💻 computer science

Bridging Individual and Collective Realism in LLM-Based Human Mobility Simulation via Mobility Scaling-Law Guidance

이 논문은 경험적 이동성 스케일링 법칙(empirical mobility scaling laws)을 프롬프트 구성을 가이드하는 피드백 메커니즘으로 활용함으로써, 개별적인 궤적의 현실성과 인구 수준의 정규성을 모두 보장하여 LLM 기반 인간 이동성 시뮬레이션에서 개인적 실재감과 집단적 실재감을 연결하는 새로운 프레임워크인 COMPASS를 소개한다.

원저자: Hua Yan, Heng Tan, Yu Yang

게시일 2026-07-15

📖 6 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Hua Yan, Heng Tan, Yu Yang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

도시가 어떻게 숨을 쉬는지 예측하는 일을 상상해 보십시오. 도시 계획가, 역학 조사관, 교통 공학자들은 사람들이 어떻게 움직이는지, 즉 어디로 가는지, 얼마나 멀리 이동하는지, 그리고 얼마나 자주 같은 커피숍을 방문하는지를 알아야 합니다. 이것을 "인간 이동성(human mobility)"이라고 부릅니다. 보통 이러한 데이터를 얻기 위해 연구자들은 사람들에게 비싼 설문조사를 작성하게 하거나 휴대전화를 추적해야 하는데, 이는 심각한 개인정보 보호 문제를 일으킵니다. 그래서 과학자들은 인공지능, 구체적으로는 대규모 언어 모델(LLM)을 사용하여 '디지털 인간' 역할을 하게 하기 시작했습니다. 그들은 AI에게 성격 프로필(예: "교외에 사는 교사")을 부여하고 하루 치의 움직임을 작성하도록 요청합니다. 문제는 이 AI 에이전트들이 한 명의 개인처럼 행동하는 데는 뛰어나지만, 집단 전체를 바라볼 때는 실패한다는 점입니다. 만약 백만 명을 시뮬레이션한다면, 그 집단은 실제 도시처럼 움직이지 않습니다. 교통 체증이 올바른 위치에 형성되지 않거나, 이동 거리가 이상하게 나타납니다. 이는 마치 백만 명의 배우가 각자의 대사는 완벽하게 소화하지만, 전체 배역의 대본을 따르지 않아 연극 자체가 무너지는 것과 같습니다.

이 논문은 이 괴리를 해결하기 위해 COMPASS라는 새로운 방법을 소개합니다. 연구진은 실제 인간의 움직임이 "스케일링 법칙(scaling laws)"이라 불리는 숨겨진 수학적 규칙을 따른다는 사실을 깨달았습니다. 이 패턴은 얼마나 많은 사람을 관찰하느냐에 상관없이 나타나는 현상으로, 예를 들어 대부분의 이동은 짧고 아주 긴 이동은 극소수라는 점 등이 있습니다. COMPASS는 이 규칙들을 나침반으로 사용합니다. 이 시스템은 군중을 시뮬레이션하고, 그 집단의 움직임이 실제 세계의 수학적 규칙과 일치하는지 확인한 다음, 개별 디지털 사람들에게 주어지는 지침(프롬프트)을 미세하게 조정합니다. 이는 오케케스트라의 지휘자가 바이올린 소리가 너무 크고 드럼 소리가 너무 작다는 것을 알아차리고, 전체 교향곡이 완벽하게 들릴 때까지 적절한 연주자들에게 구체적인 조정을 속삭이는 것과 같습니다. 논문은 개별 AI 에이전트를 안내하기 위해 이러한 인구 수준의 규칙을 사용함으로써, 시작할 때 데이터가 제한적이거나 거칠더라도 도시가 작동하는 방식을 훨씬 더 현실적으로 시뮬레이션할 수 있다고 제안합니다.

문제점: 훌륭한 솔로 연주자, 형편없는 합창단

당신이 백만 명의 가수가 참여하는 거대한 합창단을 지휘하고 있다고 상상해 보십시오. 당신은 그들이 실제 도시의 일상적인 리듬처럼 들리기를 원합니다. 당신은 각 가수에게 그들의 캐릭터 배경이 담긴 종이를 건넵니다: "당신은 간호사입니다", "당신은 학생입니다", "당신은 은퇴자입니다." 그리고 AI에게 각 인물의 캐릭터에 기반하여 노래를 써달라고 요청합니다.

AI는 환상적인 결과물을 내놓습니다. "간호사"는 믿을 만한 근무 일정을 노래하고, "학생"은 수업에 늦지 않으려 서두르는 것에 대해 노래합니다. 하지만 백만 곡의 노래를 한꺼번에 재생하면, 음악이 잘못됩니다. 아마도 정오에 모두가 너무 크게 노래하거나, 혹은 "간호사들"이 모두 정확히 같은 시간에 멀리 떨어진 병원으로 걸어가서 실제로는 발생하지 않을 교통 체증을 만들어낼 수도 있습니다. 개별 가수는 완벽하지만, 집단적인 소리는 엉망진창입니다.

이것이 현재의 AI 이동성 시뮬레이션에서 발생하는 현상입니다. 이들은 한 명의 모습은 실감 나게 만들지만, 실제 인구가 움직이는 방식인 "집단의 마법"을 포착하는 데는 실패합니다. 실제 사람들은 보이지 않는 패턴을 따릅니다. 예를 들어, 우리 대부분은 식료품점에 가기 위해 짧은 여행을 하지만, 아주 소수의 사람들만이 나라를 가로지르는 긴 여행을 합니다. 만약 AI가 너무 많은 장거리 여행을 시뮬레이션한다면, 전체 모델은 무너집니다. 연구진은 기존의 AI 시뮬레이터들이 장거리 여행을 너무 많이 만들고 단거리 여행은 충분히 만들지 못하며, 새로운 장소를 탐험하기를 좋아하는 사람과 자신이 자주 가는 곳에 머무르는 사람의 비율을 제대로 포착하지 못한다는 것을 발견했습니다.

해결책: COMPASS와 마법의 나침반

저자들은 COMPASS(COllective Multi-Prompt Adjustment guided by Scaling lawS)라는 프레임워크를 만들었습니다. COMPASS를 단순히 합창단의 소리를 듣는 것뿐만 아니라, 실제 도시가 어떻게 들려야 하는지에 대한 지도를 가진 똑똑한 지휘자로 생각하십시오.

작동 방식은 다음과 같습니다:

초안 작성: AI가 디지털 사람들과 그들의 움직임을 생성합니다.
현실 점검: COMPASS는 전체 군중을 살펴보고 이들을 "스케일링 법칙"에 비추어 측정합니다. 이는 움직임의 수학적 규칙입니다. 예를 들어, "사람들이 이동하는 거리가 실제 도시의 분포와 일치하는가?" 또는 "사람들이 같은 장소를 충분히 자주 방문하는가?"를 확인합니다.
진단: 시뮬레이션이 어긋나 있다면, COMPASS는 왜 그런지 파악합니다. 아마도 "간호사들"이 너무 멀리 걷고 있거나, "학생들"이 너무 많이 탐험하고 있을 수 있습니다.
속삭임: 전체 노래를 다시 쓰는 대신, COMPASS는 AI에게 작고 구체적인 속삭임을 전달합니다. "이 그룹의 사람들에게는 집 근처에 머물라고 말해줘"라거나, "이 사람들에게는 매일 같은 체육관을 방문하라고 말해줘"라고 지시하는 식입니다.
탐색: 시스템은 어떤 특정 조합의 지침이 전체 합창단을 가장 현실적으로 만드는지 알아내기 위해 영리한 탐색 방법(Monte Carlo Tree Search)을 사용합니다. 이는 어떤 지침의 조합이 전체 합창단을 가장 실제처럼 들리게 할지 실험하는 것과 같습니다.

비밀 병기: 쿠키 통 속의 부스러기

이 논문의 가장 멋진 부분 중 하나는 데이터를 다루는 방식입니다. 보통 이러한 스케일링 법칙을 얻으려면 모든 사람의 움직임에 대한 완벽하고 상세한 데이터가 필요합니다. 하지만 그러한 데이터는 대개 개인정보 보호 문제로 얻기 어렵거나 구하기 힘듭니다.

연구진은 놀라운 사실을 발견했습니다: 완벽한 데이터가 필요하지 않습니다. "거친 입자(coarse-grained)"의 데이터를 사용할 수 있습니다. 쿠키를 상상해 보십시오. 초콜릿 칩 쿠키라는 것을 알기 위해 모든 부스러기를 볼 필요는 없습니다. 몇 개의 부스러기만 있으면 됩니다. COMPASS는 움직임의 대략적인 요약(예: "사람들이 평균 X 마일을 이동한다")이나 심지어 오래된 연구에서 발견된 움직임의 수학적 공식만을 사용하여 AI를 안내할 수 있습니다.

그들은 세 가지 유형의 데이터로 이를 테스트했습니다:

상세하지만 익명인 데이터: 사용자 ID는 있지만 위치 정보는 거친 데이터.
ID가 없는 데이터: 누구의 것인지 알 수 없는 이동 경로의 뭉치.
통계 데이터만 있는 경우: 실제 이동 경로는 전혀 없고 숫자와 공식만 있는 데이터.

단순히 통계(이 "부스러기")만 사용했을 때도, COMPASS는 AI를 유도하여 훨씬 더 현실적인 시뮬레이션을 만들어낼 수 있었습니다. 이는 우리가 개인의 사생활을 침해하거나 완벽한 데이터셋을 기다리지 않고도 더 나은 도시 모델을 구축할 수 있음을 의미하므로 매우 중요합니다.

결과: 현실성의 교향곡

연구팀은 베이징과 뉴욕시의 실제 데이터를 사용하여 COMPASS를 테스트했습니다. 그들은 자신들의 방법론을 다른 최고 수준의 AI 시뮬레이터들과 비교했습니다.

결과는 명확했습니다. COMPASS가 승리했습니다.

베이징에서, COMPASS는 기존의 가장 우수한 방법과 비교했을 때 이동 거리의 현실성을 최대 74.79% 개선했습니다.
또한 사람들이 얼마나 자주 같은 장소를 다시 방문하는지(선호적 회귀 현상)와 얼마나 많은 영역을 탐험하는지를 예측하는 데에도 더 뛰어났습니다.
심지어 "통계 데이터만 있는" 경우(세 번째 유형)에도 다른 모든 방법을 앞질렀으며, 이는 미래를 보는 수정구슬이 없어도 훌륭한 그림을 얻을 수 있음을 증명했습니다.

또한 연구진은 시뮬레이션의 모든 사람을 조정할 필요가 없다는 것을 발견했습니다. 디지털 사람 중 단 **15%**만을 수정하고 그 변화를 유사한 사람들에게 복사함으로써, 전체 군중을 바로잡을 수 있었습니다. 이는 엄청난 양의 컴퓨터 자원을 절약해 줍니다.

이것이 왜 중요한가

이것은 단순히 더 나은 비디오 게임을 만드는 문제가 아닙니다. 우리가 사람들의 움직임을 현실적으로 시뮬레이션할 수 있다면, 우리는 다음과 같은 일을 할 수 있습니다:

더 나은 도시 계획: 사람들이 실제로 이동하는 방식에 부합하는 도로와 대중교통을 설계할 수 있습니다.
질병 확산 예측: 움직임의 실제 패턴을 안다면 바이러스가 군중 사이에서 어떻게 이동할지 이해할 수 있습니다.
개인정보 보호: 실제 사람들의 휴대전화를 감시하지 않고도 이러한 패턴을 연구할 수 있습니다.

이 논문은 군중이 움직이는 "수학적 음악"에 귀를 기울임으로써, AI가 단순히 외로운 개인들의 집합체가 아니라 실제 사회처럼 행동하도록 가르칠 수 있다는 점을 시사합니다. 이는 때때로 전체를 이해하기 위해서는 개별적인 목소리가 아니라 그 집단을 지배하는 규칙에 귀를 기울여야 한다는 점을 상기시켜 줍니다.

기술 요약: 이동성 스케일링 법칙 가이드를 통한 LLM 기반 인간 이동성 시뮬레이션의 개별 및 집단적 리얼리즘 간 가교 형성

문제 정의

인간의 이동성 데이터는 도시 계획, 전염병 예측, 교통 모델링과 같은 지리 공간 애플리케이션에 매우 중요합니다. 그러나 대규모의 실제 데이터를 확보하는 것은 높은 수집 비용, 불균형한 커버리지, 개인정보 보호 문제로 인해 어렵습니다. 대규모 언어 모델(LLM)은 사용자 프로필을 기반으로 개별 에이전트를 시뮬레이션함으로써 확장 가능한 대안을 제공하지만, 현재의 LLM 기반 접근 방식은 근본적인 단절 문제를 겪고 있습니다. 즉, 이들은 인구 수준의 조율 없이 개별적인 인지 과정을 고립된 상태로 모델링합니다. 결과적으로, 개별 궤적은 그럴듯해 보일 수 있으나, 집계된 출력값은 실제 데이터에서 관찰되는 특정 이동 거리, 방문 빈도, 공간 범위와 같은 집단적 규칙성(스케일링 법칙)을 재현하는 데 실패합니다. 기존 방법들은 개별 수준의 생성과 집단적 리얼리즘 사이의 간극을 메울 메커니즘이 부족합니다.

방법론: COMPASS 프레임워크

저자들은 공유된 데이터로부터 얻은 경험적 이동성 스케일링 법칙을 프롬프트 구성을 가이드하는 피드백 신호로 활용하는 COMPASS(COllective Multi-Prompt Adjustment framework guided by Scaling lawS) 프레임워크를 제안합니다. 핵심 혁신은 프롬프트 조정을 몬테카를로 트리 탐색(MCTS)을 통해 해결되는 마르코프 결정 과정(MDP)으로 정식화된 다목적, 다중 프롬프트 최적화 문제로 취급하는 것입니다.

1. 문제 정식화:
목표는 $n$ 명의 개인을 위한 최적의 개인화된 프롬프트 집합 $\mathcal{P} = \{p_1, \dots, p_n\}$ 을 찾는 것입니다. 각 프롬프트는 공유 데이터에서 유도된 여러 스케일링 법칙 지표(예: 이동 거리, 회전 반경, 방문 빈도)를 공동으로 최적화하기 위해 특정 페르소나 설명과 행동 제약 조건으로 보강됩니다.

2. MDP 정식화:

상태 ( $S$ ): 모든 개인에게 할당된 현재 프롬프트 집합.
행동 ( $A$ ): LLM에 의해 생성된 조립된(coarse-grained) 조정 전략. 이러한 전략은 시뮬레이션된 스케일링 법칙 지표를 공유 데이터의 타겟 지표와 비교하여 도출됩니다. LLM은 인구를 행동적으로 일관된 그룹으로 분할하고 각 그룹에 맞춤형 전략을 제안합니다.
전이 ( $T$ ): 행동은 타겟 그룹 내에서 $\rho$ 비율의 사용자를 선택합니다. 프롬프트 재작성 LLM은 전략에 따라 이들의 프롬프트를 업데이트하며, 나머지는 변경되지 않은 채 유지됩니다.
보상 ( $r$ ): 집계된 스케일링 법칙 지표의 개선 정도를 측정하는 다목적 보상 함수입니다. 이는 단일 목적체의 저하 없이 균형 잡힌 개선을 보장하기 위해 다양한 지표에 대한 정규화된 효용의 기하 평균을 활용합니다.

3. 2단계 MCTS를 통한 최적화:
복잡한 탐색 공간을 효율적으로 탐색하기 위해, COMPASS는 2단계 MCTS 절차를 채택합니다.

전략 수준 선택 (Strategy-Level Selection): 유망한 조정 전략을 선택하기 위해 상한 신뢰 구간(UCT)을 사용합니다.
사용자 수준 선택 (User-Level Selection): 특정 전략에 가장 잘 반응하는 그룹 내 특정 개인을 식별하기 위해 개별 사용자별 상한 신뢰 구간(UCB) 밴딧을 사용합니다.
후보 필터링: 계산 비용을 줄이기 위해, 값비싼 궤적 재생 생성 전에 카운트 조건부 글로벌 액션 값 추정기가 액션 공간을 필터링합니다.
일반화: 프레림워크는 인구의 작은 하위 집합에서 프롬프트를 최적화하고, 프로필 유사성을 바탕으로 결과적인 조정을 전체 인구로 일반화하여 탐색 오버헤드를 크게 줄입니다.

4. 데이터 가이드:
COMPASS는 다음과 같은 다양한 수준의 데이터 세분화 작업을 수행하도록 설계되었습니다:

사용자 ID가 포함된 조립된(coarse-grained) 궤적.
사용자 ID가 없는 조립된 궤적.
궤적 데이터 없이 순수하게 통계적 요약(예: 멱법칙 지수)만 있는 경우.

주요 기여

개념적 가교: 본 논문은 공유 데이터로부터 추출한 인간 이동성 스케일링 법칙을 개별 LLM 생성 궤적을 집단적 인구 패턴과 정렬하기 위한 가이드 메커니즘으로 사용하는 새로운 아이디어를 도입합니다.
COMPASS 프레임워크: 저자들은 어떤 조정 전략을 적용할지와 어떤 개인이 그 전략을 받아야 할지를 동시에 결정하기 위해 2단계 MCTS 탐색을 사용하는 다중 프롬프트 조정 프레임워크를 설계했습니다. 이를 통해 거친 그룹 전략을 미세한 개별 수준의 적응으로 변환합니다.
실증적 검증: 베이징과 뉴욕시의 두 가지 공개 데이터셋에 대한 광범위한 실험을 통해, COMPASS가 최신 LLM 기반 시뮬레이터(CoPB, Urban-Mobility-LLM, LLMob, CitySim 포함)보다 우수한 성능을 보임을 입증했습니다. 개선 폭은 여러 지표(예: 이동 거리, 탐색, 선호적 귀환)에 걸쳐 **10.70%에서 74.79%**에 달합니다.
데이터 희소성에 대한 강건성: 본 연구는 궤적 수준의 정보가 없는 통계적 요약만으로도 시뮬레이션을 효과적으로 가이드할 수 있음을 보여주며, 데이터가 제한된 환경에서 프레임워크의 실질적인 배포 가능성을 높였습니다.

결과

성능: 베이징 데이터셋에서 COMPASS는 모든 지표에서 최고의 성능을 달축했으며, 베이스라인 대비 젠슨-샤논 발산(JSD)을 크게 감소시켰습니다. 예를 들어, 최적의 베이스라인 대비 "귀환(Return)" 지표는 74.79%, "탐색(Exploration)" 지표는 41.17% 개선되었습니다.
스케일링 법칙 재현: 시각적 분석을 통해 COMPASS가 이동 거리 분포와 선호적 귀환 행동을 성공적으로 교정하여, 실제의 절단된 멱법칙(truncated power laws) 및 이질적인 사용자 행동에 더 가깝게 만들었음을 확인했습니다.
절제 연구 (Ablation Studies): 사용자 밴딧 선택 또는 카운트 조건부 UCB를 제거하면 성능이 크게 저하되어 2단계 탐색의 필요성을 입증했습니다. 마찬가지로 MCTS를 무작위 탐색으로 대체하면 성능이 대폭 하락하여 탐색 알고리즘의 중요성을 강조했습니다.
일반화: 30%의 사용자 하위 집합에서 프롬프트를 최적화하고 이를 전체 인구로 확장하는 것이 전체 데이터셋에서 최적화하는 것과 유사한 성능을 냈음을 확인하여 방법론의 효율성을 입증했습니다.
모델 불가지론 (Model Agnosticism): 프레임워크는 다양한 LLM 백본(GPT-5.2, GPT-4o-mini, LLaMA 3.3, Qwen 2.5)에서 잘 작동하여, 그 효과가 특정 독점 모델에 의존하지 않음을 나타냈습니다.

의의 및 주장

본 논문은 COMPASS가 현재 LLM 기반 이동성 시뮬레이션의 핵심적 한계인 집단적 규칙성 재현 실패 문제를 해결한다고 주장합니다. 스케일링 법칙을 피드백 루프로 통합함으로써, 이 프레임워크는 개별 에이전트가 고립되어 시뮬레이션되더라도 집단적으로 현실적인 인구 수준의 흐름을 생성하도록 보장합니다. 저자들은 이 접근 방식이 다음과 같은 이유로 특히 중요하다고 강조합니다:

민감한 개별 수준의 실제 데이터에 대한 접근 없이도 고충실도 시뮬레이션을 가능하게 합니다.
가이드로서 거친 수준의 데이터나 통계적 데이터만 있어도 효과적으로 작동합니다.
정확한 집계 흐름이 개별 궤적의 완벽함보다 더 중요한 전염병 모델링 및 도시 계획과 같은 다운스트림 작업에 확장 가능한 솔루션을 제공합니다.

결론적으로, 이 연구는 스케일링 법칙을 활용하는 것이 생성형 AI 시뮬레이션에서 개별적 리얼리즘과 집단적 일관성 사이의 간극을 메우는 실행 가능하고 효과적인 전략임을 보여줍니다.