李学超 姜霖

摘要：分析老年用户的出行行为，构建老年用户出行接驳服务系统，提升老年群体短途出行的便捷性和安全性。基于现有共享出行经济和自动驾驶汽车，利用多种传感器、人工智能技术、智能终端应用，构建老年用户出行行为模型，用以识别老人行为和监测异常行为。结合老年社区接驳车和智能终端应用，提出了以用户为中心的老年区域共享出行服务系统。通过分析老年群体出行特征，打通老年用户出行最后一公里，提升老人出行满意度。

关键词：老年出行 接驳车 服务系统 区域共享出行 出行行为模型

中图分类号：TB47

文献标识码：A

文章编号：1003-0069（2020）06-0148-04

Abstract： Analyze the travel behavior of elderly uSers， build a short-distancetravel oervice syotem for elderly uoers， and improve the convenience and safety ofshort-distance travel for the elderly Based on the existing shared travel economyand autonomouo vehicleo，a variety of sensors， artificial intelligence technologies，and intelligent terminal applicationo are used to construct a travel behavior modefofelderly uoers to identify behavioro of the elderly and monitor abnormal behaviorsCombined with the elderly community shuttle bus and intelligent terminal application，a user-centered shared travel service system for the elderly is proposed.By a nalyzingthe characteriotics of the elderly group travel and getting through the last mile of travelfor elderly usero， the satisfaction of the elderly tr：ivel has been improved

Keywords： Old people travel Shuttle bus Service system Regional sharing travel Travebehavior model

引言

在我国人口老龄化趋势下，国内老人数量逐年增长，同时出现了越来越多的老年社区[1]，新晋老年群体的认知能力也将比现有老年群体更高，对智能设施、共享经济会有更加深刻的理解。但现有公共交通服务与老年人出行需求之间的不相适应之处日益明显，越来越多的老人面临出行不便的困扰。而在人工智能、物联网、5G通信等技术浪潮下日益发展的自动驾驶技术将会对老年群体日常出行产生深远影响，解决老年人出行中最关键的问题。因此本文提出老年区域共享接驳服务系統，以期提升老年群体出行的便利性。

一、研究背景

（一）老年群体出行特征

老年群体的综合出行能力受到年龄、健康状况、教育背景、经济水平、出行环境等因素的影响，易出现体力不支、突发疾病、迷失方向、丢失物品等问题，出行安全难以保障。随年龄的增长，老年人选择公共交通的倾向性强，出行目的地包括老年社区周围配置的医院、学校、超市和菜场、银行、公共交通站点等，短途出行特征明显。老年群体的出行问题和出行需求如表1所示。基于共享出行和自动驾驶技术，打通老年群体出行的“最后一公里”，利于满足老人的出行需求，更好地享受城市出行基础设施的便利。

（二）自动驾驶便利老人出行

近年来，汽车的使用方式逐步趋向于共享和随需求使用，对环境和低收入群体友好。目前有两种主流的共享汽车方案，一种为企业对消费者的汽车共享（B2C，如EVcard、联动云租车、ha：mo等），可为用户提供足够的选择，通常作为用户常规路线的出行[2]。另一种为在线上平台点对点的汽车共享（P2P）。上述共享汽车具有较好的灵活性和轻量化特征，但需用户手动操作，对老年用户来说具有一定的风险和难度。

自动驾驶技术能够深刻改变现有交通运输系统，影响用户出行方式，且用户对该出行方式的接受度近年来也逐步提升[3]。共享自动驾驶汽车将代替传统汽车使用的诸多环节（取车、驾驶、停车、加油或充电等），具有显著降低车祸事故概率、减少尾气排放、提升车流效率、方便老人等弱势群体出行的优势[4]。由于提高了车辆利用率，共享自动驾驶汽车最多可将出行成本降低85%[5]，甚至一辆共享自动驾驶汽车可代替3-15辆常规车辆[6]，由此降低90%的停车需求[7]。

胡骏、胡天翼[8]提出了车载仿真测试系统和实验室仿真测试开发系统两部分，用来进一步评估和提升自动驾驶系统的安全性。T.Donna Chen等人研究了不同数量的自动驾驶电动汽车与充电基础设施之间的关系[6]，为接驳车的运营提供了有益指导。根据国际自动机工程师学会（SAE International）对自动驾驶等级的分类[9]，我国部分车辆已经达到L4级，如郑州宇通智联巴士已具备半开放道路的运营能力。从网约车市场来看，自动驾驶技术正逐步商业化（如滴滴出行）。综上，共享自动驾驶汽车必将深远影响老人出行方式。

（三）老年短途出行现有解决方案

国内现有运营较好的适老化公共交通系统较少，在老人出行最后一公里中可达性较差，同时存在一定的换乘繁琐问题。尽管绝大多数公交和地铁中设置了弱势群体专座，部分地铁站设置升降电梯便于换乘，极少公交车或站台配置了台阶自动升降装置。不少城市采取老年公交卡或老年综合津贴制度对老年人出行进行补贴[10]，但无法满足老人个性化的出行需求。张玉琇[11]分析了法国波尔多、香港、湛江、上海四个城市的微循环公交（表2），表明法国DRT（需求响应交通，Demand Responsive Transport，DRT）社区巴士预约公交服务在波尔多、勒阿弗尔等城市均取得较好效果，但其在记录、整理预约数据仍存在不足，人力成本较高，系统智能仍有待发展。

二、老年接驳服务系统框架设计

研究表明，与外部场景的连接性是老年接驳服务系统的重点。根据当下社会背景、技术水平及共享出行服务，提出基于区域共享出行的老年接驳服务系统，如图1。

（一）系统结构与运算层级

该系统包括接驳车、智能终端、社区三大功能模块，运算结构分为数据获取层、运算次级中心、运算中枢三级，如图2。在数据获取层级，用户和智能终端、接驳车及其所处场景中的传感器采集的数据为系统主要数据来源。运算次级中心层级含有系统分布结构中的多个次级核心，进行部分数据处理和决策。运算中枢包括社区数据中心和云数据中心，社区数据中心是系统中的最大核心，负责系统整体调度。云数据中心是系统中的重要数据来源，是系统和互联网连接的窗口，同时也是系统功能拓展的接口。

（二）用户出行行为模型

用户出行行为模型是服务系统的重要部分。接驳车内设置健康检测等装置，并与社区数据中心联网，用户在乘车过程中的出行行为数据和健康数据自动录入到社区个人中心，构建个人出行行为模型，由此对老人异常行为进行预警和处理，包括语音提示老人、通知子女、呼叫救护等。在5G网络的覆盖下，系统内外数据运算、交换便捷，不断完善模型准确度，提高系统精准服务的能力。下面对系统主要功能模块、出行数据获取和运算结构、出行行为数据分析处理展开介绍。

三、系统主要功能模块

（一）接驳车模块

1.技术条件

接驳车的自动驾驶系统一般包括采集、感知、通讯、数据库、人机接口和决策模块，以及控制、执行机构模块，如图3。自动驾驶系统的核心决策模块需使用其他模块的输出结果，然后将其决策信息发送给控制模块，最后由执行机构控制、执行完成自动驾驶任务。其中采集模块主要是接驳车上的传感器。

除完成正常的自動驾驶任务外，接驳车的设计应满足以下原则：

①接驳车应符合老年用户的人机尺寸，并具有可调整范围;

②接驳车应为三座或四座，符合多人出行需求;

③接驳车能够识别老人身体姿态和动作，并能对异常行为做出判断和处理;

④系统应具备自我迭代更新的功能，即能够根据持续更新的用户数据和行驶数据来完善系统，提升安全性能;

⑤系统应具有个性化，即根据每个用户的基础信息和乘车数据，生成个人偏好设置，如针对健忘老人，可加强提醒带好随身物品;

2.共享模式

共享接驳车在社区内依据居民出行目的地频次和相对位置设置固定双向环形路线。固定路线是接驳车主要行驶路线，途经老年用户出现频次高的场所。老年用户在智能终端预约接驳车时，先确定出发时间、地点（自动定位）、目的地，之后接驳车根据指定信息接到用户，行驶至预设固定路线。送至目的地后，接驳车会返回至预设路线，等待其他用户预约。

当有出行路线相同（或包含关系）、时间临近的用户时，可共同使用同一接驳车，以充分利用交通资源。在老年群体出行高峰时段（如天气良好的清晨），会智能调度更多接驳车上路准备，反之则适当减少运营接驳车数量。维护站点通常设置在城乡结合部或郊区，为接驳车提供充电、保养、调度、维修等服务。社区内老年用户高频使用的场景通过接驳车连接成为网络，如图4。

（二）智能终端模块

在本系统中，老年用户通过手机或其他智能终端一键预约（图5），确定出发时间和目的地，出发地通过定位确定而无需输入。通过刷市民卡或人脸识别用户身份上车。智能终端也是连接老人与监护人的桥梁，老年用户在出行过程中发生意外情况或系统推荐的健康方案，都可通过智能终端发送至监护人，进一步保证老人安全。智能终端应用的设计应当符合老人心智模型，逻辑清晰，界面易读性好。

（三）社区模块

老年社区成立数据中心和服务中心，数据中心为社区内每一位老年用户建立个人数据库，用于收集、分析老人的健康状况、照护需求等。服务中心建立服务队伍，与社会相关企业合作，依据数据中心分析结果，为老人提供及时、有效、合理的服务，包括信息咨询、生活照护、健康管理等，应对突发疾病等意外情况，保障老年群体衣食住行的便捷。

新建社区的设计规划需要融合智能化的视角，在传统出行设施的基础上增加便于居民利用智能设备出行的装置，如相关传感器安装位置。现有老年社区需要因地制宜安置相关装置。在此基础上，对老人出行行为数据采集和对出行行为的分析是系统建立的关键环节。

四、出行行为数据获取与运算结构

（一）系统数据获取

服务系统中的数据来源方式可分为直接获取和间接获取。直接获取的数据来源于硬件设施和各类传感器，非直接获取的数据来自存储中心、数据库、网络等。两类数据在系统运算中心共享。各类传感器（表3）采集用户出行的原始数据，提交处理中心运算分析，保持系统数据的实时性。

系统中的传感器由环境传感器、生理传感器、多媒体设备组成。环境传感器主要监测用户所处环境和交互的各项参数，包括温度、湿度、压力、用户使用设备情况等，如用户下车后遗忘包裹，相应地便可由压力传感器和红外传感器的实时数据计算分析，提醒用户带走个人物品。生理传感器一般置于穿戴物品和身体上，如衣服、腰带、肩膀、膝盖等，检测用户实时姿势、体温、心率等。

服务系统中的多媒体设备包括摄像头、录音器、麦克风、视频播放器等，用以丰富用户与设施的交互，并为数据处理中心提供直观的、多样化的数据，建立更加形象化的用户个人出行数据库，同时在识别用户行为、检测异常行为、娱乐休闲等方面具有一定的优势，但在应用时需要处理好此类设备获取的信息与用户隐私安全之间的平衡关系。

（二）系统运算结构

由于区域共享接驳系统数据庞杂，各模块存在需要自行决策和与其他相关模块共同决策两种不同的情形。因此本系统采用多中心构架，结合中心架构的计算能力优势和分布式架构的信息沟通优势，更快、更准确地处理老年用户在不同场景中可能出现的问题。系统中的协调中心用以保证基于不同平台运行的部件、各网关之间以及和云端、网络等部分顺利实现数据交换，并链接不同来源的数据。由此，系统中还需可用于新增组件的集成式平台或协调中心，用以提升服务系统的延展性。

五、出行行为数据分析与处理

通过分析与处理老年用户不同出行行为数据，可用来判断老人当下状态，评估健康水平，并为其提供及时有效的帮助，同时作为预测健康趋势的依据。

（一）出行行为分类

用户在日常活动中的行为可分为动态行为、精神行为、生理行为，如表4。动态行为指一系列肢体产生的动作，包括运动行为、转换行为、静态行为。精神行为是影响老年群体行动非常重要的参数，通常与健康监测系统直接相连，不仅可以判断老人当下的精神状态，而且可推断出老人未来一段时间的状态，如老人按时用药即能反映其记忆能力状态。生理行为通常与精神行为一起受到实时监控，来直接采集用户健康数据，对于患有神经疾病的用户尤其重要。

（二）出行活动概念化

健康监测应用在进行检测与评估用户行为时，对于老年用户自然行为的情景语义理解需要清晰的描述，便于数据的准确分析与共享，因此提出了老年出行活动的概念化，将老年出行行为与出行监测系统联系起来。

用户动态行为中的静态行为、转换行为、运动行为相互配合，可完成不同复杂程度的活动。人体姿势与用户行为有强关联，如坐的姿势，用于表征休息。特定行为通常在特定地点发生，例如在公交车站候车，老年用户必经的动作为站立、上车、刷卡。时间因素包括开始和结束时间（或持续时间），是描述活动的另一个关键特征，例如上下楼、菜市场购物活动通常发生在白天的半规则时间内。老年用户的部分出行活动在正常生活中是以已知的频率范围进行的，如买药、买菜、接孙辈放学等，不同状况的老年用户在同一事件上的出行频率不同。出行过程中的环境信息（溫度、湿度等相关因素）在监测中同样重要。上述信息用于构建用户出行行为模型和学习用户行为，建立个人健康数据库，以此学习用户正常行为和监测异常行为，评估和预测健康状况。

（三）出行行为识别和异常行为检测

老年用户出行行为模型可识别老人出行行为和异常行为检测，但开放式场景中包含大量不确定因素，如可穿戴设备的类型、电池电量消耗、用户多样的姿势等，其中的挑战在于[12];

①识别同时发生的活动;

②认识交错活动;

③解释的多样性。利用三维数据融合的理念[13]，可明显提高在开放式环境中通过传感器采集数据来识别用户行为的准确性。

异常行为检测需要系统学习正常的行为模式，并设置假设来区分正常行为和异常行为。该过程受检测应用、选择传感器和提取特征方法的影响，其中难点在于：

①定义正常行为较为困难。正常和异常行为之间的界限往往模糊不清，部分临界异常行为有可能被认为是正常行为，反之亦然;

②异常行为的判定标准因用户而异，某些行为和生命体征对于A用户可能是异常的，而对B用户则不然;

③来自传感器的原始数据（Raw Data），通常是不完整的或包含噪声，因此具有清理数据上的困难。在某些特殊情况下，数据表现出接近正常的异常，这使得清洗数据过程更加困难。

因此，用户出行行为模型对于用户的识别需要数据积累，在使用过程中不断完善模型的精确度，并充分利用现有数据。

（四）出行行为预测和背景语境建模

老年用户出行行为预测需要基于个体用户特征及当下情景语义来进行。如何解释传感器数据在行为预测环节中具有重要意义。在出行服务系统中，需要老年用户历史健康数据，包括体检和医疗记录。对于这些数据的分析和应用有助于提供关于老年用户健康更为具体的评估，并利于优化通知护理人员采取救治措施的时间。此外，预测结果也可用于和用户实际行为的对比，出现的偏差即可作为系统优化的切入点。

由于数据来源不同，在老年出行服务系统中传感器获取的信息具有异质性，其数据往往具有多种格式，通用背景语境建模机制用于将数据转换为可读和可处理的格式。其目标是以统一的格式定义和表示数据，并在服务系统内感知背景语境，以此理解和共享知识。

结语

本文基于现有的共享出行和自动驾驶概念，提出了区域共享的理念，从老年群体社区短途出行的切实需求出发，打造以短途出行为主题的老年社区生活专属的服务系统。该服务系统是一个面向社会的开放式系统，需要有老人、家庭、社区、社会企业、政府部门、公益组织等多种角色参与其中，保证资金、管理、维护到位，逐步发展出具有地域特色的商业模式，有效满足老年群体个性化的出行需求，积极探索出与时俱进的社会养老长效机制。然而在现阶段，老年区域共享出行接驳系统仍面临以下风险：

①网络安全风险，如隐私泄露等;

②智能基础设施不完善;

⑧自动驾驶的安全性，如与人为驾驶行为相互干扰等;

④相关法律法规尚不健全。此问题将在后续研究中进一步完善。.

基金项目：教育部人文社科青年基金资助项目：智慧城市老年人出行主动服务系统设计研究（项目编号17YJCZH072）中央高校基本科研业务费专项资金项目：智慧城市老年人出行公共设施创新研究（项目编号30917013109）。

参考文献

[1]巨蓓社区老年护理服务体系的构建与应用[J]中医药管理杂志，2019，27（18）：207-208

[2]MrinzelK， PiscicelliL， Boon W， et al.Differeut business models-different users？Uncovering the motives andcharactenstics of business-to-consumer and peer-to-peer carsharing adpters in The Netherlands[J]TranspotatlonResearch Part D： Transport and Envinmment， 2019， 73： 276-306.

[3]Stoiber T，Schubert I，Hoerler R，et al.Will consumers prefer shared and pooled-use autonomous vehicles？ Astated choice experiment with Swiss households [J].Transportation Research Part D： Transport and Enviromnent，2019， 71： 265-282.

[4]Merfeld K， Wilhelms M-P， Heukel S， et al Carsharing with shared autonomous vehicles： Uucovering drwers，bamers and future developments-A four-stage Delphi study[J].Technological Forecasting and Social CHange，2019，144： 66-81

[5]Fagnant DJ， Kockelman KM. The travel and euvironmental implications of shared autonomous vehicles，usingagent-based model scenuios [J].Transportation Research Part C.： Emerging Technologies， 2014， 40： 1-13

[6]Chen T D， Kockelman K M， Haima J P Operations of a shued， autonomous， electric vehicle fieet： Implications ofchicle &charging infrastructure decisions[J].Transportation Research Part A：Policy and Practice， 2016， 94： 243-254

[7]Zirang W， Guhathakurta S， Fang J， et al Exploring theimpact of sirared autouomous vehicles on urban parkingdemand： An aoeut-based simulation approach [J].Sustainable Cities and Society， 2015， 19： 34-45

[8]胡骏，胡天翼复杂环境下自动驾驶系统软件虚拟测试与验证方法[J]汽车文摘，2019（10）：1-7

[9]许闲自动驾驶汽车与汽车保险：市场挑战、重构与应对[J/OL]湖南社会科学，2019（05）：86-96[2019-11-06]http：//kns cnki.net/kcms/detail/116l.c.2019091.1549.026.html

[10]陳雪明，冯苏苇.美国老龄交通政策综述及其对中国的启示[J]公共治理评论，2016（02）：3-14

[11]张玉琇.深圳市小支线巴士服务模式研究[D].西南交通大学，2014

[12]Kim E， Helal S， Cook D Human Activity Recognition and Pattern Discovery[J].IEEE Pervasive Comput，2010， 9（1） ： 48

[13]Qij， Yang P， Newcombe L， et al An overview ofdata fusiou tecirniques forIntemet ofThiuos enabled physicalactivityrecognition and measure [J].InfonnationFusion， 2020， 55： 269-280.