Towards Efficient and Evidence-grounded Mobility Prediction with LLM-Driven Agent

기술 요약: LLM 기반 에이전트를 통한 효율적이고 증거에 기반한 모빌리티 예측을 향하여

문제 정의
개인 수준의 모빌리티 예측은 도시 시뮬레이션, 교통 계획 및 공중 보건 분석에 있어 매우 중요합니다. 기존의 접근 방식은 일반적으로 두 가지 패러다임으로 나뉘며, 두 방식 모두 상당한 한계를 지니고 있습니다:

1. 지도 학습 기반 시퀀스 모델: RNN 및 Transformer와 같은 방법은 대규모 데이터로부터 시공간적 의존성을 학습하여 높은 정확도를 달성합니다. 그러나 이들은 "블랙박스"로서 의사결정 수준의 투명성이 제한적이며, 작업 특화된 학습이 필요하여(새로운 도시나 세밀한 단위로 적응하는 데 비용이 많이 듦) 새로운 환경에 대한 적응력이 떨어지고, 신호가 약할 때 추가 정보를 동적으로 탐색할 수 없습니다.
2. 정적 LLM 기반 방법: 최근의 접근 방식은 궤적을 텍스트로 변환하고 대규모 언어 모델(LLM)을 활용하여 해석 가능성을 확보합니다. 그러나 대부분 정적인 프롬프트와 단일 패스 추론에 의존합니다. 이들은 가용한 모든 증거를 고정된 컨텍스트에 압축하며, 모빌리티 신호가 상충하거나 모호할 때 반복적으로 검색하거나 교차 검증하거나 예측을 수정하는 능력이 부족합니다.

해결하고자 하는 핵심 과제는 모빌리티 사례마다 난이도가 다르다는 점입니다. 일상적인 사례(예: 특정 요일과 시간에 동일한 장소를 방문하는 사용자)는 과거의 규칙성에 의해 쉽게 해결되지만, 모호한 사례는 최근의 맥락, 장기적 습관, 체류-이동 경향, 그리고 지리적 타당성으로부터 발생하는 상충하는 신호들을 조정해야 합니다. 현재의 방법들은 이러한 다양한 난이도에 따라 추론 노력을 적응시키지 못합니다.

방법론: AgentMob
저자들은 AgentMob이라는 학습이 필요 없는(training-free) LLM 기반 에이전트 프레임워크를 제안하며, 이는 다음 위치 예측을 적응형 증거 제어 의사결정 과정으로 재정의합니다. AgentMob은 LLM을 직접적인 예측기로 취급하는 대신, 특정 인스턴스에 대해 얼마나 많은 증거가 필요한지를 동적으로 결정하는 컨트롤러로 사용합니다.

이 프레임워크는 다음 파이프라인을 통해 작동합니다:

1. 입력 처리: 원시 GPS 기록을 공간 단위(행정 구역 폴리곤 또는 그리드 셀)로 이산화하고, 이를 도시 기능(POI, 지역 설명)에 대한 텍스트 설명과 결합합니다.
2. Fast-Path 예측: 에이전트는 먼저 역사적 규칙성에 대한 경량 체크를 수행합니다. 사용자의 이력이 특정 요일 및 시간대에 지배적인 위치를 보여주는 경우, 에이전트는 즉시 해당 위치를 반환합니다. 이는 일상적인 사례에 대한 값비싼 계산을 우회합니다.
3. 적응형 도구 호출 (모호한 사례용): 역사적 규칙성만으로 충분하지 않을 때, 에이전트는 증거를 수집하기 위해 반복 루프(최대 10회 제한)에 진입합니다. 에이전트는 네 가지 별도의 도구를 포함하는 **모빌리티 분석 툴박스(Mobility Analysis Toolbox)**를 호출합니다:
   • 모빌리티 컨텍스트 리트리버 (Mobility Context Retriever): 최근 궤적 시퀀스와 동일 시간 방문 통계를 요약하여, 즉각적인 연속성과 장기적 패턴을 구분합니다.
   • 지리 정보 리트리버 (Geographical Information Retriever): 후보 위치에 대한 거리 지표와 텍ек스트 설명을 제공하여 지리적 타당성과 의미론적 일관성을 검증합니다.
   • 체류-이동 추정기 (Stay–Move Estimator): 현재 체류 시간과 역사적 통계를 바탕으로 사용자가 현재 위치에 머물 것인지 아니면 이동할 것인지에 대한 가능성을 추정합니다.
4. 의사결정 및 감사 가능성: LLM 컨트롤러는 이러한 도구들로부터 얻은 증거를 합성하고, 충돌을 해결하며, 후보 위치의 순위 목록을 생성합니다. 모든 도구 호출은 시계열적 타당성을 보장하기 위해 대상 타임스탬프 이전의 데이터로 제한됩니다. 전체 과정은 추론 단계와 도구 출력에 대한 감사 가능한 추적(auditable trace)을 생성합니다.

주요 기여

• 적응형 증거 제어 공식화: 본 논문은 모빌리티 예측을 에이전트가 빠른 역사적 규칙성 경로와 모호한 사례를 위한 반복적 증거 수집 사이에서 선택하는 인스턴스 수준의 의사결정 과정으로 재구성합니다.
• 학습이 필요 없는 도구 증강 에이전트: AgentMob은 밑바닥의 LLM을 미세 조정(fine-tuning)하지 않고도 신뢰할 수 있고 감사 가능한 예측을 생성하기 위해 모빌리티 도구(행동, 지리, 통계)를 선택적으로 호출하는 학습 불필요 프레임워크입니다.
• 강력하고 설명 가능한 성능: 이 프레임워크는 적응형 증거 수집이 특히 결정론적인 모빌리티 통계가 불충분하거나 상충할 때 예측 품질을 크게 향상시킨다는 것을 입증합니다.

실험 결과
저자들은 다양한 공간적 해상도를 가진 세 가지 데이터셋 BW (도쿄 행정 구역 폴리곤), YJMob100K (익명화된 500m 그리드), Shanghai ISP (모바일 네트워크 로그)에서 AgentMob을 평가했습니다. 이들은 GPT-5.4, GPT-4.1-mini, Qwen3-8B와 같은 백본을 사용하여 지도 학습 기반 베이스라인(DeepMove, Transformer) 및 여러 LLM 기반 방법(AgentMove, LLM-Mob, TrajLLM, LLM Urban Residents)과 비교했습니다.

• 전반적인 성능: AgentMob은 모든 학습 불필요 LLM 기반 방법 중 가장 강력한 전반적 성능을 달ável했습니다. GPT-5.4를 사용할 때, BW에서 71.42% Acc@1, YJMob100K에서 33.14%, Shanghai ISP에서 **33.50%**를 달성했습니다.
• 지도 학습 모델과의 비교: 규칙적인 데이터가 풍부한 BW 데이터셋에서는 지도 학습 모델(Transformer 등)이 여전히 우수했지만, YMLob100K와 Shanghai ISP에서는 AgentMob이 지도 학습 베이스라인을 능가했습니다. 이는 위치 공간이 조밀하거나 이력이 희소할 때 증거 기반 추론이 경쟁력이 있음을 시사합니다.
• LLM 컨트롤러의 역할: LLM 컨트롤러를 결정론적 규칙(AgentMob-Statistics)으로 대체한 어블레이션 연구(ablation study) 결과, LLM 컨트롤러가 모호한 사례(non-fast-path)에서 가장 유의미한 이득을 제공함을 보여주었습니다. BW의 non-fast-path 서브셋에서 컨트롤러는 Acc@1을 30.65%에서 48.62%로 향상시켜, 상충하는 신호를 교차 검증하는 데 있어 그 가치를 입증했습니다.
• 효율성: AgentMob은 적응형 전략 덕분에 매우 효율적입니다. BW 데이터셋에서 62.54%의 샘플이 fast path를 통해 해결되었으며, 이는 모든 샘플을 고정된 무거운 추론 절차로 처리하는 베이스라인들에 비해 더 낮은 실제 실행 시간(wall-clock time)과 토큰 사용량을 기록했습니다.

의의 및 주장
본 논문은 AgentMob이 정적인 단일 패스 예측에서 적응형, 증거 기반, 반복적 추론으로의 전환을 나타낸다고 주장합니다. 이 논문의 주요 의의는 다음과 같습니다:

1. 적응형 추론의 중요성: 예측 난이도에 따라 추론 노력(fast path 대 deep reasoning)을 동적으로 할당하는 능력이 모든 샘플에 균일하고 계산 비용이 많이 드는 절차를 강요하는 것보다 더 효과적임을 보여줍니다.
2. 증거 기반의 신뢰성 향상: 다중 소스의 증거(행동, 지리, 통계)를 명시적으로 검색하고 교차 검증함으로써, 시스템은 정적 프롬프트나 순수 통계 모델이 해결할 수 없는 모호함을 해결할 수 있습니다.
3. 학습 불필요 방식의 생존 가능성: 시스템에 구조화된 도구와 적응형 컨트롤러가 갖춰져 있다면, 작업 특화된 모델 학습 비용 없이도 고품질의 모빌리티 예측을 달성할 수 있습니다.

저자들은 자신들의 접근 방식의 주요 이점이 단순히 원시 정확도에 있는 것이 아니라, 결정론적 통계가 실패하는 모호한 시나리오에서 신뢰할 수 있는 예측을 제공하는 능력이며, 동시에 일상적인 사례를 위한 fast-path 메커니즘을 통해 효율성을 유지하는 데 있다고 결론짓습니다.