본 논문은 대규모 언어 모델(LLM)을 활용한 에이전트 기반 교통 모델에서, 각 여행자마다 LLM을 호출하는 비효율성과 불안정한 동역학 문제를 해결하기 위해, 동질적인 여행자 그룹을 대표하는 단일 LLM 에이전트를 제안한다. 이 모델은 그룹의 평균 행동을 반영하여 노선에 대한 혼합 전략을 유지하고 업데이트하며, 여행 경험을 바탕으로 긍정적인 강화를 받은 노선을 더 자주 사용하도록 유도한다. 이 방식은 확장성을 개선하고, 의사 결정 로직을 명확하게 하며, 학습을 안정화시킨다. 실험 결과, 사용자 균형에 빠르게 수렴하고, 소득 불균형, 다중 기준 비용, 다중 모드 선택과 같은 복잡한 설정에서도 안정적이고 해석 가능한 동역학을 생성하며, 심리학 및 경제학에서 잘 알려진 행동 패턴(예: 미끼 효과, 고소득 여행자의 편리성 선호)을 재현한다.
