LLM活用都市シミュレーション基盤CityBehavEx──10万エージェントを1時間で処理可能

論文概要

CityBehavExは、LLMを活用しつつ都市規模の人口（10万エージェント）をシミュレート可能な都市シミュレーション基盤である。従来手法は全エージェントの行動生成に大規模なLLMを逐次呼び出すため計算コストが極めて高く、実データとの検証も不十分であった。本研究は、人間移動モデルとファインチューニングされたクロスエンコーダを組み合わせることで、計算効率とリアリズムを両立させた。

関連研究

既存のLLMベースのマルチエージェントシミュレータは、エージェントの行動に高い意味的忠実度を持たせる一方、計算リソースの制約から小規模な集団に限定される傾向があった。また、生成された軌跡が現実の移動パターン（空間的・時間的分布）と乖離している点が課題として指摘されていた。

新規性と貢献

1. スケーラビリティの確保: 消費者向けGPU環境で10万エージェント・75日間のシミュレーションを1時間以内に完了する性能を達成した。
2. 実証的な検証機能: シミュレーション結果を実世界の移動・時間利用データと照合する検証パイプラインを統合した。
3. 透明性の向上: エージェントの行動履歴やプロファイルを検査・デバッグ可能なインターフェースを提供した。

提案手法の詳細

本手法の核心は、全ての行動決定をLLMに依存しない設計にある。具体的には、確立された人間移動モデル（Human Mobility Models）を基盤とし、エージェントのプロファイル、スケジュール、活動遷移の間の意味的な整合性をクロスエンコーダで推定する。これにより、LLMの推論回数を大幅に削減しつつ、コンテキストに応じた妥当な行動生成を可能にしている。

評価・考察

10万エージェントを用いた実験において、計算時間は1時間以内を記録した。生成された軌跡のリアリズムについては、空間的・時間的・意味的な分布が実世界データと高い整合性を示すことが確認されている。

応用例と今後の展望

本プラットフォームは、都市計画や公共交通政策の立案におけるデジタルツインとしての活用が見込まれる。日本のエンジニア・研究者にとっては、特にスマートシティ関連のプロジェクトや、交通需要予測のシミュレーションにおいて、数万人規模の挙動を低コストで検証できる実務的な基盤となり得る。

結論

CityBehavExは、LLMの推論コストというボトルネックを回避しつつ、都市規模のシミュレーションを実現した。スケーラビリティと検証可能性を両立させた設計は、今後の都市シミュレーション研究の標準的なアプローチとして機能する。

注釈

• クロスエンコーダ: 2つの入力を同時に処理し、その間の関連性や整合性をスコアリングするモデル。
• マルチエージェント: 複数の自律的なエージェントが相互作用するシステム。