본 논문은 대규모 언어 모델(LLM) 기반의 에이전트 프레임워크인 \textit{TrajAgent}를 제안하여 궤적 데이터 패턴 마이닝 및 미래 예측을 포함하는 궤적 모델링을 자동화합니다. \textit{TrajAgent}는 다양한 궤적 모델링 작업을 효율적으로 처리하기 위해 특화된 모델들을 활용하고 최적화합니다. 이를 위해, 통일된 데이터 및 모델 인터페이스를 갖춘 실행 환경인 \textit{UniEnv}를 개발하고, 다양한 궤적 작업과 데이터에 대한 자동 궤적 모델링을 위한 에이전트 기반 워크플로우를 도입했습니다. 또한, LLM 기반 에이전트와 소규모 전문 모델 간의 협력 학습 방식을 통해 프레임워크의 성능을 향상시켰습니다. 4개의 실제 데이터셋을 사용한 4가지 작업에 대한 실험 결과, \textit{TrajAgent}는 기존 방법보다 2.38%에서 69.91%의 성능 향상을 보였습니다.
