Predicting Human Mobility during Extreme Events via LLM-Enhanced Cross-City Learning

Created by

Haebom

저자

Yinzhou Tang, Huandong Wang, Xiaochen Fan, Yong Li

💡 개요

도시화와 기후 변화로 인해 극단적 사건 발생 시 도시의 취약성이 증가하고 있으며, 이에 따라 재난 경고 및 구조 자원 배분을 위한 인간 이동 예측의 중요성이 커지고 있습니다. 기존 이동 예측 모델은 일반적인 상황에 맞춰져 있어 극단적 사건 시 이동 패턴 변화에 적응하지 못하는 한계가 있습니다. 본 연구에서는 LLM을 활용하여 이동 의도를 모델링하고 도시 간 극단적 사건이 이동 의도에 미치는 공통 지식을 이전하는 X-MLM 프레임워크를 제안하여 이러한 문제를 해결하고자 합니다.

🔑 시사점 및 한계

•

LLM을 활용한 이동 의도 예측: RAG 기반 의도 예측기와 LLM 기반 의도 정제기를 통해 사용자의 다음 이동 의도를 효과적으로 예측할 수 있습니다.

•

도시 간 지식 이전: 극단적 사건이 도시별 이동 의도에 미치는 공통적인 영향을 LLM으로 모델링하여, 다른 도시에서도 활용 가능한 이동 예측 모델을 구축할 수 있습니다.

•

성능 향상: 제안된 X-MLM은 기존 방법론 대비 Acc@1에서 32.8%, 미이동 예측 F1-score에서 35.0%의 성능 향상을 달성하며 극단적 사건 시 인간 이동 예측의 정확도를 크게 개선합니다.

•

한계점: 본 연구는 텍스트 기반의 LLM을 활용하지만, 실제 이동 의도 변화에 영향을 미치는 다양한 비텍스트 정보(예: 센서 데이터, 사회적 상호작용)를 통합하는 방안에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage