推断高速公路交通中碰撞的异质处理效应：一种双重稳健因果机器学习方法
机器学习
2024-01-02 v1 机器学习
摘要
高速公路交通事故对交通系统和经济都产生了相当大的影响。在此背景下，准确可靠的应急响应对有效的交通管理至关重要。然而，交通事故对交通状态的影响因多种因素而异，且可能因选择偏差而产生偏倚。因此，需要准确估计交通事故的异质因果效应，从而为个体层面的应急决策提供必要见解。本文提出了一种新颖的因果机器学习框架，用于估计不同类型交通事故对高速公路速度的因果效应。采用 Neyman-Rubin 因果模型 (RCM) 从因果视角对该问题进行形式化。基于因果图理论提出条件 Shapley 值指数 (CSVI) 以过滤不利变量，随后采用结构因果模型 (SCM) 定义因果效应的统计估计量。处理效应通过双重稳健学习 (DRL) 方法进行估计，该方法将双重稳健因果推断与分类及回归机器学习模型相结合。来自华盛顿州 5 号州际公路 4815 起交通事故的实验结果揭示了不同距离和持续时间下事故的异质处理效应。追尾事故比其他类型事故导致更严重的拥堵和更长的持续时间，而侧擦事故具有最长的延迟影响。此外，研究结果表明追尾事故在夜间对交通影响更大，而撞击物体事故在高峰时段影响最显著。采用统计假设检验、基于匹配的“反事实结果”的误差指标以及敏感性分析进行评估，结果验证了本方法的准确性和有效性。
引用
@article{arxiv.2401.00781,
title = {Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach},
author = {Shuang Li and Ziyuan Pu and Zhiyong Cui and Seunghyeon Lee and Xiucheng Guo and Dong Ngoduy},
journal= {arXiv preprint arXiv:2401.00781},
year = {2024}
}
备注
38 pages, 13 figures, 8 tables