공유 데이터 기반 이동성 지표로 LLM 인간 이동 시뮬레이션 향상

초록

**
본 논문은 공개된 이동성 지표(여행 거리, 반경, 방문 빈도 등)를 활용해 대규모 언어 모델(LLM)의 개인별 프롬프트를 단계적으로 조정하는 M2LSimu 프레임워크를 제안한다. coarse‑grained 조정 → fine‑grained 개인 맞춤화 과정을 MDP와 몬테카를로 트리 탐색으로 최적화해, 제한된 연산 예산 내에서 인구 수준의 이동성 법칙을 동시에 만족시키며 기존 LLM 기반 시뮬레이션보다 11%~64% 높은 정확도를 달성한다.

**

상세 분석

**
M2LSimu는 기존 LLM 기반 인간 이동 시뮬레이션이 개인별 트래젝터리를 독립적으로 생성해 인구 수준의 집단 행동(예: 이동성 스케일링 법칙)을 재현하지 못한다는 문제점을 정확히 짚어낸다. 논문은 두 가지 핵심 아이디어를 제시한다. 첫째, 공개된 이동성 지표—여행 거리, 반경, 방문 빈도 등—가 실제 데이터에서 보이는 스케일링 법칙을 그대로 보존한다는 점을 실험적으로 검증한다. 이는 프라이버시를 침해하지 않으면서도 시뮬레이션에 필요한 ‘그라운드 트루스’를 제공한다는 의미다. 둘째, 이러한 지표를 프롬프트 조정 가이드로 활용한다는 점이다. 초기에는 모든 개인에게 동일한 기본 프롬프트를 부여하고, 사용자 프로필만 차별화한다. 이후 M2LSimu는 현재 시뮬레이션 결과와 목표 지표 사이의 차이를 MDP 상태로 정의하고, “그룹‑레벨 프롬프트 조정 전략”을 액션으로 만든다. 이 액션은 LLM에게 “짧은 거리 이동을 늘리라” 혹은 “주간 활동을 집 주변으로 집중시켜라”와 같은 구체적인 행동 제약을 추가하도록 요청한다.

액션 생성 과정은 두 단계로 이루어진다. (1) 목표 지표 선택 → 현재 시뮬레이션 메트릭 계산 → (2) 별도 LLM에게 차이 분석 및 조정 제안 요청. 이렇게 얻어진 조정 전략은 coarse‑grained(그룹 수준)이며, 몬테카를로 트리 탐색(MCTS)으로 탐색한다. MCTS는 보상 함수가 다중 목표(여행 거리 분포, 반경 분포, 방문 빈도 등)를 동시에 고려하도록 설계돼, 한 지표를 개선하면서 다른 지표가 악화되는 상황을 방지한다. 또한, 전역 액션 가치 추정기를 도입해 탐색 후보를 사전 필터링함으로써 연산 비용을 크게 절감한다.

실험에서는 베이징과 상하이 두 공개 데이터셋을 사용했으며, 기존 최첨단 LLM 기반 시뮬레이션(LMmob 등) 대비 CCDF, CDF, 파라미터 추정치에서 모두 유의미한 개선을 보였다. 특히, 여행 거리의 꼬리 부분(200 km 이상)과 방문 빈도의 이질성 재현에서 30%~60% 정도의 오차 감소를 기록했다. 추가 실험에서는 ‘통계적 공유 데이터’(개별 트래젝터리 없이 집계된 지표)만으로도 성능 향상이 가능함을 입증, 데이터 접근 제한 상황에서도 M2LSimu가 실용적임을 강조한다.

이 논문의 주요 공헌은 (1) 이동성 지표를 프롬프트 조정의 외부 신호로 활용한다는 새로운 패러다임 제시, (2) MDP와 MCTS 기반의 다목표 최적화 프레임워크 설계, (3) 제한된 예산 하에서도 인구 수준의 스케일링 법칙을 만족시키는 실증적 증거 제공이다. 향후 연구는 더 다양한 지표(시간대별 활동 패턴, 교통 모드 등)와 실제 정책 시뮬레이션(전염병 확산, 교통 혼잡 관리)으로 확장할 여지를 남긴다.

**