본 연구는 인간의 이동성을 이해하고 재현하기 위해, 공간적, 시간적 정확성뿐만 아니라 실제 이동 결정의 기저에 있는 인지 계층 구조에 대한 인식을 통합하는 것을 목표로 한다. 이를 위해 Narrative-to-Action이라는 계층적 LLM-Agent 프레임워크를 제안한다. 이 프레임워크는 고수준 내러티브 추론, 중간 수준 반사적 계획, 저수준 행동 실행을 통합하여 인간 행동의 의미론적 일관성과 인과적 논리를 포착한다. "창의적 작가" 및 "구조적 파서" 에이전트를 활용하여 일기 스타일의 내러티브를 생성하고, 이를 기계가 읽을 수 있는 계획으로 변환한다. 또한, 직업별 이동 엔트로피(MEO)라는 새로운 지표를 통해 환경 시뮬레이션에서 적응형 행동 조정을 가능하게 한다.
