Large Language Models as Delivery Rider: Generating Instant Food Delivery Riders' Routing Decision with LLM Agent Framework

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 온디맨드 즉각 배송 (Instant Delivery) 시장은 수천만 명의 라이더가 참여하는 거대 시장으로, 이들의 개별적인 의사결정이 도시 교통, 물류 효율, 노동 정책에 중대한 영향을 미칩니다.
• 문제점:
  • 기존 연구는 주로 운영 연구 (Operations Research) 나 전통적인 에이전트 기반 모델링 (ABM) 에 의존하며, 라이더를 단순화되고 동질적인 규칙 (예: 가장 가까운 주문 수락, 즉각적인 수익 극대화) 을 따르는 존재로 가정합니다.
  • 실제 라이더들은 위험 회피 성향, 소득 극대화 목표, 특정 시간대 선호도 등 복잡한 인지 과정과 이질적인 전략을 가지고 있습니다.
  • 실제 라이더의 상세한 경로 데이터는 기밀이거나 부족하여 경험적 분석이 어렵고, 이를 대체할 수 있는 고충실도 (High-fidelity) 시뮬레이션의 필요성이 대두되었습니다.
• 핵심 질문: 단순히 "주문을 수락하는가"가 아니라, 특정 행동 사전 (Risk aversion, Income maximization 등) 에 기반한 에이전트가 어떻게 그리고 왜 특정 경로를 선택하는지 모사할 수 있는가?

2. 제안된 방법론: LLM-DR 프레임워크 (Methodology)

저자들은 **LLM-DR (Large Language Models as Delivery Rider)**이라는 새로운 에이전트 프레임워크를 제안했습니다. 이 프레임워크는 데이터 기반의 페르소나와 추론 기반의 의사결정을 결합합니다.

2.1. 핵심 구성 요소

1. 실증 기반 페르소나 (Empirically-Grounded Personas):

   • 대규모 실제 라이더 궤적 데이터를 수집하여 비지도 학습 (Unsupervised Clustering, K-means) 을 수행했습니다.
   • 15 가지 행동 지표 (근무 시간, 주문 적재 비율, 일일 소득 변동성 등) 를 기반으로 4 가지 뚜렷한 라이더 페르소나를 도출했습니다:
     • Full-time Workhorse: 하루 종일 일관된 활동을 하며 다양한 주문을 수락하여 안정적인 소득을 추구.
     • Lunch-Peak Specialist: 점심 시간대 (11:00-14:00) 에 집중하여 단거리 묶음 주문을 적극적으로 수락.
     • Super Stacker: 단일 주문을 거부하고 복잡한 다중 주문 (Wave) 을 기다려 단위 이동당 수익을 극대화.
     • Dinner-Peak Core: 저녁 피크 시간대에 단순한 단일 주문을 선호하고 복잡한 묶음은 회피.
   • 각 페르소나는 통계적 속성과 질적 전략 설명으로 LLM 에이전트에 주입됩니다.

2. 고충실도 시뮬레이션 환경:

   • 실제 베이징의 주문 데이터를 기반으로 이산 시간 (10 분 단위) 시뮬레이션을 구축했습니다.
   • 시스템은 새로운 주문을 생성하고, 특정 반경 (2km) 내의 유휴 라이더들에게 실시간으로 브로드캐스트합니다. 이는 실제 플랫폼의 '주문 풀링 (Order Pooling)' 메커니즘을 모사합니다.

3. Chain-of-Thought (CoT) 기반 의사결정:

   • 각 라이더 에이전트는 LLM (Gemini-2.5-Flash) 을 두뇌로 사용합니다.
   • 구조화된 CoT 프로세스를 통해 다음과 같은 단계를 거칩니다:
     1. 지각 (Perception): 사용 가능한 주문의 속성 (거리, 요금, 위치) 분석.
     2. 평가 (Evaluation): 페르소나의 내재적 동기 (예: 소득 안정성 vs 피크 시간 효율성) 에 비추어 주문 평가.
     3. 계획 (Planning): 미래 결과 (다음 주문 가능성, 이동 경로) 고려.
     4. 결정 (Decision): 최종 수락/거부 및 경로 최적화 결정.

3. 주요 기여 (Key Contributions)

1. 이질적 라이더 행동의 정량적 및 정성적 모사: 단순한 규칙 기반이 아닌, 실제 데이터에서 추출된 페르소나와 LLM 의 추론 능력을 결합하여 다양한 전략을 가진 라이더 군집을 시뮬레이션할 수 있는 최초의 프레임워크 중 하나입니다.
2. 상호작용적 시장 환경에서의 에이전트 모델링: 기존 LLM 에이전트 연구가 개인의 일상 계획 (Travel Diary) 에 집중했다면, 본 연구는 동적이고 경쟁적인 주문 환경에서 실시간 전략적 적응을 수행하는 에이전트를 구현했습니다.
3. 시스템 수준 결과 분석 도구: 라이더 인력의 전략적 구성 (Composition) 이 배송 효율, 라이더 소득 분포, 공간적 커버리지 등 시스템 전체의 성과에 미치는 영향을 분석할 수 있는 도구를 제공합니다.

4. 실험 결과 (Results)

• 실험 설정: 베이징의 실제 주문 데이터 (2 월 15 일, 24 시간) 를 사용하며, 4 개의 주요 비즈니스 센터 (중관촌, 시단, 왕징, 삼리둔) 에서 각각 다른 페르소나 에이전트 4 명을 시뮬레이션했습니다.
• 행동 패턴 검증:
  • Lunch-Peak Specialist: 점심 시간대 외의 주문을 전략적 불일치 이유로 거부했습니다.
  • Super Stacker: 단일 저가 주문을 거부하고 복잡한 다중 주문 기회를 기다리는 선택적 행동을 보였습니다.
  • Full-time Workhorse: 하루 종일 일관된 활동 패턴을 유지했습니다.
• 이동 궤적 및 성과 (Table 1):
  • Full-time Workhorse: 가장 넓은 공간적 범위를 이동하며 총 수익 (118.75 위안) 이 가장 높았습니다.
  • Lunch-Peak Specialist: 짧은 이동 거리 (71.26 km) 로 높은 효율성을 보였으나 총 수익은 상대적으로 낮았습니다.
  • Super Stacker: 복잡한 경로를 통해 높은 수익을 달성했으나, 다른 페르소나와 다른 궤적 패턴을 보였습니다.
  • Dinner-Peak Core: 저녁 시간대에 집중된 활동을 보였습니다.
  • 각 페르소나는 정의된 전략과 일치하는 고유한 공간적, 시간적 이동 패턴을 생성했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 학문적 의의: 에이전트 기반 모델링 (ABM) 의 패러다임을 단순한 개인 행동 모사에서 동적인 다중 에이전트 시장 상호작용으로 확장했습니다.
• 실용적 가치:
  • 정책 입안자 및 플랫폼 운영자: 라이더 인력 구성이 시스템 효율에 미치는 영향을 예측하고, 극한 상황 (폭우, 대형 행사 등) 에 대한 시나리오 분석 (What-if analysis) 을 수행할 수 있습니다.
  • 데이터 부족 해결: 실제 데이터의 기밀성 문제를 해결하고, 고충실도 합성 데이터를 생성하여 도시 물류 시스템을 연구할 수 있는 새로운 접근법을 제시했습니다.
• 향후 과제: 극한 기상 조건, 수요 충격 (Demand Shock) 등 다양한 외부 변수에 대한 시스템 반응을 시뮬레이션하는 방향으로 연구가 확장될 예정입니다.

이 논문은 LLM 을 활용한 에이전트 기반 모의실험이 복잡한 도시 물류 시스템의 이해와 관리에 있어 강력한 도구가 될 수 있음을 입증했습니다.