본 논문은 교통 분야에서의 이동 경로 분류 문제를 다룬다. 기존의 최첨단(SOTA) 방법들은 지도 학습 기반 심층 학습에 의존하여, 외부 충격 등으로 인한 경로 분포 변화에 취약하다는 한계를 지닌다. 이에 본 논문에서는 신경 기호(neuro-symbolic) 규칙 기반 프레임워크를 제시하여, 기존 모델의 오류 검출 및 수정을 수행하고 이동 경로 플랫폼에 통합한다. 다양한 SOTA 모델에 대한 실험 결과, 높은 정확도의 오류 검출, 변화하는 테스트 분포에 대한 정확도 향상, 기본 사용 사례에 대한 정확도 향상 및 알고리즘 개발에 기여한 이론적 특성들을 보여준다. 특히, 오류 예측에 대한 F1 점수 0.984 달성, 분포 외 정확도의 상당한 성능 향상(제로샷 정확도에서 SOTA 대비 8.51% 향상), 그리고 SOTA 모델을 능가하는 정확도 향상을 달성하였다.
