모빌리티 예측은 단순한 통행 경로 예측을 넘어, 사회 전반의 효율성 및 안전성 향상을 위한 핵심 데이터를 제공한다는 점에서 중 요하다. 기존의 예측 기법은 시공간적 규칙성과 개인 이동 패턴의 통계적 특성 분석에 주로 의존하였으며, 최근 딥러닝 기반의 시공간 모델링을 통해 예측 성능이 향상되었다. 그러나 여전히 개인 통행의 단기·장기적 시공간 의존성 및 복잡한 패턴을 처리하는 데 한계가 존재한다. 이를 극복하기 위해, 본 연구는 대규모 사전 학습된 거대 언어 모델(Large Language Model; LLM)을 도입하여, 개인 속성뿐 만 아니라 실제 통행 데이터를 반영한 객체 단위 통행 생성 프레임워크를 제안한다. LLM 기반(ChatGPT-4o) 객체 단위 통행 생성 프레 임워크는 (1) 개인 모빌리티 패턴 학습, (2) 통행 생성의 두 단계로 이루어진다. 이후 한국교통연구원의 개인통행 실태조사(2021) 데이 터를 이용하여 프레임워크의 통행 생성 성능을 확인하였다. 통행 시작·출발 시간 분포, 출발·도착지 장소 유형, 통행목적, 이용 교통수 단의 정확도를 확인한 결과, 대부분 항목에서 70% 이상의 정확도를 보였다. 하지만 통행목적은 13개의 목적 중 하나를 예측해야 하기 에 정확도가 다른 항목에 비해 약 40%로 낮게 나타났다. 본 연구는 통행 생성 프레임워크를 설계하고, 이에 맞춰 입력 데이터를 가공 및 프롬프트 엔지니어링을 수행함으로써 LLM 기반 통행 생성 기술의 가능성을 확인하였다. 향후 프레임워크의 예측 성능 검증 및 개 선을 위한 추가 연구가 필요하며, 날씨, 대규모 행사 등과 같은 외부 요인들을 고려하면 더욱 정교하고 현실적인 통행일지를 생성할 수 있을 것이다.