Large Language Models as Urban Residents: An LLM Agent Framework for Personal Mobility Generation

要約

この論文では、柔軟かつ効率的なパーソナル モビリティ生成のためにエージェント フレームワークに統合されたラージ言語モデル (LLM) を使用する新しいアプローチを紹介します。
LLM は、セマンティック データを効率的に処理し、さまざまなタスクをモデル化する際の汎用性を提供することで、以前のモデルの制限を克服します。
私たちのアプローチは、LLM を現実世界の都市モビリティ データと連携させるという重要なニーズに対処し、LLM と豊富なアクティビティ データの連携、信頼性の高いアクティビティ生成戦略の開発、都市モビリティにおける LLM アプリケーションの探索という 3 つの研究課題に焦点を当てています。
主要な技術的貢献は、LLM を現実世界のアクティビティ データと整合させるための自己一貫性アプローチや、解釈可能なアクティビティ生成のための検索拡張戦略など、個人のアクティビティ パターンと動機を考慮した新しい LLM エージェント フレームワークです。
実験研究では、実世界のデータを使用して包括的な検証が実行されます。
この研究は、現実世界の人間の活動データに基づいて活動を生成するための LLM エージェント フレームワークを設計する先駆的な研究であり、都市モビリティ分析に有望なツールを提供します。

要約(オリジナル)

This paper introduces a novel approach using Large Language Models (LLMs) integrated into an agent framework for flexible and efficient personal mobility generation. LLMs overcome the limitations of previous models by efficiently processing semantic data and offering versatility in modeling various tasks. Our approach addresses the critical need to align LLMs with real-world urban mobility data, focusing on three research questions: aligning LLMs with rich activity data, developing reliable activity generation strategies, and exploring LLM applications in urban mobility. The key technical contribution is a novel LLM agent framework that accounts for individual activity patterns and motivations, including a self-consistency approach to align LLMs with real-world activity data and a retrieval-augmented strategy for interpretable activity generation. In experimental studies, comprehensive validation is performed using real-world data. This research marks the pioneering work of designing an LLM agent framework for activity generation based on real-world human activity data, offering a promising tool for urban mobility analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google