확장 가능한 LLM 기반 인간 이동 시뮬레이션을 위한 모빌리티 인식 캐시 프레임워크

Mobility-Aware Cache Framework for Scalable LLM-Based Human Mobility Simulation

대규모 인간 이동 시뮬레이션은 도시 계획, 역학, 교통 분석과 같은 응용 분야에서 매우 중요합니다. 최근 연구에서는 대규모 언어 모델(LLM)을 인간 에이전트로 사용하여 구조화된 추론을 통해 현실적인 이동 행동을 시뮬레이션하지만, 높은 계산 비용으로 인해 확장성에 제한이 있습니다. 이러한 문제를 해결하기 위해, 우리는 재구성 가능한 캐시를 활용하여 효율적인 대규모 인간 이동 시뮬레이션을 가능하게 하는 모빌리티 인식 캐시 프레임워크인 MobCache를 설계했습니다. MobCache는 다음과 같은 구성 요소로 이루어져 있습니다. (1) 각 추론 단계를 잠재 공간 임베딩으로 인코딩하고 잠재 공간 평가기를 사용하여 추론 단계를 재사용하고 결합할 수 있도록 하는 추론 구성 요소; (2) 경량 디코더를 사용하여 이동 규칙 기반 지식 증류를 통해 잠재 공간 추론 체인을 자연어로 변환하여 시뮬레이션 효율성을 향상시키면서도 정확도를 유지하는 디코딩 구성 요소. 실험 결과, MobCache는 여러 측면에서 효율성을 크게 향상시키면서 최첨단 LLM 기반 방법과 비교 가능한 성능을 유지하는 것으로 나타났습니다.

Large-scale human mobility simulation is critical for applications such as urban planning, epidemiology, and transportation analysis. Recent works treat large language models (LLMs) as human agents to simulate realistic mobility behaviors using structured reasoning, but their high computational cost limits scalability. To address this, we design a mobility-aware cache framework named MobCache that leverages reconstructible caches to enable efficient large-scale human mobility simulations. It consists of: (1) a reasoning component that encodes each reasoning step as a latent-space embedding and uses a latent-space evaluator to enable the reuse and recombination of reasoning steps; and (2) a decoding component that employs a lightweight decoder trained with mobility law-constrained distillation to translate latent-space reasoning chains into natural language, thereby improving simulation efficiency while maintaining fidelity. Experiments show that MobCache significantly improves efficiency across multiple dimensions while maintaining performance comparable to state-of-the-art LLM-based methods.