Towards Inclusive Mobility Modeling: Characterizing and Evaluating Elderly Trajectory Patterns in Urban Systems

背景

随着智慧城市建设的推进，轨迹数据挖掘已成为城市交通规划、出行服务优化和公共政策制定的重要基础。从共享单车到网约车，从公共交通调度到应急管理，大量城市智能系统都依赖对居民出行模式的建模与预测。然而，这些系统的训练数据往往存在一个被长期忽视的结构性缺陷：老年群体在公开出行数据集中的代表性严重不足。

老年人是城市人口的重要组成部分，却也是出行需求最容易被技术系统忽略的群体。与年轻人相比，老年人的出行模式在空间范围、时间分布、目的地选择等方面可能存在系统性差异。如果建模数据中老年人样本不足，由此产生的模型可能会在无意中放大对老年群体的偏见，导致面向全龄友好的城市服务设计出现偏差。这一问题在生成式AI和大语言模型被越来越多地应用于出行推荐、轨迹合成等场景后，变得尤为突出。

核心内容

这项研究以2016至2020年泽西市（Jersey City）Citi Bike共享单车系统的数据为样本，聚焦于老年骑行者的出行特征，旨在量化分析少数群体数据缺失对移动建模的影响。研究以合成轨迹生成为具体案例，系统性地探讨了以下三个层面的问题：

第一，老年骑行者的移动特征是否与年轻群体存在结构性差异？ 分析结果显示，老年骑行者的移动模式确实呈现出与年轻群体截然不同的特征。具体而言，老年骑行者的活动空间范围显著更小——其活动半径的中位数为958米，而年轻骑行者则为1,189米。在移动熵（mobility entropy）方面，老年骑行者的熵值为1.82，远低于年轻群体的4.15，表明老年群体的出行目的地更加集中、路径选择更为固定。此外，老年骑行者的时间分布呈现非对称的"离峰"模式，与年轻群体偏好的高峰出行模式形成鲜明对比。

第二，基于多数群体数据训练的模型是否会产生系统性偏差？ 研究团队设计了三组对比实验：使用全量人口数据训练、仅使用年轻骑行者数据训练、以及仅使用老年骑行者数据训练。分别采用一阶马尔可夫链和经过QLoRA微调的Qwen3-4B大语言模型进行合成轨迹生成。实验结果揭示了一个重要现象：当模型仅基于多数群体（年轻骑行者）数据进行训练时，其生成的合成轨迹会系统性地偏离老年群体的真实移动模式。具体而言，基于全量人口数据训练的马尔可夫模型对老年骑行者步长的估计偏高4.5%，停留时间的估计偏高8.9%。相比之下，专门针对老年群体数据训练的模型在绝大多数指标上都表现出显著更低的误差。

第三，更高容量的模型是否能在数据受限条件下提升子群体保真度？ 这是研究中最具反直觉的发现之一。研究团队原本预期，大语言模型凭借其更强的表征能力，可能在有限数据条件下更好地捕捉少数群体的移动模式。然而，对比马尔可夫模型与基于Qwen3-4B的LLM框架后发现，在人口统计数据有限的条件下，更高容量的模型并不一定能提升子群体级别的保真度。这一发现提醒我们，模型能力的提升并不能自动解决数据代表性不足带来的偏差问题。

关键要点

• 老年群体存在独特的移动特征：活动空间更集中（958米 vs. 1,189米）、移动熵更低（1.82 vs. 4.15）、时间分布呈现非对称离峰模式，这些差异具有结构性而非随机性。

• 多数群体主导的训练数据会导致系统性偏差：基于全量人口数据训练的模型会高估老年骑行者的步长（+4.5%）和停留时间（+8.9%），说明即使数据中包含老年样本，若其占比不足，模型仍会产生有偏估计。

• 子群体专属训练数据价值显著：专门针对老年群体训练的模型在各项指标上均表现出更低的误差，证明了获取和纳入少数群体数据对提升模型公平性的重要性。

• 模型容量不等于公平性保障：Qwen3-4B等更高容量的LLM在有限人口数据条件下并未自动带来更好的子群体保真度，表明技术能力的提升不能替代对数据代表性的关注。

• 合成轨迹生成是检测偏差的有效案例研究：由于合成轨迹可以精确控制输入特征，研究将其作为验证少数群体移动模式是否被准确捕捉的理想实验场景。

意义与影响

这项研究为移动建模领域提供了一个重要的警示：在追求模型整体性能优化的同时，不能忽视少数群体数据的代表性问题。随着大语言模型和生成式AI在出行推荐、城市规划等领域的应用日益广泛，训练数据中的群体偏差可能会被进一步放大，导致对老年群体等弱势群体的服务设计出现系统性不公平。

从实践层面看，研究建议移动建模应更加重视人口统计维度的数据平衡。对于城市交通规划者和服务提供商而言，这意味着需要主动收集和整合老年群体的出行数据，而非仅仅依赖现有的、可能存在结构性偏差的数据集。对于AI研究者而言，这项研究表明在模型评估阶段需要引入子群体级别的公平性指标，而非仅关注整体准确率。

从方法论角度，该研究也展示了合成轨迹生成作为偏差检测工具的有效性。通过在受控条件下生成和比较不同群体的合成轨迹，研究者可以量化评估模型对不同群体的建模保真度，这一方法有望被推广到其他涉及人口统计维度的建模场景中。

总体而言，这项研究为构建更加包容和公平的智能城市移动系统提供了实证基础和技术路径，强调了在AI驱动的城市系统中，数据代表性是实现真正全龄友好的关键前提。