[論文レビュー] Estimating and Mitigating the Congestion Effect of Curbside Pick-ups and Drop-offs: A Causal Inference Approach

Xiaohui Liu, Sean Qian+2 more|arXiv (Cornell University)|Jun 5, 2022

Transportation and Mobility Innovations被引用数 4

ひとこと要約

本稿では、マンハタンのデータを用いて検証された、二重かつ分離された機械学習（DSML）手法を用いた因果推論フレームワークを提案し、路上のピックアップ・ドロップオフ（PUDOs）が都市部の交通速度に与える混雑の影響を推定する。その結果、100件の追加PUDOが交通速度を3.70〜4.54mph低下させると判明し、ルート再設計戦略により、全体の移動時間は最大2.44%まで短縮可能である。

ABSTRACT

Curb space is one of the busiest areas in urban road networks. Especially in recent years, the rapid increase of ride-hailing trips and commercial deliveries has induced massive pick-ups/drop-offs (PUDOs), which occupy the limited curb space that was designed and built decades ago. These PUDOs could jam curbside utilization and disturb the mainline traffic flow, evidently leading to significant negative societal externalities. However, there is a lack of an analytical framework that rigorously quantifies and mitigates the congestion effect of PUDOs in the system view, particularly with little data support and involvement of confounding effects. To bridge this research gap, this paper develops a rigorous causal inference approach to estimate the congestion effect of PUDOs on general regional networks. A causal graph is set to represent the spatio-temporal relationship between PUDOs and traffic speed, and a double and separated machine learning (DSML) method is proposed to quantify how PUDOs affect traffic congestion. Additionally, a re-routing formulation is developed and solved to encourage passenger walking and traffic flow re-routing to achieve system optimization. Numerical experiments are conducted using real-world data in the Manhattan area. On average, 100 additional units of PUDOs in a region could reduce the traffic speed by 3.70 and 4.54 mph on weekdays and weekends, respectively. Re-routing trips with PUDOs on curb space could respectively reduce the system-wide total travel time by 2.44% and 2.12% in Midtown and Central Park on weekdays. Sensitivity analysis is also conducted to demonstrate the effectiveness and robustness of the proposed framework.

研究の動機と目的

• 限られた路上空間を有する都市ネットワークにおけるPUDOに起因する混雑を定量的に評価するための厳密な分析フレームワークの不足に対処すること。
• 空間時間的因果グラフを用いて、混雑要因を考慮したPUDOと交通速度の因果的関係をモデル化すること。
• PUDOによる交通流への混雑効果をバイアスのない推定が可能な二重かつ分離された機械学習（DSML）手法を開発すること。
• PUDOの影響を受ける移動を歩行や再ルーティングによって促進することで、全体の移動時間の最適化を図る再ルーティング定式化を設計・実装すること。
• マンハタンの実際の交通およびPUDOデータを用いてフレームワークを検証し、その頑健性と実用的適用可能性を示すこと。

提案手法

• PUDOと交通速度の間の空間時間的依存関係を表現する因果グラフを構築し、潜在的な交絡要因を同定する。
• 結果（交通速度）と処置（PUDO数）を別々にモデル化することでバイアスを低減する二重かつ分離された機械学習（DSML）手法を開発する。
• 機械学習モデル（例：ランダムフォレストや勾配ブースティング）を二段階で適用：まずPUDOなし状態での潜在的結果を予測し、次に平均処置効果を推定する。
• 推定された因果効果を基に、PUDOが集中する地域から移動を避けることで、全体のシステム移動時間を最小化する再ルーティング定式化を実施する。
• 移動時間、歩行距離、路上空間制約をバランスさせるようにカスタマイズされたアルゴリズムを用いて再ルーティング最適化問題を解く。
• さまざまなデータおよびモデル仮定の下で、DSML推定器および再ルーティング戦略の頑健性を検証する感度分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 空間時間的交絡要因を考慮した場合、PUDOは地域の交通速度にどのような因果的影響を与えるか？
• RQ2 強いパラメトリック仮定を必要としない二重かつ分離された機械学習（DSML）手法は、PUDOの混雑効果をどのように正確に推定できるか？
• RQ3 再ルーティング戦略は、都市ネットワークにおけるPUDOに起因する混雑をどの程度緩和できるか？
• RQ4 PUDOの混雑効果は、週の異なる曜日や都市地域（例：ミッドタウン対セントラルパーク）でどのように変化するか？
• RQ5 推定プロセスにおける誤差分布に関する仮定やデータの粒度が変化した場合、モデルの性能はどの程度に影響を受けるか？

主な発見

• 平日では、1地域に100件の追加PUDOがあると、平均交通速度が3.70mph低下するが、週末には4.54mphまで低下する。
• 平日におけるミッドタウンでは再ルーティング戦略によりシステム全体の総移動時間が2.44%短縮され、セントラルパークでは2.12%短縮される。
• DSML手法は理論的に根拠のあるバイアスのない推定を提供し、マンハタンの観察された交通パターンと強く整合する。
• 感度分析により、さまざまなモデル仮定およびデータ条件の下でも、DSML推定器および再ルーティング定式化の頑健性が確認された。
• 今後の高分解能データ（例：ストリートレベルのPUDOおよび速度データ）が入手可能になれば、本フレームワークは細分化された応用が可能になる可能性を示している。
• 今後の拡張として、ピックアップとドロップオフを別々にモデル化する、または車両種別に再ルーティングを最適化する取り組みにより、混雑緩和効果をさらに向上させられる可能性がある。