PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.08849v2cs.AI

상호의존적인 도시 대중교통 시스템의 통합 장애 대응을 위한 서비스형 회복탄력성(Resilience-as-a-Service) 평가 프레임워크

A Resilience-as-a-Service assessment framework for coordinated disruption response in interdependent urban transit systems

도시 대중교통 시스템의 장애는 신속한 대응 전략을 필요로 하지만, 기존 연구들은 동적 지표, 승객, 운영자 및 환경 지향적 지표의 공통 집합을 사용하여 다양한 장애 대응 솔루션을 비교할 수 있는 의사결정 지원 프레임워크를 제공하는 경우가 드물었습니다. 본 논문에서는 도시 대중교통 시스템에서 장애 대응 솔루션의 회복탄력성을 평가하기 위한 KPI 기반의 시간 색인(time-indexed) 프레임워크를 제안합니다. 이 프레임워크는 최적화 모델(model)과 에이전트(agent) 기반 시뮬레이션에서의 행동 평가를 결합합니다. 또한 장애가 발생한 회랑을 지원하기 위해 운행 중인 차량을 철수할 때 지원 노선에서 유발되는 2차적인 서비스 저하도 고려합니다. 회복탄력성을 단일 점수로 취급하는 대신 취약성, 적응성, 견고성, 회복탄력성 손실(loss), 대응성, 비용 기반 성능, 배출량, 형평성 등 상호보완적인 차원들을 평가합니다. 본 프레임워크는 일드프랑스(파리) 네트워크의 RER B 노선에 적용되었습니다. 실험 결과에 따르면, 통합 대응 전략은 단일 모드 대안보다 총 장애 비용을 낮추면서도 높은 서비스 연속성을 결합하여 가장 균형 잡힌 회복탄력성 프로파일을 제공하는 동시에, 형평성을 개선하고 경쟁력 있는 환경(environment) 성능을 유지하는 것으로 나타났습니다. 민감도 분석을 통해 통합 다중모드 대응이 가장 유용한 장애 조건들을 추가로 규명합니다.

arXiv:2607.19967v1physics.soc-ph

화주가 알고리즘이 될 때: 후보 노출, 정보 설계, LLM 중개 화물 시장의 집중

When Shippers Become Algorithms: Candidate Exposure, Information Design, and the Concentration of LLM-Mediated Freight Markets

화주들은 운송사 선택을 대규모 언어 모델(LLM) 에이전트에 위임하기 시작하고 있다. 우리는 이러한 위임이 화물 매칭 시장에 어떤 영향을 미치는지, 그리고 어떤 플랫폼 설계 선택이 그 영향을 억제할 수 있는지 묻는다. 우리는 OpenAI(GPT), Anthropic(Claude), Google(Gemini)의 상용 LLM을 기반으로 구축된 50개의 화주 에이전트가 30일간 트럭 적재(truckload) 용량을 조달하는 에이전트 기반 시뮬레이션을 수행했다. 시장은 디지털 화물 매칭의 규칙을 구현한다: 각 화물은 화주의 운송사 순위 목록을 따라 순차적으로 제안된다(waterfall tendering), 운송사는 일일 용량 한도를 가지며, 현물(spot) 가격은 혼잡에 반응하고, 운송사 평점은 거래와 함께 누적된다. 우리는 세 가지 위험과 하나의 효과적인 해결책을 발견했다. 에이전트들은 즉시 수렴했다: 고정된 샘플링된 운송사 집단에서, 동일한 운송사가 첫날 모든 모델의 최빈 1순위 선택이 되어 최대 76%의 요청을 끌어들였다. 각 에이전트가 자신에게 무작위로 제시된 후보 목록에서 선택하기 때문에, 플랫폼은 각 화주가 보는 선택지 수를 통제한다; 목록이 약 10개 운송사를 넘으면 집중도가 급격히 상승했으며, 그 시작 시점은 모델마다 달랐다. 어떤 운송사가 지배적이 되었는지는 샘플링된 시장마다 크게 달랐으며, 추정 평점 대신 실제 품질을 표시하는 것은 집중 수준도 이러한 변동성도 바꾸지 못했다(설계상 품질은 에이전트가 보는 것에만 영향을 미치며, 배송 결과에는 영향을 주지 않는다). 이러한 위험에 대응하여, 각 운송사의 잔여 일일 용량을 공개하는 것은 집중도를 3분의 1 줄이고 화주 잉여를 두 배로 늘렸으며, 벤더 다각화, 목록 순서 무작위화, 인기도 표시는 명확히 탐지 가능한 효과를 보이지 않았다. 플랫폼 정보 설계가 모델 선택이나 모델 규제보다 앞서, 효과가 있는 지렛대이다.

arXiv:2606.29212v1cs.AI

A Cognition-Emotion-Personality Framework for Modeling Human-Like Awareness and Behavior in Emergency Evacuations

Agent-based evacuation simulations are widely used to study crowd behavior during emergencies, but many models rely on assumptions such as perfect event awareness, complete exit knowledge, and fully rational decision-making. This paper presents an extended evacuation framework that integrates cognitive, emotional, social, and personality-related mechanisms into a unified model of human behavior under uncertainty. The framework incorporates a dynamic event-awareness mechanism based on a continuous Event Certainty Level, a memory-based representation of exit knowledge subject to acquisition, forgetting, and recall, a continuous fear model in which panic emerges as a high-intensity state, and an OCEAN-based personality representation. Neuroticism is explicitly integrated into the emotional model, influencing fear generation, escalation, social contagion, and recovery. Behavioral heterogeneity is further captured through individualized decision thresholds that affect responses to perceived risk. The framework is evaluated through simulation experiments examining the effects of spatial familiarity, memory robustness, decision sensitivity, emotional dynamics, and personality variation. Results show that cognitive, emotional, and personality-driven processes substantially influence evacuation dynamics, reducing evacuation efficiency and generating realistic crowd phenomena such as delays, confusion, injuries, and socially influenced behaviors. The proposed framework provides a more realistic representation of human behavior in emergency evacuations and supports systematic investigation of the interactions between cognition, emotion, personality, and crowd dynamics.

arXiv:2508.15555v4cs.MA

HEAS: 다목적 정책 탐색을 위한 계층적 진화 에이전트 기반 시뮬레이션 프레임워크

HEAS: Hierarchical Evolutionary Agent-Based Simulation Framework for Multi-Objective Policy Search

HEAS는 국소 상호작용이 시스템 수준 결과를 만드는 생태계·조직·시장 등을 대상으로, 에이전트 기반 시뮬레이션, 진화 탐색, 시나리오 평가를 하나의 재현 가능한 Python 파이프라인으로 연결하는 프레임워크이다. 계층 런타임, DEAP 기반 진화 튜너, game 모듈을 결합하고 metric contract로 최적화·평가·검증이 동일한 결과 함수를 쓰도록 해 단계마다 전략 순위가 달라지는 문제를 막는다.