언어 기반 다중 에이전트 계획을 통한 개인 맞춤형 및 공정한 참여형 도시 센싱

Language-Grounded Multi-Agent Planning for Personalized and Fair Participatory Urban Sensing

참여형 도시 센싱은 인간의 이동성을 활용하여 대규모 도시 데이터를 수집하지만, 기존 방법은 일반적으로 중앙 집중식 최적화에 의존하며, 참가자의 동질성을 가정하여 개인의 선호도와 다양한 도시 환경을 고려하지 못하는 경직된 할당을 초래합니다. 본 연구에서는 개인 맞춤형 및 공정한 참여형 도시 센싱을 위한 LLM(Large Language Model) 기반의 다중 에이전트 프레임워크인 MAPUS를 제안합니다. 제안하는 프레임워크에서 참가자는 개별 프로필과 일정을 가진 자율 에이전트로 모델링되며, 조정 에이전트는 공정성을 고려한 선택을 수행하고, 언어 기반 협상을 통해 센싱 경로를 개선합니다. 실제 데이터셋에 대한 실험 결과, MAPUS는 경쟁력 있는 센싱 범위를 달성하는 동시에 참가자 만족도와 공정성을 크게 향상시켜, 보다 인간 중심적이고 지속 가능한 도시 센싱 시스템을 구축하는 데 기여합니다.

Participatory urban sensing leverages human mobility for large-scale urban data collection, yet existing methods typically rely on centralized optimization and assume homogeneous participants, resulting in rigid assignments that overlook personal preferences and heterogeneous urban contexts. We propose MAPUS, an LLM-based multi-agent framework for personalized and fair participatory urban sensing. In our framework, participants are modeled as autonomous agents with individual profiles and schedules, while a coordinator agent performs fairness-aware selection and refines sensing routes through language-based negotiation. Experiments on real-world datasets show that MAPUS achieves competitive sensing coverage while substantially improving participant satisfaction and fairness, promoting more human-centric and sustainable urban sensing systems.