Towards Efficient and Evidence-grounded Mobility Prediction with LLM-Driven Agent

개인 수준 이동성 예측은 도시 시뮬레이션, 교통 계획, 정책 분석의 핵심이다.

AgentMob은 별도 학습 없이 다음 위치를 예측하는 LLM 에이전트다. 규칙적인 이동은 과거 반복 패턴으로 빠르게 처리하고, 애매한 경우에만 최근 이동, 장기 이력, 머무름 가능성, 지리 정보를 도구로 차례로 확인한다. 세 이동 데이터셋에서 학습 없는 LLM 방법 가운데 가장 강한 종합 성능을 보였고, GPT-5.4의 1순위 정확도는 BW 71.42%, YJMob100K 33.14%, Shanghai ISP 33.50%였다. BW의 어려운 사례에서는 같은 도구를 쓰는 통계 기준선의 30.65%보다 높은 48.62%를 기록해, 적응적 증거 수집의 이점을 보였다. 다만 성능이 바탕 LLM의 도구 사용 능력에 의존하고, 평가 데이터와 도구 설계 범위가 제한돼 다른 도시와 관측 방식으로의 확장이 필요하다.

핵심 요약

• 지도 학습 시퀀스 모델은 높은 정확도를 달성하지만 작업별 학습이 필요하며 의사결정 수준의 투명성을 거의 제공하지 못한다.
• 이 논문은 다음 위치 예측을 적응적·증거 통제형 의사결정으로 정식화하는, 학습이 필요 없는 LLM 구동 에이전트 프레임워크를 제안한다.
• 세 가지 이동성 데이터셋 전반에서 AgentMob은 학습이 필요 없는 LLM 기반 방법 중 가장 강한 종합 성능을 달성하며, GPT-5.4는 BW에서 71.42% Acc@1, YJMob100K에서 33.14%, Shanghai ISP에서 33.50%에 도달한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.