Spatial-Agent: 과학적 핵심 개념을 활용한 에이전트 기반 지리공간 추론

Spatial-Agent: Agentic Geo-spatial Reasoning with Scientific Core Concepts

지리공간 추론은 도시 분석, 교통 계획, 재난 대응과 같은 실제 응용 분야에 필수적입니다. 그러나 기존의 LLM 기반 에이전트들은 종종 진정한 의미의 지리공간 계산에 실패하며, 대신 웹 검색이나 패턴 매칭에 의존하면서 공간적 관계에 대한 환각(hallucination)을 일으키곤 합니다. 본 논문에서는 공간 정보 과학의 기초 이론에 기반을 둔 AI 에이전트인 Spatial-Agent를 제안합니다. 우리의 접근 방식은 지리 분석 질의응답을 개념 변환 문제로 정형화하여, 자연어 질문을 GeoFlow Graphs(공간 개념에 해당하는 노드와 변환을 나타내는 간선으로 구성된 방향성 비순환 그래프)로 표현되는 실행 가능한 워크플로우로 파싱합니다. 공간 정보 이론을 바탕으로 Spatial-Agent는 공간 개념을 추출하고, 원칙적인 순서 제약 조건에 따라 기능적 역할을 할당하며, 템플릿 기반 생성을 통해 변환 시퀀스를 구성합니다. MapEval-API 및 MapQA 벤치마크에 대한 광범위한 실험 결과, Spatial-Agent는 해석 및 실행 가능한 지리공간 워크플로우를 생성하면서도 ReAct 및 Reflexion을 포함한 기존 베이스라인 모델들의 성능을 크게 능가하는 것으로 나타났습니다.

Geospatial reasoning is essential for real-world applications such as urban analytics, transportation planning, and disaster response. However, existing LLM-based agents often fail at genuine geospatial computation, relying instead on web search or pattern matching while hallucinating spatial relationships. We present Spatial-Agent, an AI agent grounded in foundational theories of spatial information science. Our approach formalizes geo-analytical question answering as a concept transformation problem, where natural-language questions are parsed into executable workflows represented as GeoFlow Graphs -- directed acyclic graphs with nodes corresponding to spatial concepts and edges representing transformations. Drawing on spatial information theory, Spatial-Agent extracts spatial concepts, assigns functional roles with principled ordering constraints, and composes transformation sequences through template-based generation. Extensive experiments on MapEval-API and MapQA benchmarks demonstrate that Spatial-Agent significantly outperforms existing baselines including ReAct and Reflexion, while producing interpretable and executable geospatial workflows.