-27T08:22:58Z) - Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。
LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。
それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
論文 参考訳（メタデータ） (2025-03-27T11:56:27Z) - Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。
トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
論文 参考訳（メタデータ） (2025-03-10T13:39:09Z) - Urban Mobility Assessment Using LLMs [19.591156495742922]
本研究は,大規模言語モデル(LLM)を推進し,旅行調査を合成する,革新的なAIベースのアプローチを提案する。
本研究は, 異なるレベルの既存調査データと比較し, 全米各都市圏におけるこのアプローチの有効性について検討した。
論文 参考訳（メタデータ） (2024-08-22T19:17:33Z) - 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。