走向包容性移动建模：城市系统中老年人轨迹模式的特征化与评估

# 城市系统中老年人轨迹模式的特征化与评估即将发表于第七届社会计算国际会议（ICSC）
来源：https://arxiv.org/html/2606.31207
11institutetext:上海财经大学计算与人工智能学院，上海，中国
22institutetext:教育部计算与经济跨学科研究重点实验室，上海财经大学，上海，中国
33institutetext:纽约大学数据科学中心，纽约，美国
33email:zhoumengying@sufe\.edu\.cn## 迈向包容性移动建模：城市系统中老年人轨迹模式的特征化与评估††thanks:即将发表于第七届社会计算国际会议（ICSC）

###### 摘要

智慧城市的快速发展日益依赖轨迹数据挖掘，然而代表性不足的人口群体，尤其是老年人，在公共出行数据集中往往呈现稀疏分布。这种代表性缺失可能给移动建模和下游城市规划引入系统性偏差。本研究利用2016–2020年泽西城Citi Bike系统数据子集，以合成轨迹生成为案例，定量考察了代表性不足子群体移动签名的缺失如何影响移动建模。分析揭示，老年骑手表现出结构独特的移动签名，包括局部化的活动空间（958米 vs. 年轻骑手的1,189米）、较低的移动熵（1.82 vs. 4.15）以及非对称的非高峰时段模式。为证明依赖多数群体主导的训练数据会产生有偏的合成结果，我们进一步评估了一阶马尔可夫链和经过QLoRA微调的Qwen3-4B模型在三种人口训练设置下的表现：全人口、仅年轻骑手和仅老年骑手。结果表明，在多数群体主导人口上训练的模型会系统性误判老年移动行为，尤其在空间移动指标上尤为明显。基于全人口训练的马尔可夫模型高估老年步长4.5%和高估停留时间8.9%，而针对老年人训练的模型在大多数指标上达到了显著更低的误差。马尔可夫框架与基于LLM的框架之间的比较进一步表明，在有限人口数据下，能力更强的模型未必能提升子群体层面的保真度。这些发现强调了人口代表性在移动建模及其面向代表性不足人群的下游应用中的重要性。

††footnotetext:⋆同等贡献。††footnotetext:†通讯作者。## 1引言

智能技术在城市基础设施中的集成重塑了交通规划和公共卫生，而轨迹数据挖掘是其核心[36 (https://arxiv.org/html/2606.31207#bib.bib1)]。随着全球人口老龄化，确保智慧城市系统公平服务于所有人群体已成为社会计算领域的紧迫关切[20 (https://arxiv.org/html/2606.31207#bib.bib22)]。然而，支撑这些系统的数据集很少带有精细的人口统计标注，使得老年人口的移动模式在标准分析流程中几乎不可见[10 (https://arxiv.org/html/2606.31207#bib.bib2),8 (https://arxiv.org/html/2606.31207#bib.bib8),1 (https://arxiv.org/html/2606.31207#bib.bib23)]。近期的大规模分析证实了人类移动数据中存在系统性的人口统计差异[33 (https://arxiv.org/html/2606.31207#bib.bib32),22 (https://arxiv.org/html/2606.31207#bib.bib33)]，并且越来越多的研究呼吁在城市计算中实现算法公平[34 (https://arxiv.org/html/2606.31207#bib.bib31),17 (https://arxiv.org/html/2606.31207#bib.bib42)]。

在老年友好型城市规划[6 (https://arxiv.org/html/2606.31207#bib.bib37)]中，捕捉老年人独特的出行模式至关重要：其移动性受身体可达性、安全考虑和不同的日常活动安排所塑造[14 (https://arxiv.org/html/2606.31207#bib.bib35),35 (https://arxiv.org/html/2606.31207#bib.bib36)]。在广泛、未标注的数据集上训练的移动模型，若这些数据集不成比例地代表年轻、工作年龄人口，则会固有地编码人口统计偏见[27 (https://arxiv.org/html/2606.31207#bib.bib34)]。

当源自多数人群体的合成移动数据用于指导设施分配或公交路线等下游决策时，老年骑手的移动模式可能被系统性低估，从而可能削弱诸如15分钟城市等倡导本地化和可及社区愿景的倡议[18 (https://arxiv.org/html/2606.31207#bib.bib41)]。

研究这一问题的关键障碍在于缺乏带有可靠人口统计标签的移动数据集。Citi Bike共享单车系统历史上会在账户注册时收集骑手的出生年份和性别，这提供了少数几个带有年龄元数据的大规模移动数据源之一[19 (https://arxiv.org/html/2606.31207#bib.bib25)]。然而，出于隐私考虑，Citi Bike自2021年起从公开出行数据中移除了人口统计属性。

为了考察人口统计代表性不足如何将偏差传播到下游移动建模中，本研究使用合成轨迹生成作为受控测试平台。我们构建了一个实验框架，在相同的人口统计训练条件下比较一阶马尔可夫链和大语言模型（LLM）。我们聚焦于2016–2020年JC Citi Bike数据集，并构建了一个能隔离人口组成影响的受控实验设计。主要贡献如下：

1. 1. **按年龄划分的移动特征刻画**：通过对比分析2016–2020年泽西城Citi Bike中老年（年龄≥65）和年轻（年龄18–35）骑手群体，我们证明老年人表现出结构独特的移动签名：空间受限（回转半径为958米，对比1,189米）、行为规律（熵1.82，对比4.15），以及时间上偏移于通勤高峰。
2. 2. **受控的多模型实验**：我们评估了一阶马尔可夫链和经过QLoRA微调的Qwen3-4B模型在三种人口统计训练设置（全人口、仅年轻、仅老年）下的表现。这一受控设计隔离了人口组成对下游移动保真度的影响，同时允许在结构化概率序列建模与高能力序列建模方法之间进行直接比较。
3. 3. **人口组成对下游移动保真度的影响**：我们的结果量化了训练数据中的人口统计不平衡如何将偏差传播到下游移动建模中。在多数群体主导人口上训练的模型系统性高估了老年人的移动特征，而针对老年人训练的模型则与经验老年移动模式达成了显著更高的吻合度。
4. 4. **可复现的评估框架**：我们提出了一个可复现的评估流程，涵盖数据预处理、移动指标构建、合成轨迹生成和子群体特定评估。该框架为评估下游移动建模中的人口统计特异性保真度提供了基准。

## 2相关工作

### 2.1人类移动与轨迹生成

理解人类移动是城市计算的基础[36 (https://arxiv.org/html/2606.31207#bib.bib1)]。González等人的早期开创性工作[12 (https://arxiv.org/html/2606.31207#bib.bib6)]和Song等人[26 (https://arxiv.org/html/2606.31207#bib.bib7)]利用手机数据证明了人类移动具有高度规律性和可预测性，并表现出有界的空间方差。Alessandretti等人[2 (https://arxiv.org/html/2606.31207#bib.bib44)]进一步揭示，人类移动在特征性的空间和时间尺度上运行，个体轨迹展现出稳定且独特的模式。

在此基础上，轨迹生成已从统计建模发展到复杂的深度学习技术。传统方法，如基于网格的马尔可夫模型，通过转移矩阵模拟移动，而数据驱动的常规模型则通过学习历史模式来合成轨迹[21 (https://arxiv.org/html/2606.31207#bib.bib3)]。近年来，深度生成模型，包括生成对抗网络（GAN）[15 (https://arxiv.org/html/2606.31207#bib.bib15),24 (https://arxiv.org/html/2606.31207#bib.bib17)]、序列到序列架构和时空图神经网络[31 (https://arxiv.org/html/2606.31207#bib.bib14)]，已被用于捕获复杂的时空依赖关系。扩散概率模型的出现进一步推动了该领域：DiffTraj[38 (https://arxiv.org/html/2606.31207#bib.bib27)]及相关方法[11 (https://arxiv.org/html/2606.31207#bib.bib29)]利用迭代去噪生成高保真GPS轨迹，提升了样本质量和多样性。最近，基于LLM的方法如MobilityGPT[29 (https://arxiv.org/html/2606.31207#bib.bib30)]被提出，将轨迹视为令牌序列进行自回归生成。几篇综合性综述文献已对这片快速扩展的领域进行了分类[4 (https://arxiv.org/html/2606.31207#bib.bib12),37 (https://arxiv.org/html/2606.31207#bib.bib26)]。然而，这些模型大多针对一般人口准确性进行优化，往往忽视了代表性不足的子群体的细致移动模式[27 (https://arxiv.org/html/2606.31207#bib.bib34)]。

### 2.2轨迹评估与隐私

合成轨迹质量的评估提出了多方面挑战。经典方法依赖于统计分布匹配（例如，比较步长、速度、回转半径），而序列对齐指标如动态时间规整[25 (https://arxiv.org/html/2606.31207#bib.bib9)]和弗雷歇距离[3 (https://arxiv.org/html/2606.31207#bib.bib10)]则评估结构保真度。Lucas等人[16 (https://arxiv.org/html/2606.31207#bib.bib38)]近期提出了一个涵盖统计、空间和时间维度的全面质量框架，而Wang等人[30 (https://arxiv.org/html/2606.31207#bib.bib39)]系统综述了深度学习时代的轨迹相似度度量。

除了质量问题，隐私保护的轨迹生成也日益受到关注。Cunningham等人[7 (https://arxiv.org/html/2606.31207#bib.bib16)]为具有正式隐私保证的合成位置数据建立了基础方法。Chen等人[5 (https://arxiv.org/html/2606.31207#bib.bib40)]推进了平衡效用与隐私的差分隐私轨迹生成，而Van de Ven等人[28 (https://arxiv.org/html/2606.31207#bib.bib43)]批判性地审视了生成模型在轨迹隐私方面的局限性。出于隐私考虑，自2018年起，Citi Bike出行数据中不再公开出生年份和性别等人口统计属性，这使得在该平台上可用的评估算法公平性的人口统计信号更少。我们的工作量化了这些信号的缺失如何降低老年人移动模型及其下游输出的保真度。

### 2.3面向老年友好城市的社会计算

社会计算与城市老年学的交叉点突显了老年友好城市环境的必要性[32 (https://arxiv.org/html/2606.31207#bib.bib4)]。研究表明，老年人通常面临与身体能力和公共交通可达性相关的移动限制，导致其高度依赖本地化、以邻里为中心的出行[10 (https://arxiv.org/html/2606.31207#bib.bib2),13 (https://arxiv.org/html/2606.31207#bib.bib18)]。近期利用手机数据[14 (https://arxiv.org/html/2606.31207#bib.bib35)]和GPS追踪[35 (https://arxiv.org/html/2606.31207#bib.bib36)]的大规模研究提供了量化证据，表明与较年轻人群相比，老年人的活动空间显著更小、移动熵更低、时间模式也截然不同。

尽管包容性城市[6 (https://arxiv.org/html/2606.31207#bib.bib37)]和15分钟城市范式[18 (https://arxiv.org/html/2606.31207#bib.bib41)]日益受到重视，但隐私担忧[8 (https://arxiv.org/html/2606.31207#bib.bib8)]以及公共移动数据集中年龄标注的有限可用性，制约了关于老年人移动的数据驱动研究。近期对移动数据中人口统计差异的分析[33 (https://arxiv.org/html/2606.31207#bib.bib32),22 (https://arxiv.org/html/2606.31207#bib.bib33)]，以及城市计算中算法公平性的新兴工作[34 (https://arxiv.org/html/2606.31207#bib.bib31)]，强调了解决代表性缺口的必要性。我们的工作通过利用2016–2020年泽西城Citi Bike系统数据子集（包含公开可用的年龄标注出行记录）来弥合这一差距，系统评估训练数据组成如何影响面向代表性不足人群的移动模型保真度。

## 3刻画老年人移动模式

在评估人口组成如何偏向下游移动建模之前，我们首先确定老年骑手和年轻骑手是否确实表现出有意义的移动模式差异。本节将Citi Bike出行记录处理为移动轨迹，定义全文使用的空间和时间指标，并将其应用于比较两个群体。由此得到的刻画确认老年骑手遵循结构独特的移动签名，为第4节的受控实验奠定基础。

### 3.1数据源与预处理

Citi Bike是一个在泽西城和纽约市运营的共享单车系统。它提供出行级记录，包含起终点站点、站点坐标、出行时长、用户类型，以及2021年之前记录的骑手出生年份和性别。利用骑手出生年份，我们将在2016年至2020年间记录的1,638,153次泽西城出行，按60个月时段划分为年龄组。

在剔除哈弗辛距离大于10公里或计算速度超过10米/秒的出行后，保留了93.3%的记录，得到包含来自6,102辆自行车的1,528,325次出行的全人口数据集。利用骑手出生年份，我们从过滤后的数据中定义老年人（65岁以上）和年轻人（18-35岁）子集。老年人子集包含来自2,007辆独特自行车的14,394次出行，占所有过滤出行的0.9%，而年轻人子集包含来自5,832辆自行车的783,558次出行，占51.3%。同一自行车相关的出行按时间顺序排列，以构建移动轨迹并计算停留时间。

### 3.2描述性统计

表1 (https://arxiv.org/html/2606.31207#S3.T1)总结了按年龄组分层的JC Citi Bike 2016–2020数据集过滤后的描述性统计。

表1：按年龄组划分的JC Citi Bike 2016–2020数据集（过滤后）的描述性统计。老年组规模远小于年轻组，占所有过滤出行的0.9%，而年轻骑手占51.3%。老年骑手平均轨迹长度也更短（每条轨迹7.2次出行对比134.4次），交互的独特站点更少（50个对比55个），表明整体移动强度较低。