估计与缓解路侧上下客的拥堵效应：一种因果推断方法
机器学习
2024-01-03 v2 人工智能
统计方法学
摘要
路缘空间是城市路网中最繁忙的区域之一。尤其在近年，网约车出行与商业配送的快速增长引发了大量的上下客（PUDOs），占用了数十年前设计建造的有限路缘空间。这些 PUDO 会阻塞路侧使用并扰乱主干交通流，明显导致显著的负面社会外部性。然而，缺乏一个严格量化并从系统视角缓解 PUDO 拥堵效应、尤其在数据支持薄弱且存在混杂效应情况下的分析框架。为弥补此研究空白，本文发展了一种严格的因果推断方法，以估计 PUDO 对一般区域路网的拥堵效应。构建因果图表示 PUDO 与交通速度间的时空关系，并提出一种双重分离机器学习（DSML）方法来量化 PUDO 如何影响交通拥堵。此外，提出并求解了一种重新路由公式，以鼓励乘客步行与交通流重路由来实现系统优化。使用曼哈顿地区的真实数据进行了数值实验。平均而言，某区域增加 100 个 PUDO 单位会分别在工作日和周末使交通速度降低 3.70 和 4.54 mph。对路缘空间含 PUDO 的出行进行重路由可分别在工作日使中城和中央公园的系统总出行时间减少 2.44% 和 2.12%。还进行了敏感性分析以证明所提框架的有效性与鲁棒性。
引用
@article{arxiv.2206.02164,
title = {Estimating and Mitigating the Congestion Effect of Curbside Pick-ups and Drop-offs: A Causal Inference Approach},
author = {Xiaohui Liu and Sean Qian and Hock-Hai Teo and Wei Ma},
journal= {arXiv preprint arXiv:2206.02164},
year = {2024}
}
备注
Accepted at Transportation Science