ELLMob: 자체 정렬 LLM 프레임워크를 활용한 이벤트 기반 인간 이동 경로 생성

ELLMob: Event-Driven Human Mobility Generation with Self-Aligned LLM Framework

인간 이동 경로 생성은 도시 시스템 연구에서 널리 사용되는, 현실적인 이동 데이터 생성 기술입니다. 기존의 대규모 언어 모델(LLM) 기반 방법은 일상적인 경로 생성에는 뛰어나지만, 대규모 사회적 이벤트 동안 발생하는 비정상적인 이동 패턴을 제대로 반영하는 데 어려움을 겪습니다. 이러한 한계는 다음 두 가지 중요한 문제점에서 비롯됩니다: (1) 설계 및 평가를 위한 이벤트 정보가 포함된 이동 데이터셋의 부족, 그리고 (2) 현재 프레임워크가 사용자의 습관적인 패턴과 이벤트로 인한 제약 조건 사이의 충돌을 해결하지 못하여 이동 경로 결정을 내리는 데 어려움을 겪는다는 점입니다. 본 연구는 이러한 문제점을 해결하기 위해 다음과 같은 두 가지 주요 기여를 합니다. 첫째, 태풍 하귕이비스, COVID-19, 그리고 도쿄 2021 올림픽 등 세 가지 주요 이벤트를 포함하는 최초의 이벤트 정보가 포함된 이동 데이터셋을 구축했습니다. 둘째, 퍼지-트레이스 이론에 기반하여 사용자의 습관적인 패턴과 이벤트 제약 조건 사이의 상반되는 이유를 추출하고, 이를 반복적으로 조정하여 사용자의 습관적인 패턴을 반영하면서도 이벤트에 효과적으로 대응하는 이동 경로를 생성하는 자체 정렬 LLM 프레임워크인 ELLMob을 제안합니다. 광범위한 실험 결과, ELLMob은 모든 이벤트에서 최첨단 모델을 능가하는 성능을 보여주며, 그 효과를 입증합니다. 저희의 코드와 데이터셋은 https://github.com/deepkashiwa20/ELLMob 에서 이용하실 수 있습니다.

Human mobility generation aims to synthesize plausible trajectory data, which is widely used in urban system research. While Large Language Model-based methods excel at generating routine trajectories, they struggle to capture deviated mobility during large-scale societal events. This limitation stems from two critical gaps: (1) the absence of event-annotated mobility datasets for design and evaluation, and (2) the inability of current frameworks to reconcile competitions between users' habitual patterns and event-imposed constraints when making trajectory decisions. This work addresses these gaps with a twofold contribution. First, we construct the first event-annotated mobility dataset covering three major events: Typhoon Hagibis, COVID-19, and the Tokyo 2021 Olympics. Second, we propose ELLMob, a self-aligned LLM framework that first extracts competing rationales between habitual patterns and event constraints, based on Fuzzy-Trace Theory, and then iteratively aligns them to generate trajectories that are both habitually grounded and event-responsive. Extensive experiments show that ELLMob wins state-of-the-art baselines across all events, demonstrating its effectiveness. Our codes and datasets are available at https://github.com/deepkashiwa20/ELLMob.