Synthesizing Human Mobility Patterns Using Large Language Models - A Sejong City Case Study

본 연구는 거대 언어 모델(Large Language Model, LLM)의 사전 학습지식과 맥락적 추론 능력을 활용하여, 추가 학습 없이도 현실적인 개인 통행 일정을 생성할 수 있는지를 확인하였다. 기존 통행 생성 연구의 경우 Trip-based 방식 접근에서 활동 기반 모형(Activity-Based Model, ABM) 중심으로 발전해왔으나, 고해상도 통행일지 데이터 의존의 한계를 지닌다. 사전학습된 지식을 기반으로 인간의 의사결정 맥락을 반영할 수 있는 LLM이 등장하였고, 이를 활용하여 개인 통행 일정 생성 가능성을 확인하였다. 본 연구는 세종시 개인통행실태조사 데이터를 활용하여, Zero-shot, Few-shot, Few-shot with statistics, Retrieval-Augmented Generation(RAG) 등 네 가지 LLM 사용 전략에 따른 통행 생성 성능을 비교하였다. Jensen-Shannon Divergence(JSD)를 이용해 기준 데이터와 생성 데이터의 확률분포 유사도를 비교‧분석한 결과, LLM은 별도의 재학습 없이도 전반적으로 현실적인 통행 분포를 재현할 수 있었으며, 특히 RAG 전략이 가장 높은 공간·시간 분포 및 희귀 통행 패턴 재현 성능을 보여주었으며 Few-shot with statistics, zero-shot, few-shot 순으로 뒤따랐다. 이러한 결과들을 바탕으로 LLM이 추가 학습 없이도 통행 생성을 수행할 수 있다는 점에서, 데이터 희소 환경에서도 활용가능한 새로운 통행 생성 방법의 가능성이 될 수 있음을 확인하였다.