AI 교통 과학자를 활용한 자율적인 교통 법칙 발견

Autonomous discovery of traffic laws with AI traffic scientists

보편적인 교통 법칙은 도시 간의 정체, 이동성 및 운전 행동에서 나타나는 반복적인 패턴을 설명하며, 이는 교통 계획, 관리 및 제어에 대한 과학적 기반을 제공합니다. 그러나 이러한 법칙의 발견은 여전히 전문가 주도로 이루어지며, 후보 규칙성을 다양한 관찰 데이터를 통해 식별하거나 실험적 개입을 통해 검증해야 합니다. 자율적인 인공 지능(AI) 시스템이 통제된 실험실 환경에서 과학적 발견에 기여했지만, 이를 복잡한 교통 영역으로 확장하는 것은 여전히 어려운 과제입니다. 본 연구에서는 TrafficSci라는 에이전트 기반 AI 시스템을 소개합니다. TrafficSci는 교통 법칙 발견을 반복적이고 감사 가능한 워크플로우로 구성하며, 증거 범위 설정, 비평-판단 가설 유도 및 관찰-개입 검증 단계를 통합합니다. 네 가지 사례 연구를 통해(인구 규모, 네트워크 규모, 제어 규모 및 경로 규모), TrafficSci는 세 가지 확립된 교통 법칙을 자율적으로 재발견하고 도시 운전 행동에서 보고되지 않은 고유한 시간적 기억 척도를 식별했습니다. 이 결과는 통계적으로 일관성이 있으며, 이는 여덟 개의 도시와 두 개의 경로 데이터셋에 걸쳐 나타났습니다. TrafficSci는 AI 기반 과학적 발견을 통제된 영역에서 복잡한 도시 시스템으로 확장할 수 있는 방법을 제시합니다.

Universal traffic laws describe recurrent patterns in congestion, mobility and driving behavior across cities, providing a scientific basis for transportation planning, management and control. Their discovery, however, remains expert-driven, requiring candidate regularities to be identified from heterogeneous observational evidence or validated through intervention experiments. Although autonomous artificial intelligence (AI) systems have advanced scientific discovery in controlled laboratory settings, extending them to complex transportation domains remains a challenge. Here we present TrafficSci, an agentic AI system that formulates traffic-law discovery as an iterative, auditable workflow integrating evidence scoping, critic-judge hypothesis induction, and observational-interventional validation. Across four case studies spanning population, network, control and trajectory scales, TrafficSci autonomously rediscovers three established traffic laws and identifies an unreported intrinsic temporal memory scale in urban driving behavior, statistically consistent across eight cities and two trajectory datasets. TrafficSci provides a route for extending AI-driven scientific discovery from controlled domains to complex urban systems.