TrajGenAgent: 人間の移動軌跡生成のための階層的LLMエージェント
TrajGenAgentは、モデル微調整なしで現実的な合成人間移動軌跡を生成するための階層的LLMエージェントフレームワークを提案する。2段階のオーケストレーター・ワーカー設計を採用：LLMがまずインコンテキスト学習により個人・曜日条件付き活動連鎖を合成し、次に決定論的ワークフローがパーソナライズされたPOI検索、距離認識位置選択、運動学認識移動時間伝播、LLMベースの持続時間推定により各活動を完全な訪問に具体化する。異常検出ベースの評価フレームワークで行動的・意味的妥当性を評価する。実験では、ベンチマークおよび大規模シミュレーションデータセットにおいて、時間空間的忠実性、意味的一貫性、個別行動の現実性で既存手法を上回る。
TrajGenAgentは、人間の移動軌跡を生成するための革新的な階層的LLMエージェントフレームワークです。この研究はSiyu Li氏らによって行われ、2026年6月10日にarXivに提出され、第27回IEEE国際モバイルデータ管理会議（MDM 2026）に採択されました。人間の移動データは交通計画、都市管理、疫病対策などで重要な役割を果たしますが、実際の大規模な軌跡データの収集はコストが高く、プライバシーの問題もあるため、現実的な合成軌跡の生成が研究の焦点となっています。
既存の大規模言語モデル（LLM）に基づく軌跡生成手法は、主にプロンプトエンジニアリングと軌跡レベルでの微調整の2つに分類されます。プロンプトエンジニアリングはゼロショット推論を保持しますが、時空間の細かい制御ができません。一方、軌跡レベルの微調整は統計的な精度を向上させるものの、多くの計算資源を必要とし、モデルの汎化能力を弱める可能性があります。TrajGenAgentはモデルの微調整を避けることで、これらの問題を巧みに克服しています。
TrajGenAgentは2段階の「オーケストレーター・ワーカー」アーキテクチャを採用しています。第1段階では、LLMがオーケストレーターとして機能し、インコンテキスト学習によって履歴データから個人と曜日に条件付けられた活動連鎖を合成します。これらの活動連鎖は、例えば午前中にオフィスに行き、昼食にレストランに行くなど、特定の日におけるユーザーの活動シーケンスを要約します。第2段階では、決定論的ワークフローが各活動を完全な訪問記録に具体化します。このワークフローは4つの主要コンポーネントで構成されます：ユーザーの嗜好に基づいて具体的な場所を推薦するパーソナライズドPOI検索、場所間の空間的妥当性を保証する距離認識位置選択、現実的な交通モデルを用いて移動時間を推定する運動学認識移動時間伝播、そして各活動の持続時間を合理的に予測するLLMベースの持続時間推定です。
生成された軌跡の現実性を評価するために、研究チームは異常検出に基づく評価フレームワークも設計しました。このフレームワークは2つの相補的な検出器を使用します：1つは日常活動の規則性など行動面の妥当性に焦点を当て、もう1つは行程の論理的な自然さなど意味的な一貫性を評価します。ベンチマークデータセット（Geolifeなど）と大規模シミュレーションデータセットでの実験により、TrajGenAgentは時空間的忠実性、意味的一貫性、個別行動の現実性において、既存のニューラル手法やLLMベースラインを上回り、同時にパラメータ更新を一切行わずにモデルの汎用推論能力を維持することが示されました。