[논문 리뷰] Estimating and Mitigating the Congestion Effect of Curbside Pick-ups and Drop-offs: A Causal Inference Approach

Xiaohui Liu, Sean Qian외 2명|arXiv (Cornell University)|2022. 06. 05.

Transportation and Mobility Innovations인용 수 4

한 줄 요약

이 논문은 맨해튼 데이터를 활용하여 도심 주행 속도에 대한 커브사이드 픽업 및 드롭오프(PUDOs)의 혼잡도 영향을 추정하기 위해 이중 및 분리된 기계학습(DSML) 방법을 사용하는 인과 추론 프레임워크를 제안한다. 연구 결과, 100개의 추가 PUDO는 주행 속도를 3.70~4.54mph 감소시키며, 재경로 설정 전략을 통해 전체 교통망의 이동 시간을 최대 2.44% 감소시킬 수 있다.

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.

연구 동기 및 목표

• 제한된 커브 공간을 가진 도시 네트워크에서 PUDO로 인한 혼잡도를 정량화하는 체계적인 분석 프레임워크의 부족을 해결하기 위해.
• 공변인자를 고려하기 위해 시공간 인과 그래프를 사용하여 PUDOs와 주행 속도 간의 인과 관계를 모델링하기 위해.
• PUDOs의 교통 흐름에 대한 혼잡도 영향을 편향 없이 추정할 수 있도록 이중 및 분리된 기계학습(DSML) 방법을 개발하기 위해.
• PUDOs로 인해 영향을 받는 이동을 보다 걷기나 재경로 설정을 장려함으로써 전체 교통망의 이동 시간을 최적화하는 재경로 설정 수식을 설계하고 구현하기 위해.
• 맨해튼의 실세계 교통 및 PUDO 데이터를 활용하여 프레임워크를 검증함으로써 그 강건성과 실용적 적용 가능성을 입증하기 위해.

제안 방법

• PUDOs와 주행 속도 간의 시공간적 종속성을 표현하기 위해 인과 그래프를 구축하고 잠재적 공변인자를 식별하기 위해.
• 결과(주행 속도)와 치료(수상한 PUDO 수)를 별도로 모델링함으로써 편향을 줄이는 이중 및 분리된 기계학습(DSML) 방법을 개발하기 위해.
• 기계학습 모델(예: 랜덤 포레스트 또는 기울기 부스팅)을 두 단계에 걸쳐 적용: 첫 번째로 PUDO가 없는 조건에서의 잠재적 결과를 예측하고, 두 번째로 평균 치료 효과를 추정하기 위해.
• 추정된 인과 효과를 바탕으로, 고PUDO 지역에서의 이동을 줄이기 위해 총 시스템 이동 시간을 최소화하는 재경로 설정 수식을 도출하기 위해.
• 이동 시간, 보행 거리, 커브 공간 제약 조건을 균형 있게 고려하는 맞춤형 알고리즘을 사용하여 재경로 최적화 문제를 해결하기 위해.
• DSML 추정기와 재경로 전략의 강건성을 다양한 데이터 및 모델 가정 조건 하에서 검증하기 위해 민감도 분석을 수행하기 위해.

실험 결과

연구 질문

• RQ1 시공간적 공변인자를 고려할 때 PUDOs는 지역 주행 속도에 어떤 인과적 영향을 미치는가?
• RQ2 강한 파rametric 가정 없이도 이중 및 분리된 기계학습(DSML) 방법이 PUDOs의 혼잡도 영향을 정확히 추정할 수 있는가?
• RQ3 재경로 설정 전략은 도시 네트워크에서 PUDOs로 인한 혼잡을 어느 정도 완화시킬 수 있는가?
• RQ4 PUDOs의 혼잡도 영향은 주중과 주말, 또는 미드타운과 센트럴파크와 같은 다양한 도시 지역 간에 어떻게 다를 수 있는가?
• RQ5 추정 과정에서 오차 분포에 대한 다양한 데이터 해상도와 가정 조건 하에서 모델 성능은 어떻게 나타나는가?

주요 결과

• 평일에는 지역 내 100개의 추가 PUDO가 평균 주행 속도를 3.70mph 감소시키며, 주말에는 이 수치가 4.54mph로 증가한다.
• 평일 동안 미드타운에서는 재경로 전략이 전체 이동 시간을 2.44% 감소시키고, 센트럴파크에서는 2.12% 감소시킨다.
• DSML 방법은 이론적으로 탄탄한 편향 없는 추정치를 제공하며, 맨해튼의 관측된 주행 패턴과 강하게 일치한다.
• 민감도 분석을 통해 DSML 추정기와 재경로 수식이 다양한 모델 가정 및 데이터 조건 하에서도 강건함을 확인하였다.
• 향후 더 높은 해상도의 데이터(예: 도로 수준의 PUDO 및 속도 데이터)가 확보될 경우, 이 프레임워크는 더욱 정밀한 적용이 가능할 잠재력을 보인다.
• 미래의 확장 방안으로는 픽업과 드롭오프를 별도로 모델링하거나 차량 유형에 맞게 재경로를 맞춤화하는 것 등이 혼잡도 완화를 더욱 향상시킬 수 있다.