यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह पेपर एजेंट-आधारित मॉडलिंग (एबीएम) के साथ बड़े पैमाने पर भाषा मॉडल (एलएलएम) को एकीकृत करके शहरी गतिशीलता सिमुलेशन के लिए एक अभिनव दृष्टिकोण प्रस्तुत करता है। पारंपरिक नियम-आधारित एबीएम के विपरीत, प्रस्तावित ढांचा सिंथेटिक जनसंख्या प्रोफाइल बनाने, दिनचर्या और विशेष स्थान निर्दिष्ट करने और व्यक्तिगत मार्गों का अनुकरण करके एजेंट विविधता और यथार्थवाद को बढ़ाने के लिए एलएलएम का लाभ उठाता है। वास्तविक डेटा का उपयोग करके, हम ताइपे शहर में व्यक्तिगत व्यवहार और बड़े पैमाने पर गतिशीलता पैटर्न का अनुकरण करते हैं। रूट हीटमैप और मोड-विशिष्ट मीट्रिक जैसी प्रमुख अंतर्दृष्टि, शहरी योजनाकारों को नीतिगत निर्णयों के लिए कार्रवाई योग्य जानकारी प्रदान करती है। भविष्य का काम शहरी नियोजन अनुप्रयोगों में सटीकता और विश्वसनीयता सुनिश्चित करने के लिए एक मजबूत सत्यापन ढांचा बनाने पर केंद्रित है।
Takeaways, Limitations
•
Takeaways:
◦
एलएलएम और एबीएम के एकीकरण के माध्यम से शहरी गतिशीलता सिमुलेशन की यथार्थवादिता और विविधता में सुधार
◦
वास्तविक डेटा (रूट हीटमैप, मोड-विशिष्ट संकेतक, आदि) के आधार पर ताइपे शहर की गतिशीलता पैटर्न सिमुलेशन और नीति निर्णय लेने की जानकारी प्रदान करता है।
◦
शहरी नियोजन के लिए डेटा-संचालित निर्णय समर्थन
•
Limitations:
◦
सत्यापन ढांचा अभी भी अपर्याप्त है, इसकी सटीकता और विश्वसनीयता पर और अधिक शोध की आवश्यकता है।
