GTA: 현실적인 이동 행동 시뮬레이션을 위한 생성적 교통 에이전트

GTA: Generative Traffic Agents for Simulating Realistic Mobility Behavior

사람들의 이동 수단 선택은 개인적인 선호, 사회적 규범, 기술 수용 등 복잡한 요소들의 균형에 의해 결정됩니다. 이러한 행동을 대규모로 예측하는 것은 도시 계획 및 지속 가능한 교통 정책에 중요한 영향을 미치는 과제입니다. 기존 방법은 수작업으로 만들어진 가정과 비용이 많이 드는 데이터 수집을 필요로 하므로, 새로운 기술이나 정책의 초기 단계 평가에는 비현실적입니다. 본 연구에서는 LLM 기반의, 개별 특성을 가진 에이전트를 활용하여 대규모, 상황에 민감한 이동 수단 선택을 시뮬레이션하는 생성적 교통 에이전트(GTA)를 소개합니다. GTA는 인구 조사 기반의 사회 인구 통계 데이터를 사용하여 인공적인 인구 집단을 생성합니다. 활동 일정 및 수단 선택을 시뮬레이션하여, 수작업 규칙 없이도 확장 가능하고 인간과 유사한 시뮬레이션을 가능하게 합니다. 우리는 GTA를 베를린 규모의 실험에서 평가하고, 시뮬레이션 결과를 실제 데이터와 비교했습니다. GTA는 사회경제적 지위에 따른 수단 선택 비율과 같은 패턴을 재현하지만, 이동 거리 및 수단 선호도에서 체계적인 편향을 보이는 것을 확인했습니다. GTA는 자전거 도로에서 대중교통 앱에 이르기까지 미래의 혁신이 이동 결정에 미치는 영향을 모델링하는 새로운 기회를 제공합니다.

People's transportation choices reflect complex trade-offs shaped by personal preferences, social norms, and technology acceptance. Predicting such behavior at scale is a critical challenge with major implications for urban planning and sustainable transport. Traditional methods use handcrafted assumptions and costly data collection, making them impractical for early-stage evaluations of new technologies or policies. We introduce Generative Traffic Agents (GTA) for simulating large-scale, context-sensitive transportation choices using LLM-powered, persona-based agents. GTA generates artificial populations from census-based sociodemographic data. It simulates activity schedules and mode choices, enabling scalable, human-like simulations without handcrafted rules. We evaluate GTA in Berlin-scale experiments, comparing simulation results against empirical data. While agents replicate patterns, such as modal split by socioeconomic status, they show systematic biases in trip length and mode preference. GTA offers new opportunities for modeling how future innovations, from bike lanes to transit apps, shape mobility decisions.