論文の概要: Enhancing Human Mobility Prediction with Spatially Aware LLM-based Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2609.14227v1
• Date: Sun, 13 Sep 2026 01:41:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 12:40:38.824039
• Title: Enhancing Human Mobility Prediction with Spatially Aware LLM-based Multi-Agent Systems
• Title（参考訳）: 空間認識LLMに基づくマルチエージェントシステムによる人体移動予測の強化
• Abstract要約: ユーザの次のPOIを予測することは、人間のモビリティモデリングにおけるタスクである。 本稿では,次のPOI予測を3段階に分解するマルチエージェントフレームワークを提案する。 2つのバックボーンを持つNYCベンチマークデータセットの実験は、ベースラインメソッドよりも改善されている。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting a user's next POI is a task in human mobility modeling, yet LLM-based approaches focus on semantic reasoning from previous mobility records, while neglecting real-world spatial context. However, human mobility is inherently shaped by spatial cognition, including geographic distance and neighborhood context. This issue is further compounded by prior evidence that LLMs often struggle with spatial reasoning tasks, including distance estimation and geographically biased prediction. To address these limitations, we propose our framework, a multi-agent LLM framework that decomposes next-POI prediction into three stages: Firstly, a Pattern Extraction Agent that captures temporal and categorical mobility patterns from trajectory history; Secondly, a Spatial Reasoning Agent that structures candidate activity choices by combining behavioral preferences with real-world spatial constraints, including geographic distance, road network distance, and neighborhood affiliation; and Thirdly, a Decision Synthesis Agent that integrates behavioral patterns and spatial reasoning for final prediction. Experiments on the NYC benchmark dataset with two LLM backbones show improvements over baseline methods, with up to 493% Hit@1 improvement and 37% relative improvement in Hit@5. Ablations show that combining neighborhood affiliation with distance-based features generally outperforms distance-only settings, and that the Spatial Reasoning Agent plays a crucial role in final prediction by integrating behavioral preferences with real-world spatial constraints, especially for smaller models. Overall, the results highlight the importance of spatial reasoning in mobility prediction. Accurate next-POI prediction requires combining behavioral patterns with explicit real-world spatial constraints, and multi-agent decomposition provides an effective structure for organizing these forms of context.
• Abstract（参考訳）: ユーザの次のPOIを予測することは、人間のモビリティモデリングにおけるタスクであるが、LLMベースのアプローチは、現実の空間的コンテキストを無視しながら、以前のモビリティレコードからのセマンティック推論に焦点を当てている。 しかしながら、人間の移動性は、地理的距離や近隣の文脈を含む空間的認知によって本質的に形作られる。 この問題は、LLMが距離推定や地理的に偏りのある予測を含む空間的推論タスクに苦しむという以前の証拠によってさらに複雑化している。 これらの制約に対処するため,我々は,次のPOI予測を分解するマルチエージェントLLMフレームワークを提案する。第1に,時間的・カテゴリー的モビリティパターンをトラジェクティブ履歴から抽出するパターン抽出エージェント,第2に,行動選好と実世界の空間的制約(地理的距離,道路ネットワーク距離,近傍アフィリエイトなど)を組み合わせた空間推論エージェント,第3に,行動パターンと空間的推論を統合した決定合成エージェントである。 2つのLCMバックボーンを備えたNYCベンチマークデータセットの実験では、ベースラインメソッドよりも改善され、最大493%のHit@1の改善と37%のHit@5が相対的に改善された。 アブレーションは,特に小型モデルにおいて,行動選好と実世界の空間的制約を統合することで,空間推論エージェントが最終予測において重要な役割を担っていることを示唆している。 その結果,移動予測における空間的推論の重要性が浮き彫りになった。 正確な次のPOI予測には、行動パターンと明示的な実世界の空間的制約を組み合わせることが必要であり、マルチエージェント分解は、これらの形式のコンテキストを整理するための効果的な構造を提供する。

関連論文リスト

• SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video [88.79625979053873]
  事前学習型視覚言語モデル(VLM)のための新しいフレームワークSpaceEraを提案する。 データ構築、モデル設計、トレーニング最適化、推論の促進にまたがる、SpaceEra++と呼ばれる、オリジナルのフレームワークを包括的なシステムに拡張します。 さらに,空間的推論を強化するために,絶対座標と相対空間関係を協調的に利用することにより,対物制約を強制するSpaceAlignを開発した。
  論文  参考訳（メタデータ） (2026-07-02T06:56:29Z)
• SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
  このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。 本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
  論文  参考訳（メタデータ） (2026-06-11T17:59:36Z)
• TrajGenAgent: A Hierarchical LLM Agent for Human Mobility Trajectory Generation [7.748185086458265]
  大規模な軌跡収集は費用がかかりプライバシーが制限されることが多い。 既存の軌道生成装置は、微粒な推論を欠いているプロンプトエンジニアリングか、軌道レベルの微調整に依存している。 モデルチューニングなしで軌道生成を行う意味認識フレームワークであるTrajGenAgentを提案する。
  論文  参考訳（メタデータ） (2026-06-10T20:32:52Z)
• Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation [8.829656404389178]
  Reasoning Over Space (ROS) は、地理を推論プロセスにおける重要な決定変数として利用するフレームワークである。 ROSは、粗い局所性とPOIセマンティクスを合成トークンに識別する階層的空間意味ID(SID)を導入している。 空間誘導強化学習(Reinforcement Learning, RL)により, 実世界の地理とモデルをさらに整合させる。
  論文  参考訳（メタデータ） (2026-01-08T03:46:03Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• A Synthetic Benchmark for Collaborative 3D Semantic Occupancy Prediction in V2X Autonomous Driving [3.6538681992157604]
  3Dセマンティック占有予測は、自律運転における新たな知覚パラダイムである。 既存の協調認識データセットをCARLAで高分解能なセマンティックボクセルセンサで再生することで拡張する。 本研究では,空間アライメントとアテンションアグリゲーションによるエージェント間特徴融合を行うベースラインモデルを開発した。
  論文  参考訳（メタデータ） (2025-06-20T13:58:10Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• AgentMove: A Large Language Model based Agentic Framework for Zero-shot Next Location Prediction [7.007450097312181]
  本稿では,汎用的な次の位置予測を実現するためのエージェント予測フレームワークであるAgentMoveを紹介する。 AgentMoveでは、まず移動予測タスクを分解し、個々の移動パターンマイニングのための時空間記憶を含む特定のモジュールを設計する。 2つの異なる情報源によるモビリティデータを用いた実験により、AgentMoveは12の指標のうち8つの指標のうち3.33%から8.57%を突破した。
  論文  参考訳（メタデータ） (2024-08-26T02:36:55Z)
• Spatial and social situation-aware transformer-based trajectory prediction of autonomous systems [2.498836880652668]
  エージェントの振る舞いを所定の状況で予測するには、時間内に適切に反応する必要がある。 近年,深層学習に基づくモデルが動き予測の主流となっている。 より長い予測地平線の場合、予測軌道の地平線からの偏差は、空間的・社会的に非依存なモデルに比べて低い。
  論文  参考訳（メタデータ） (2024-06-04T20:36:16Z)
• SSP: Single Shot Future Trajectory Prediction [26.18589883075203]
  我々は,高度に混雑した環境下で自律的なエージェントに適用可能な,将来の軌道予測に対する堅牢な解を提案する。 まず, 複合場を用いて, 全道路エージェントの位置を単発で予測し, 一定の時間で予測する。 第二に、エージェント間の相互作用は非局所的な応答としてモデル化され、異なる場所間の空間的関係を時間的に捉えることができる。 第3に、シーンの意味的コンテキストをモデル化し、将来の動きに影響を与える可能性のある環境制約を考慮に入れます。
  論文  参考訳（メタデータ） (2020-04-13T09:56:38Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。