LLM 기반 에이전트를 활용한 효율적이고 증거에 기반한 이동성 예측 연구

개인 수준의 이동성 예측 (Individual-level mobility prediction)은 도시 시뮬레이션, 교통 계획 및 정책 분석의 핵심입니다. 지도 학습 기반의 시퀀스 모델 (Supervised sequence models)은 높은 정확도를 달성하지만, 작업별 학습 (task-specific training)이 필요하며 의사결정 수준의 투명성이 제한적입니다. 최근의 LLM 기반 방법론들은 해석 가능성 (interpretability)을 개선했으나, 대부분 정적 프롬프트 (static prompts)와 단일 패스 추론 (single-pass inference)에 의존하여, 이동성 신호가 약하거나 상충할 때 추가적인 증거를 탐색하는 능력이 제한적입니다. 우리는 다음 위치 예측을 적응형 증거 제어 의사결정 (adaptive evidence-controlled decision making)으로 공식화하는 학습이 필요 없는 (training-free) LLM 기반 에이전트 프레임워크인 AgentMob을 제안합니다. AgentMob은 과거의 규칙성 (historical regularity)에 기반한 빠른 경로 (fast path)를 통해 일상적인 사례를 해결하는 한편, 모호한 사례의 경우 최근 궤적 (recent trajectories), 과거 행동 (historical behavior), 체류-이동 가능성 (stay-move likelihood) 및 지리적 증거 (geographical evidence)에 대해 반복적인 도구 사용 (iterative tool use)을 트리거합니다. 세 가지 이동성 데이터셋에 대해, AgentMob은 학습이 필요 없는 LLM 기반 방법론 중 가장 강력한 전반적 성능을 달성하였으며, GPT-5.4는 BW에서 71.42% Acc@1, YJMob100K에서 33.14%, Shanghai ISP에서 33.50%를 기록했습니다. BW의 비-빠른 경로 (non-fast-path) 사례에서, LLM 컨트롤러는 동일한 도구를 사용하는 통계적 베이스라인 (statistical baseline) 대비 Acc@1을 30.65%에서 48.62%로 향상시켰으며, 이는 적응형 증거 수집을 통해 모호한 예측을 해결하는 데 주요 이점이 있음을 보여줍니다. 우리의 코드는 https://github.com/Unknown-zoo/AgentMob 에서 확인할 수 있습니다.