본 논문은 도시 과학 분야에서 새롭게 개발된 지역의 인간 행동 데이터 수집의 어려움을 해결하기 위해, 대규모 언어 모델(LLM) 기반의 생성 에이전트를 이용한 새로운 방법인 'Preference Chain'을 제시합니다. Preference Chain은 그래프 검색 증강 생성(RAG)을 LLM과 통합하여, 교통 시스템에서의 인간 행동을 문맥에 맞춰 시뮬레이션하는 것을 향상시킵니다. Replica 데이터셋을 이용한 실험 결과, Preference Chain은 실제 교통 수단 선택과의 일치도 측면에서 표준 LLM보다 우수한 성능을 보였습니다. Mobility Agent의 개발을 통해 신흥 도시의 도시 이동성 모델링, 개인화된 여행 행동 분석, 동적 교통 예측 등의 잠재적 응용 가능성을 보여줍니다. 느린 추론 속도와 환각의 위험과 같은 한계점에도 불구하고, 데이터가 부족한 환경에서 복잡한 인간 행동을 시뮬레이션하는 유망한 프레임워크를 제공합니다.
