Large Language Models as Urban Residents: An LLM Agent Framework for Personal Mobility Generation

This paper introduces a novel approach using Large Language Models (LLMs) integrated into an agent framework for flexible and effective personal mobility generation. LLMs overcome the limitations of previous models by effectively processing semantic data and offering versatility in modeling various tasks. Our approach addresses three research questions: aligning LLMs with real-world urban mobility data, developing reliable activity generation strategies, and exploring LLM applications in urban mobility. The key technical contribution is a novel LLM agent framework that accounts for individual activity patterns and motivations, including a self-consistency approach to align LLMs with real-world activity data and a retrieval-augmented strategy for interpretable activity generation. We evaluate our LLM agent framework and compare it with state-of-the-art personal mobility generation approaches, demonstrating the effectiveness of our approach and its potential applications in urban mobility. Overall, this study marks the pioneering work of designing an LLM agent framework for activity generation based on real-world human activity data, offering a promising tool for urban mobility analysis.

한 줄 요약

LLM을 도시 거주자로 모델링한 개인 이동성 생성 프레임워크 LLMob을 제안하여 도시 이동성 분석의 새로운 가능성을 제시한다.

핵심 기여도

LLM 기반 개인 이동성 생성 프레임워크 **LLMob**을 제안, **개인 활동 패턴**과 **동기**를 통합.
**자기일관성 평가(Self-Consistency Evaluation)**을 도입하여 LLM과 실제 활동 데이터 간 정렬 성능 향상.
**검색 증강 전략(Retrieval-Augmented Strategy)**을 통해 해석 가능한 활동 생성 가능.
**Tokyo 데이터셋** 기반 실험에서 기존 방법 대비 **DARD 지표에서 JSD 50% 감소** 등 우수한 성능 보임.

핵심 아이디어

기존 이동성 생성 모델은 주로 구조화된 데이터(GPS 좌표 등)에 의존하여 의미론적 해석 능력이 부족했다. 본 연구는 LLM이 의미론적 데이터를 처리할 수 있는 장점을 활용하여, **개인 활동 패턴**(habitual activity patterns)과 **동기**(motivation)를 기반으로 도시 거주자와 유사한 이동성 생성을 가능하게 한다. LLM은 단순히 데이터 분포를 모방하는 것이 아니라, **사람의 동기와 상황 변화에 따라 유연하게 활동을 생성**할 수 있어, 기존 방법과 차별화된다. 특히, **LLMob 프레임워크**는 활동 추출, 동기 도출, 그리고 이에 따른 이동성 생성을 단계적으로 처리하며, **자기일관성 평가**를 통해 생성 결과의 일관성을 보장한다.

기술적 접근법

**LLMob 프레임워크**는 **두 단계**로 구성됨:

1. **활동 패턴 추출(Phase 1)**: LLM이 과거 데이터에서 **자기일관성**(self-consistency)을 기준으로 개인별 활동 패턴을 추출.
2. **동기 기반 활동 생성(Phase 2)**: 추출된 패턴을 바탕으로 **검색 증강 전략**(retrieval-augmented strategy)을 통해 동기를 도출하고, 이를 기반으로 활동을 생성.

**LLM Agent 구성 요소**:
**Action**: 환경과 상호작용하며 이동 경로를 생성.
**Memory**: 과거 행동을 저장하고, 다음 행동에 활용.
**Planning**: 과거 행동을 바탕으로 계획을 수립, 수정, 반영.
**프롬프트 기반 시나리오 시뮬레이션**: 특정 이벤트(예: 팬데믹)를 가정한 프롬프트를 통해 LLM의 반응을 관찰.

주요 결과

**Tokyo 데이터셋** 기반 실험에서 LLMob은 기존 기법(attention-based, adversarial learning, diffusion model) 대비 **DARD 지표에서 JSD 50% 감소**.
**패턴**(patterns)과 **자기일관성 평가**(self-consistency evaluation)를 제거한 버전은 성능 저하가 두드러짐.
**Motivation 제거 버전**(w/o ℳ)도 성능 저하, 패턴과 동기가 **성능 향상에 핵심 역할**.
**Motivation Retrieval Strategy** 비교에서 **Evolving-based**가 7/12 케이스에서 우수함.

의의 및 한계

LLMob은 LLM을 도시 이동성 분석에 적용한 **최초의 프레임워크**로, **개인 활동의 의미론적 해석**과 **유연한 시나리오 시뮬레이션** 가능성을 열었다. 특히, 패턴과 동기를 기반으로 한 해석 가능한 활동 생성은 도시 관리 및 정책 설계에 실용적 활용 가능성을 제시한다. 그러나 본 연구는 **개별 에이전트 간 상호작용**을 고려하지 않았으며, 이는 향후 다중 에이전트 시나리오로 확장할 필요가 있다. 또한, LLM의 **데이터 편향** 및 **생성 결과의 일관성 유지** 문제도 지속적인 개선 과제로 남아 있다.

실용적 활용

LLMob은 **도시 교통 관리**, **공공 정책 시뮬레이션**, **개인 이동성 예측** 등에 활용 가능하다. 예를 들어, 팬데믹이나 정책 변화 시나리오에서 LLM을 통해 **개인의 이동성 변화를 예측**하고, 이를 바탕으로 **유연한 도시 관리 전략**을 수립할 수 있다. 또한, **개인 활동 데이터의 익명화 대체**로도 활용 가능하다.