본 논문은 대규모 언어 모델(LLM)을 교통 수요 모델링에 활용하는 새로운 프레임워크를 제시합니다. LLM과 인간의 행동 불일치 문제를 해결하기 위해, 기존 여행 수요 데이터의 제약 조건을 고려하여 효율적이고 실용적인 개인 특성 추론 및 적용 과정을 통해 LLM을 조정하는 방법을 제안합니다. 실증 데이터를 기반으로 기본 개인 특성 집합을 설정하고, 행동 임베딩으로 구동되는 학습된 개인 특성 적용 함수를 사용하여 LLM을 조건화합니다. Swissmetro 모드 선택 데이터셋을 사용한 검증 결과, 제안된 방법은 기존 모드 선택 모델 및 LLM 기반 시뮬레이션 모델보다 집계 모드 선택 비율과 개별 선택 결과 예측에서 훨씬 우수한 성능을 보였으며, 해석 가능한 매개변수를 통해 인구 행동에 대한 통찰력을 제공합니다. 결론적으로, 본 연구는 더욱 적응력 있고 해석 가능하며 자원 효율적인 강력한 LLM 기반 교통 행동 시뮬레이션 경로를 제공하여 향후 교통 수요 모델링 실무에 LLM을 통합하는 길을 열어줍니다.
