TP RAG: 공간과 시간을 고려한 지능형 여행 계획의 새로운 기준

초록

이 논문은 대규모 언어 모델(LLM)이 생성하는 여행 계획의 실용성을 평가하는 최초의 벤치마크인 TP-RAG를 소개합니다. 기존 연구가 기본적인 계획 유효성만 검토했다면, TP-RAG는 경로 효율성, 관광지 매력도, 실시간 적응성 등 세밀한 ‘공간-시간 합리성’을 중점적으로 평가합니다. 2,300개 이상의 실제 여행 쿼리와 8만 개가 넘는 세밀한 POI 데이터, 1만 8천여 개의 실제 여행 궤적 참조 자료를 활용한 데이터셋을 구축했으며, 검색된 궤적 지식을 LLM의 추론과 결합하는 진화형 프레임워크 ‘EvoRAG’를 제안해 최고 수준의 성능을 달성했습니다.

상세 분석

본 논문의 핵심 기술적 기여는 크게 세 가지로 구분된다. 첫째, 세밀한 공간-시간 문맥을 반영한 데이터셋 구축이다. 기존 벤치마크가 정적 POI 메타데이터에 의존했다면, TP-RAG는 사용자 쿼리(예: ‘봄에 가는 베이징 여행’)에 맞춰 POI의 추천 방문 시기, 운영 시간 등 ‘시간에 따른 변동 속성’을 동적으로 부여한다. 이는 계획의 실시간 적응성을 평가하는 데 필수적이다. 둘째, 궤적 수준 지식의 도입이다. 웹상의 실제 여행기에서 추출한 POI 방문 시퀀스(궤적)를 참조 자료로 제공함으로써, LLM 에이전트가 단순 POI 나열이 아닌, 실제 관광객의 이동 패턴과 경험적 지식을 활용한 계획 수립이 가능해졌다. 실험 결과, 이 궤적 지식 통합이 공간적 효율성과 POI 선택의 합리성을 크게 향상시켰다. 셋째, 노이즈와 상충 참조 문제를 해결하는 EvoRAG 프레임워크 제안이다. 단순 검색 증강은 상반되거나 노이즈가 많은 궤적 정보에 취약할 수 있다. EvoRAG는 진화 알고리즘의 선택, 교차, 변이 연산을 LLM 기반으로 구현해, 다양한 궤적 후보군을 지속적으로 평가·조합하며 최적의 계획으로 진화시킨다. 이는 LLM의 내재적 추론과 외부 지식의 강점을 시너지 있게 결합한 하이브리드 접근법으로, 평가 결과 모든 기준에서 기존 방법을 능가하는 성과를 보였다.