교통 사고 심각도 예측을 위한 다중 에이전트 LLM 프레임워크

초록

TransportAgents는 교통 사고 데이터를 분야별로 분류한 다중 LLM 에이전트와 MLP 통합 모듈을 결합해 사고 심각도를 예측한다. 각 에이전트가 인구통계, 환경, 사고 상세 등 특정 카테고리를 전담해 중간 점수를 산출하고, 이를 MLP가 학습해 최종 예측값을 만든다. CPSRMS와 NEISS 두 미국 데이터셋에서 기존 통계·머신러닝 모델 및 단일 LLM 기반 모델을 모두 능가했으며, 편향 감소와 예측 안정성에서도 우수한 성능을 보였다.

상세 분석

본 논문은 대형 언어 모델(LLM)의 단일 에이전트 구조가 교통 사고와 같이 이질적이고 도메인‑특화된 데이터를 다룰 때 발생하는 편향·불안정성을 극복하기 위해 ‘TransportAgents’라는 하이브리드 다중‑에이전트 프레임워크를 제안한다. 핵심 아이디어는 데이터를 사전 처리 단계에서 구조화·카테고리화하고, 각 카테고리별로 전문화된 LLM 에이전트를 배치해 독립적인 ‘중간 심각도 점수’를 생성하도록 하는 것이다.

1️⃣ 데이터 전처리 및 카테고리화

• 원시 데이터에서 목표 변수(심각도)를 제외하고, 구조화된 변수(연령, 성별 등)와 비구조화된 서술형 변수(사고 보고서)를 분리한다.
• ‘Feature Selection Agent’가 의미론적 라벨링과 도메인 지식을 활용해 예측에 기여할 가능성이 높은 변수만을 선택한다.
• 선택된 변수는 ‘Conceptual Category Organizer’에 의해 ‘피해자 인구통계’, ‘교통 수단·환경’, ‘사고 상세’ 등 고수준 카테고리로 매핑된다.

2️⃣ 전문화된 LLM 에이전트

• 각 카테고리마다 하나의 ‘Evaluation Agent’를 할당한다. 에이전트는 해당 카테고리의 구조화·비구조화 정보를 동시에 입력받아 프롬프트 기반 추론을 수행한다.
• 프롬프트 설계는 ‘Chain‑of‑Thought(CoT)’와 ‘Few‑Shot’ 예시를 활용해 사고 심각도에 대한 단계적 사고 과정을 유도한다.
• 에이전트는 카테고리‑특정 심각도 점수 (s_k) 를 출력하며, 이는 확률적 혹은 순위형 스칼라값으로 표현된다.

3️⃣ MLP 통합 모듈

• 다중 에이전트가 생성한 (d) 차원 점수 벡터 (\mathbf{s} =