論文の概要: Can Compact Open-Weight Large Language Models Recover Mobility Events from Incomplete Trajectories? A Controlled Evaluation Using Air Trips

• arxiv url: http://arxiv.org/abs/2610.24266v1
• Date: Fri, 16 Oct 2026 21:49:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:41:13.979702
• Title: Can Compact Open-Weight Large Language Models Recover Mobility Events from Incomplete Trajectories? A Controlled Evaluation Using Air Trips
• Title（参考訳）: 小型オープンウェイト大言語モデルによる不完全軌道からの移動事象の除去 : エアトリップによる制御評価
• Abstract要約: 本研究では,コンパクトでローカルに展開された大規模言語モデルが,不完全軌跡から欠落した移動情報を復元できるかどうかを評価する。 30回の高信頼飛行は3つの不完全な軌道状態に変換された。 4つのプロンプト変種と2つのLLMが720の要求を発生させ、それぞれが2段階の手順を使用して飛行遷移セグメントを識別した。
• 参考スコア（独自算出の注目度）: 2.707154152696381
• License:
• Abstract: Incomplete mobility trajectories can obscure the observations needed to identify important travel events and their endpoints. This study evaluates whether compact, locally deployed large language models (LLMs) can recover missing mobility information from incomplete trajectories, using high-confidence air trips as a controlled test case, and whether more explicit prompts can compensate for the loss of endpoint evidence. Using nationwide location-based services (LBS) data from the United States in January 2022 and airport reference data, thirty high-confidence air trips were converted into three incomplete-trajectory conditions by removing observations near the origin airport, the destination airport, or both. Four prompt variants and two LLMs generated 720 requests, each using a two-stage procedure to identify the flight transition segment and then select the origin and destination airports. Exact transition accuracy is 9.2%, while origin and destination accuracy are 31.4% and 10.7%, respectively. Only 1.9% of requests recover both the rule-identified transition and the reference airport pair. The most explicit prompt produced the highest observed exact transition and exact airport-pair recovery rates. The study introduces a controlled endpoint-removal framework for evaluating recovery of discrete mobility events from incomplete trajectories, allowing failures to be examined by inference stage and helping analysts decide whether recovered information should be retained, independently verified, or left unresolved.
• Abstract（参考訳）: 不完全な移動軌道は、重要な旅行イベントとその終点を特定するために必要な観測を曖昧にすることができる。 本研究は,コンパクトで局所展開された大規模言語モデル (LLM) が不完全軌跡から欠落したモビリティ情報を復元できるかどうか,高信頼の航空旅行を制御されたテストケースとして利用し,より明示的なプロンプトが終端証拠の喪失を補うことができるかを評価する。 2022年1月にアメリカ合衆国から全国の位置情報サービス(LBS)データと空港基準データを用いて、30回の高信頼の航空旅行を、原空港、目的地空港、またはその両方の近くでの観測を取り除き、3つの不完全な軌道状態に転換した。 4つのプロンプト変種と2つのLLMが720の要求を発生させ、それぞれが2段階の手順で飛行遷移セグメントを特定し、発着地と目的地の空港を選択する。 正確な遷移精度は9.2%であり、起源と目的地の精度はそれぞれ31.4%と10.7%である。 要求の1.9%のみが、ルールの特定された移行と参照空港のペアの両方を回復する。 最も明白なプロンプトは、観測された最も正確な移行と空港とペアの回収率を生み出した。 本研究では,不完全軌跡からの離散的移動事象の回復を評価するための制御された終端除去フレームワークを提案する。

関連論文リスト

• A Two-Stage Hybrid Framework for Inferring Air Trips from Mobile Location-based Service (LBS) Data under Incomplete Airport Sightings [2.707154152696381]
  本研究は、空港の視認下での大規模LBSデータから米国国内空路を推定するための2段階の枠組みを開発する。 T-100 Domestic Segment route benchmarks and a Stage 1 pseudo-ground-truth reference set。
  論文  参考訳（メタデータ） (2026-10-17T01:33:36Z)
• Failure Recovery via Belief Updates and World Modeling for Long-Horizon Agents [58.51369178880458]
  ロングホライゾンのエージェントは、何歩か前に発生した障害から回復するのに苦労することが多い。 本報告では, 検証試験における持続的証拠と, 補修方向に対する予測的推論を組み合わせた枠組みであるBELIEFWEAVERを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T10:05:06Z)
• Right Answers, Wrong States: Hidden Information Failures in Multi-Agent Collaboration [69.14904049421806]
  共同作業は、即時決定が正しい場合でも、腐敗した情報状態に置き去りにすることができる。 GPT、Gemini、Qwenモデル全体では、標準的なコラボレーションは、状態の信頼性よりもはるかに強力なタスクパフォーマンスを示している。 我々は、矛盾する証拠を解決し、共有された事実を検証し、信頼された国家を再構築するReGroundを紹介します。
  論文  参考訳（メタデータ） (2026-10-01T07:42:27Z)
• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• Map the Possibilities: Spatial Belief Fields for Language-Goal Aerial Navigation [49.03955946482723]
  SBFNavは、言語条件付き空間的信念場を中心としたクローズドループナビゲーションフレームワークである。 主に観測されたことを記録しているエゴ中心の地図とは異なり、SBFレポジトリ-はタスク条件付き分布を可視な目標位置上で再送する。 SBFNavは、制御のためのメットリックなウェイポイントとして、命令と観察に最も適したゴールを選択する。
  論文  参考訳（メタデータ） (2026-09-05T03:11:01Z)
• An Empirical Evaluation of Cross-City POI Recommendation on a Large-Scale Benchmark [55.73054722370559]
  都市横断点(POI)勧告は、慣れない都市環境をナビゲートするために重要である。 小さいベンチマークで得られた結論が、まだ世界規模でカバーされているか、住宅先が低いか、大きな意味的にリッチなPOI在庫が重複しているかを再検討する。
  論文  参考訳（メタデータ） (2026-08-28T02:16:33Z)
• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• Data-Driven Runway and Taxiway Exits Prediction of Landing Aircraft: A Case Study at Hartsfield-Jackson Atlanta International Airport [1.2674530639112407]
  本研究は、ハーツフィールド・ジャクソン・アトランタ国際空港(KATL)の入港決定について検討する。 コントローラワークフローを反映する2段階のデータ駆動型意思決定支援を提案する。
  論文  参考訳（メタデータ） (2026-06-09T15:55:55Z)
• Amelia: A Large Dataset and Benchmark for Airport Surface Movement Forecasting [12.293557786020427]
  米国では、空港の管制塔の90%以上が不足しており、FAA(連邦航空局)や労働組合の基準に満たされていない。 アメリア42(Amelia-42)は、アメリカ連邦航空局(FAA)のシステムワイド・インフォメーション・マネジメント(SWIM)プログラム(英語版)を通じて流される、空港表面の移動に関する報告の収集である。 空港あたり15日間のサンプルであるAmelia42-Miniをリリースしました。
  論文  参考訳（メタデータ） (2024-07-30T20:50:48Z)
• Deep Reinforcement Learning for Real-Time Ground Delay Program Revision and Corresponding Flight Delay Assignments [24.09560293826079]
  地上遅延プログラム(英語: Ground Delay Programs, GDP)は、航空交通管理(ATM)において、空港における容量の調整と不一致の要求に使用される一般的な交通管理イニシアチブである。 動作クローン(BC)と保守的Qラーニング(CQL)という2つのRLモデルを開発した。 これらのモデルは、地上および空中遅延と終端領域の混雑を統合した洗練された報酬関数を利用することで、GDP効率を向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-05-14T03:48:45Z)

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。