생성형 교통 에이전트로 현실적인 이동 행동 시뮬레이션

초록

본 논문은 인구통계 기반 마이크로데이터와 대형 언어 모델(LLM)을 결합해 인격 기반 에이전트를 생성하고, 이를 SUMO 교통 시뮬레이터에 연동해 베를린 규모의 이동 패턴을 재현한다. 실증 데이터와 비교했을 때 모드 선택과 사회경제적 특성에 대한 전반적인 재현은 성공했지만, 여행 거리와 특정 모드 선호도에서 체계적인 편향이 나타난다.

상세 분석

GT A는 기존 교통 시뮬레이션이 의존하던 고정된 효용 함수와 설문 기반 활동 스케줄을 탈피한다. 첫 단계에서 인구통계 마이크로데이터를 샘플링하고, LLM에게 해당 속성을 반영한 자연어 인격 설명을 생성하도록 프롬프트한다. 이렇게 얻어진 인격은 목표, 기억, 선호도 등을 내포하며, 이후 계획 모듈에서 OSM 기반 목적지와 GTFS 기반 대중교통 정보를 활용해 구체적인 일일 활동 일정과 이동 모드를 선택한다. 선택 과정은 LLM이 네트워크 제약(거리·시간·가용 모드)을 고려하도록 설계된 프롬프트 체인으로 구현된다. 최종 행동 모듈은 SUMO와 OpenTripPlanner를 통해 실제 도로·노선 네트워크 상에서 경로를 계산하고, 동적 사용자 균형을 적용해 교통 흐름을 시뮬레이션한다.

평가에서는 베를린 시뮬레이션을 1백만 명 규모로 실행하고, 독일 2017년 이동 조사와 교통량 카운트 데이터를 기준으로 모드 비율, 평균 여행 거리, 사회경제적 그룹별 이동 패턴을 비교했다. 결과는 소득·연령·직업에 따른 모드 선호가 설문과 유사하게 재현되었으나, 전체 여행 거리가 과소평가되고, 자전거·도보 이용 비율이 실제보다 과대평가되는 경향을 보였다. 이러한 편향은 LLM이 비용·시간 최소화를 과도하게 강조하고, 인프라 품질(예: 자전거 도로)의 정량적 정보를 충분히 반영하지 못한 데서 기인한다는 저자들의 해석이 제시된다.

기술적 기여는 (1) 인구통계와 LLM을 결합한 자동 인격 생성 파이프라인, (2) 실제 교통 네트워크와 연동된 상황 인식형 모드 선택 메커니즘, (3) 오픈소스 구현과 베를린 시나리오 공개를 통한 재현성 확보이다. 한계점으로는 LLM의 프롬프트 설계에 따른 결과 변동성, 대규모 시뮬레이션 시 연산 비용, 그리고 편향 교정 메커니즘 부재가 있다. 향후 연구는 멀티모달 비용 함수 도입, 실시간 피드백 기반 학습, 그리고 정책 시나리오(요금 인하·인프라 확충) 평가에 GT A를 적용하는 방향을 제시한다.