멀티에이전트 워크플로우: 대화형 데이터 수집, 이동 행동 모델링, 기상 민감 수요 예측

배경

이동 행동 연구는 오랫동안 데이터 수집과 예측 모델링을 서로 독립된 두 단계로 나눠 진행해 왔다. 설문지나 인터뷰를 통해 이용자의 선호와 선택 데이터를 모은 뒤, 이를 통계나 머신러닝 방법으로 모델링하고 예측하는 구조였다. 다만 이 두 과정은 대체로 분리되어 설계되고 평가되면서, 데이터가 생성되는 방식과 하류 예측 모델이 실제로 필요로 하는 목표 간에 조화가 이루어지기 어려웠다. 그 결과 수집된 정보가 반드시 후속 예측에 최적화된 형태가 되지 못하는 한계가 있었다. 본 논문은 이러한 격차를 메우기 위해 대화형 데이터 수집, 구조화된 데이터 처리, 행동 예측을 하나의 감사 가능하고 재현 가능한 프로세스에 통합하는 세 개 에이전트 워크로우를 제안한다.

연구자가 집중한 문제는 기상 민감 교통 수요 예측이라는 구체적이고 실용적인 맥락이었다. 대화형이자 이미지 강화 방식으로 이동 수단 선택 데이터를 효율적으로 포착할 수 있는지, 그리고 전통적 행동 모델링과 머신러닝, 다模态 대규모 언어 모델이 동일한 프레임워크 안에서 함께 작동할 수 있는지 검증하는 것이 목표였다. 여기서 강조하고자 한 것은 다전체 협업이 단순한 기술 실습이 아니라 이동 연구에 실제 가치를 제공하는지라는 점이었다.

심층 분석

데이터 수집 단계에서는 챗봇이 실시하는 이미지 강화陈述偏好 설문지를 활용했다. 학생 통학자에게 미리 설정된 다섯 기상 시나리오를 제시하고 각 시나리오에서의 이동 수단 선택을 기록하여 총 454개 응답자-시나리오 관측을 확보했다. 대화형 인터페이스와 이미지 강화는 기상 맥락의 현실감과 몰입도를 높여 수집된 선호의 품질을 개선하기 위한 설계였다.

데이터 처리 단계에서는 기상과 선택 간 연관성을 다항 Logit 모델로 행동 모델링했다. 이는 여러 시나리오에서 선택 확률의 구조를 묘사하는 전형적인 기법이다. 동시에 로지스틱 회귀와 랜덤 포레스트를 머신러닝 기준으로 배치하여 비교 검증했다. 대규모 언어 모델 평가에서는 2억에서 35억 매개변수에 이르는 아홉 개의 로컬 배포 모델을 네 가지 제로샷 조건에서 테스트한 뒤, 성격 설정·소샘플 프롬프팅·시각 설정으로 단계적으로 확장했다. 이처럼 점진적으로 복잡해지는 평가 전략은 태업 특화 미세 조정 없이 다양한 프롬프팅 기법이 성능에 미치는 영향을 체계적으로 살피는 방식이었다.

산업 영향

다섯 클래스 이동 수단 선택 태업에서 랜덤 포레스트는 69.6%의 정확도에 도달했고, 최상의 텍스트 전용 제로샷 대규모 언어 모델은 태업 적응 없이 69.9%를 기록했다. 프롬프팅 실험에서는 통학 정보가 가장 일관된 효과를 냈고, 전문가 관점 프레임이 역할극 프레임보다 일반적으로 우위를 보였다. 또한 통학 정보가 부재할 때 성격 정보가 가장 유용하게 작용했다. 소샘플 프롬프팅은 여러 모델에서 개선을 가져왔으며, 몇 개의 예시 이후로는 효과가 안정화되었다.

특히 응답자에게 제시된 것과 동일한 기상 이미지를 모델에 제공할 때 최상 시각 설정이 71.5% 정확도에 도달하여, 시각적 맥락이 일부 모델에 추가 예측 정보를 제공할 수 있음을 보여줬다. 이러한 발견은 프롬프팅 전략과 다模态 입력이 제공되는 정보와 모델 특성에 따라 다르게 작동함을 보여준다. 오픈소스 커뮤니티에게는 리소스 제약 환경에서 모델 선택을 돕는 아홉 개의 로컬 배포 모델이 참고가 되고, 대화형 이미지 강화 수집 방식은 설문 시행의 비용과 장벽을 낮춘다.

전망

본 논문의 가치는 정확도 수치 그 자체를 넘어, 대화형 설문·구조화된 데이터 처리·전통적 행동 모델링·머신러닝·다模态 예측을 하나로 통합하는 감사 가능하고 조정된 다전체 워크로우를 제시한다는점에 있다. 이런 종단간 협업 접근은 향후 이동 행동 연구에 재사용 가능한 템플릿을 제공한다. 시각적 맥락이 예측력을 높인다는 발견은 연구자가 행동 예측에서 다模态 정보의 가중치를 더 크게 고려해야 함을 시사한다. 동시에 인간의 데이터 생성과 인공지능 모델링을 조정하는 실무 경험을 제공하며, 데이터 수집과 예측을 분리되지 않고 함께 설계하는 프레임으로 나아갈 방향을 제시한다. 다만 본 연구는 학생 통학자를 대상으로 했다는 표본의 제한과 로컬로 제한된 모델 규모를 고려해야 한다. 추후 더 넓은 인구 집단과 다양한 기상 조건으로 확장하고, 다模态 맥락이 항상 성능을 높이는 것은 아니라는 점을 추가로 검증한다면 워크로우의 일반화 가능성을 더 확실히 확인할 수 있을 것이다. 산업 현장에서는 대화형 수집이 설문 응답률을 높이고 데이터 품질을 개선할 잠재력을 지닌다. 기상 민감 수요가 중요한 대중교통이나 공유 이동 서비스 운영자에게는 실시간 대화형 데이터와 예측 모델을 연계한 의사결정 지원 체계로 이어질 수 있다. 다만 이러한 적용을 위해서는 개인 정보 보호와 데이터 거버넌스에 대한 충분한 고려가 수반되어야 한다.

결론적으로 본 논문은 이동 행동 연구에서 데이터 생성과 예측 모델링을 분리하지 않고 통합적으로 설계해야 함을 강조한다. 다전체 협업이라는 프레임이 단순한 기술 유행이 아니라, 감사 가능하고 재현 가능한 연구 프로세스를 통해 실제 가치를 창출할 수 있음을 보여준다는 점에서 의미 있다.