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.

다중 운집 사고는 주로 도시 내 밀집된 공간에서 발생하며, 보행자의 자유로운 이동이 제한될 때 더욱 위험하다. 이러한 상황에서 군중의 물리적 압력이 더해지면 대형 참사로 이어질 수 있어 예방과 신속한 대응이 필수적이다. 사고 발생 가능성을 최소화하기 위해 서는 실시간으로 군중 밀도를 모니터링하고, 위험 상황을 사전에 경고할 수 있는 예측 시스템 구축이 필요하다. 그러나 현재 사용되는 CCTV 기반 모니터링 시스템은 특정 구역에 국한되며, 설치 및 유지 비용이 높아 광범위한 모니터링에는 한계가 있다. 이에 본 연구 에서는 Cell Transmission Model(CTM)을 기반으로 한 양방향 보행 시뮬레이션 프레임워크를 개발하고, 이를 모바일 통신 데이터로 검증하였다. 연구 과정에서는 먼저 1)단방향 보행 CTM을 구축하고, 2)이를 양방향 보행 CTM으로 확장하여 경계 셀을 재설정하고 유 입량을 조정하는 방식으로 진행했다. 또한, 다중 운집 사고를 구현하기 위해 체류 개념을 추가했다. 검증 단계는 1)대상지 선정, 2)보행 네트워크 구축, 3)시뮬레이션 적용, 4)모바일 통신 데이터와의 비교 검증 순으로 이루어졌다. 대상지는 이태원 참사가 발생했던 이태원 역 부근으로, 20×20m 셀 단위로 보행 네트워크를 구축했다. 시뮬레이션 결과, 모바일 통신 데이터와의 높은 유사도를 보였다. 본 연구 에서 개발한 시뮬레이션은 대규모 행사나 혼잡한 보행 환경에서 군중 밀집을 예측하고, 사고 가능성을 조기에 경고하는 데 활용될 수 있다. 특히, 대형 이벤트나 도시 재난 관리에서 실시간 대응 시스템의 기초 자료로 사용할 수 있다.