ActivityEditor: 物理的に妥当な人間の移動を合成するための学習

要旨: 人間の移動（モビリティ）モデリングは、多様な都市アプリケーションにとって不可欠です。しかし、既存のデータ駆動型手法の多くはデータ不足の影響を受けやすく、過去の軌跡が利用できない、または制限されている地域での適用が困難になります。このギャップを埋めるために、本研究では
\textbf{ActivityEditor} を提案します。これは、ゼロショットでの異地域間トラジェクトリ生成を目的とした、新規のデュアルLLMエージェント・フレームワークです。本フレームワークでは、複雑な合成タスクを2つの協調的な段階に分解します。具体的には、意図ベースのエージェントが、人口統計に基づく事前分布を活用して、人間の意図を構造化して生成し、粗い活動（アクティビティ）チェーンを作ることで、社会的・意味論的な整合性の高い水準を保証します。これらの出力は、その後エディタ・エージェントによって改良され、人間のモビリティの法則を強制する反復的な修正を通じて、移動軌跡を得ます。この能力は、現実世界の物理的制約に基づく複数の報酬を用いた強化学習によって獲得され、エージェントが移動の規則性を内在化し、高忠実度な軌跡生成を保証できるようになります。大規模な実験により、\textbf{ActivityEditor} は、多様な都市環境へ転移した場合において、優れたゼロショット性能を達成することが示されました。これは、高い統計的忠実性と物理的妥当性を維持し、データが乏しい状況におけるモビリティ・シミュレーションのための、堅牢で高度に汎用性のある解決策を提供します。本コードは以下で公開しています: https://anonymous.4open.science/r/ActivityEditor-066B。