[论文解读] 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 4

一句话总结

本文提出了一种基于双重分离机器学习（DSML）方法的因果推断框架，用于估计路边接送点（PUDOs）对城市交通速度的拥堵影响，基于曼哈顿数据进行验证。研究发现，每增加100个PUDOs会使交通速度降低3.70–4.54英里/小时，而重新路由策略可将系统总行程时间减少最多2.44%。

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.

研究动机与目标

• 为解决在路缘空间有限的城市网络中，缺乏严谨的分析框架来量化PUDOs引起的拥堵问题。
• 通过构建时空因果图，建模PUDOs与交通速度之间的因果关系，以控制混杂因素的影响。
• 开发一种双重分离机器学习（DSML）方法，实现对PUDOs对交通流拥堵影响的无偏估计。
• 设计并实现一种重新路由公式，通过鼓励步行和重新规划受PUDOs影响的行程，优化系统总行程时间。
• 使用曼哈顿的真实交通和PUDO数据对框架进行验证，证明其稳健性和实际适用性。

提出的方法

• 构建因果图以表示PUDOs与交通速度之间的时空依赖关系，识别潜在混杂因素。
• 开发双重分离机器学习（DSML）方法，分别建模结果变量（交通速度）和处理变量（PUDO数量），以减少偏差。
• 分两个阶段应用机器学习模型（如随机森林或梯度提升）：首先预测无PUDO条件下的潜在结果，然后估计平均处理效应。
• 利用估计的因果效应，制定重新路由公式，通过将行程从高PUDO区域转移，最小化系统总行程时间。
• 使用定制化算法求解重新路由优化问题，平衡行程时间、步行距离和路缘空间约束。
• 采用敏感性分析验证DSML估计器和重新路由策略在不同数据和模型假设下的稳健性。

实验结果

研究问题

• RQ1 在考虑时空混杂因素的情况下，PUDOs对区域交通速度的因果影响是什么？
• RQ2 如何通过双重分离机器学习（DSML）方法在不依赖强参数假设的前提下，准确估计PUDOs的拥堵影响？
• RQ3 在城市网络中，重新路由策略在多大程度上可以缓解PUDOs造成的拥堵？
• RQ4 PUDOs的拥堵影响在不同星期几以及不同城市区域（如中城与中央公园）之间有何差异？
• RQ5 在估计过程中，数据粒度变化以及误差分布假设不同时，模型表现如何？

主要发现

• 工作日期间，一个区域内每增加100个PUDOs，平均交通速度降低3.70英里/小时；周末则降低4.54英里/小时。
• 在工作日，重新路由策略使中城的系统总行程时间减少2.44%，中央公园减少2.12%。
• DSML方法提供了理论基础坚实、无偏的PUDO拥堵影响估计，与曼哈顿实际交通模式高度一致。
• 敏感性分析证实，DSML估计器和重新路由公式在不同模型假设和数据条件下均具有稳健性。
• 若未来获得更高分辨率的数据（如街道路段级的PUDO和速度数据），该框架具备实现精细化应用的潜力。
• 未来可进一步拓展，例如分别建模接送与下车行为，或针对不同车型定制重新路由策略，以进一步提升拥堵缓解效果。