Tổng quan nghiên cứu

Ngành Bưu chính - Viễn thông giữ vị trí huyết mạch trong kết cấu hạ tầng của nền kinh tế quốc dân, đóng vai trò then chốt thúc đẩy công nghiệp hóa và hiện đại hóa đất nước. Trong giai đoạn chuyển giao công nghệ đầu thập niên 2000, thị trường viễn thông tại Việt Nam ghi nhận tốc độ tăng trưởng thuê bao bùng nổ, đạt mức từ 25% đến hơn 30% mỗi năm. Sự phát triển nhảy vọt này đặt ra bài toán cấp bách về công tác dự báo nhu cầu dịch vụ và quy hoạch hạ tầng mạng lưới truyền dẫn. Tuy nhiên, các phương pháp dự báo tiền định và chuỗi thời gian cổ điển thường bộc lộ sai số lớn, dao động từ 15% đến 25% khi đối mặt với dữ liệu có tính biến động mạnh và phi tuyến tính cao.

Luận văn thạc sĩ chuyên ngành Kỹ thuật vô tuyến điện tử và thông tin liên lạc của tác giả Nguyễn Hữu Hạnh, dưới sự hướng dẫn khoa học của PGS.TS Trần Hồng Quân tại Khoa Công nghệ thuộc Đại học Quốc gia Hà Nội, tập trung giải quyết bài toán cốt lõi: Ứng dụng công nghệ trí tuệ nhân tạo (AI) để xây dựng mô hình dự báo chính xác nhu cầu dịch vụ thoại và phi thoại cho mạng viễn thông. Mục tiêu cụ thể của công trình là nghiên cứu tích hợp mạng neural nhân tạo truyền thẳng 3 lớp huấn luyện bằng thuật toán lan truyền ngược, kết hợp giải thuật di truyền (GA) và logic mờ nhằm khắc phục triệt để các hạn chế của phương pháp ngoại suy truyền thống.

Phạm vi nghiên cứu bao quát chuỗi dữ liệu lưu lượng và mật độ thuê bao viễn thông tại Việt Nam qua các mốc thời gian lịch sử, đồng thời triển khai mô phỏng kiểm chứng trên môi trường tính toán khoa học MATLAB. Về mặt ý nghĩa thực tiễn, việc ứng dụng mô hình AI giúp giảm sai số dự báo bình phương trung bình xuống dưới 0,05, cung cấp luận cứ định lượng chuẩn xác cho các nhà mạng nhằm cắt giảm từ 10% đến 15% chi phí đầu tư dư thừa hạ tầng (CAPEX), tối ưu hóa dung lượng kênh truyền và bảo đảm chất lượng dịch vụ giờ bận (TCBH) trên toàn quốc.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết điều khiển viễn thông hiện đại và các nguyên lý trí tuệ nhân tạo tiên tiến:

  • Lý thuyết mạng neural nhân tạo (ANN): Cấu trúc mô phỏng hệ thần kinh sinh học con người với khoảng $10^{11}$ tế bào thần kinh, sở hữu năng lực xử lý thông tin song song với độ trễ cực nhỏ khoảng $10^{-9}$ giây. Mô hình mạng Perceptron đa lớp (MLP) với thuật toán huấn luyện lan truyền ngược (Backpropagation) đóng vai trò là một bộ xấp xỉ hàm phi tuyến tổng quát, cho phép thiết lập quan hệ ánh xạ giữa chuỗi mẫu đầu vào và giá trị dự báo tương lai thông qua việc tối ưu hóa ma trận trọng số và hệ số chệch bias.
  • Lý thuyết giải thuật di truyền (Genetic Algorithm - GA): Dựa trên nguyên lý chọn lọc tự nhiên và đột biến gen của Darwin, giải thuật GA được ứng dụng trong mô hình NNUGA (Neural Network using Genetic Algorithm) để tối ưu hóa không gian trọng số đa chiều, giúp mạng neural vượt qua các điểm cực tiểu cục bộ và nâng cao tốc độ hội tụ.
  • Lý thuyết logic mờ (Fuzzy Logic) và hệ suy luận thích nghi ANFIS: Do Lotfi Zadeh khởi xướng từ những năm 1960, lý thuyết tập mờ mở rộng khái niệm độ chân lý từ tập nhị phân rời rạc {0, 1} sang đoạn liên tục từ 0 đến 1, tạo điều kiện mô hình hóa các tri thức chuyên gia định tính về sự biến động của thị trường.
  • Mô hình kinh tế lượng và đường cong tăng trưởng: Hệ thống hóa các hàm toán học Logistic, hàm mũ, phân tích hồi quy kép (Double-log), bán log (Semi-log) cùng các hàm mật độ dịch vụ $D(x)$ và phân bố thu nhập hộ gia đình $F(x)$ để ước lượng ngưỡng bão hòa thuê bao.

Phương pháp nghiên cứu

  • Nguồn dữ liệu và cỡ mẫu: Đề tài thu thập chuỗi thời gian rời rạc gồm 600 mẫu dữ liệu đo đạc lưu lượng thực tế và thống kê phát triển thuê bao viễn thông theo từng tháng và quý. Toàn bộ tập dữ liệu được phân chia theo tỷ lệ khoa học: 70% dành cho tập huấn luyện (training set) nhằm hiệu chỉnh trọng số, 15% dành cho tập kiểm nghiệm (validation set) để xác định điểm dừng tối ưu tránh quá khớp, và 15% dành cho tập kiểm tra độc lập (testing set) để đánh giá độ chính xác thực tế.
  • Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu phân tầng theo nhóm đối tượng thuê bao dân cư (Residential) và thuê bao doanh nghiệp (Business). Dữ liệu lưu lượng đo đạc (carried traffic) được chuẩn hóa sang lưu lượng yêu cầu (offered traffic) theo khuyến nghị tiêu chuẩn ITU-T E.500 và E.501, sử dụng hệ số lặp cuộc gọi $W$ trong khoảng từ 0,6 đến 0,9 và xác suất nghẽn mạng $B$ từ 1% đến 2%.
  • Phương pháp phân tích và lý do lựa chọn: Luận văn ứng dụng thuật toán lân cận sai lầm (False Nearest Neighbor - FNN) với ngưỡng khoảng cách kiểm tra bằng 17 nhằm xác định kích thước cửa sổ trượt tối ưu cho chuỗi thời gian rời rạc. Phương pháp này giúp triệt tiêu nhiễu đa chiều và hiện tượng thừa số chiều không gian. Việc lựa chọn mạng lan truyền ngược 3 lớp tích hợp GA trên nền tảng MATLAB cho phép tự động trích xuất các đặc trưng phi tuyến tính phức tạp của lưu lượng mạng mà các phương pháp phân tích thống kê cổ điển không thể giải quyết được.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  • Xác lập kích thước cửa sổ trượt tối ưu cho chuỗi thời gian: Kết quả phân tích thuật toán FNN chứng minh rằng khi kích thước cửa sổ tăng từ $N = 1$ lên $N = 5$, tỷ lệ lân cận sai lệch (FNN) giảm mạnh từ 82,4% xuống mức tối thiểu là 0,31%. Tại giá trị $N = 5$, không gian trạng thái đạt độ mở tối ưu, loại bỏ hoàn toàn hiện tượng tự tương quan giả tạo và xác định chuẩn xác 5 nút đầu vào cho cấu hình mạng neural.
  • Tối ưu hóa kiến trúc mạng neural lan truyền ngược: Cấu hình mạng tối ưu được xác lập gồm 5 neuron lớp vào, 1 lớp ẩn với 6 neuron sử dụng hàm kích hoạt Arc-tangent (Atan), và 1 neuron lớp ra sử dụng hàm kích hoạt tuyến tính hoặc hàm ngưỡng đối xứng. Mô hình lai ghép NNUGA giúp rút ngắn thời gian huấn luyện khoảng 35% so với phương pháp hạ độ dốc (Gradient Descent) truyền thống, đồng thời triệt tiêu hoàn toàn nguy cơ dừng sớm tại các điểm cực tiểu cục bộ.
  • Nâng cao độ chính xác dự báo lưu lượng và thuê bao: Mô hình AI đề xuất đạt chỉ số sai số bình phương trung bình gốc (RMSE) ở mức dưới 0,038. Khi so sánh với mô hình hồi quy tuyến tính cổ điển có sai số RMSE dao động từ 0,12 đến 0,18 và mô hình lọc Kalman có sai số khoảng 0,075, giải pháp mạng neural đã cải thiện độ chính xác tổng thể lên hơn 68%.
  • Chuyển đổi và phân bổ ma trận lưu lượng chuẩn xác: Áp dụng phương pháp Kruithof mở rộng và bình phương bé nhất trên nền tảng dữ liệu dự báo tổng lưu lượng giờ bận (TCBH), mô hình đã phân bổ thành công ma trận lưu lượng điểm - điểm giữa các tổng đài với độ tin cậy đạt 98,2%, phản ánh đúng nhu cầu gọi đi, gọi đến của mạng nội hạt và đường dài.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình AI đạt hiệu năng vượt trội là khả năng thích nghi động và tự học từ dữ liệu quá khứ. Lưu lượng viễn thông thực tế luôn chịu tác động đồng thời của 4 yếu tố: xu hướng phát triển dài hạn (Trend), tính chu kỳ kinh tế (Cycle), tính quy luật mùa vụ (Seasonality) và các biến động ngẫu nhiên (Irregular). Trong khi các mô hình toán kinh tế lượng chỉ nắm bắt được quan hệ tĩnh, mạng neural nhân tạo đã tự động điều chỉnh ma trận trọng số đa tầng để bao quát toàn bộ các tương tác phi tuyến này.

So với các nghiên cứu trước đây vốn chủ yếu dựa vào phương pháp ngoại suy xu hướng hoặc lọc tuyến tính, nghiên cứu này đã chứng minh tính ưu việt của việc kết hợp giải thuật di truyền để rà soát toàn cục không gian nghiệm.

Về mặt trực quan hóa, toàn bộ diễn biến của mô hình có thể được minh họa sinh động qua:

  1. Bảng ma trận so sánh định lượng: Trình bày chi tiết chỉ số RMSE, sai số tuyệt đối phần trăm trung bình (MAPE) và thời gian tính toán giữa 4 phương pháp: Hồi quy tuyến tính, Logistic, Lọc Kalman và Mạng neural tối ưu bằng GA.
  2. Biểu đồ đường cong học tập (Learning Curves): Thể hiện sự suy giảm của sai số tập huấn luyện ($e_{train}$) và sai số tập kiểm nghiệm ($e_{val}$) qua từng chu kỳ (epochs). Biểu đồ chỉ rõ điểm dừng tối ưu tại vị trí $(e_{val})_{min}$ trước khi xảy ra hiện tượng quá khớp dữ liệu, bảo đảm tính khái quát hóa cao nhất của mô hình.

Đề xuất và khuyến nghị

  • Chuẩn hóa và tự động hóa quy trình thu thập dữ liệu lưu lượng: Các doanh nghiệp viễn thông cần khẩn trương triển khai hệ thống phần mềm chuyên dụng để trích xuất và tiền xử lý 100% dữ liệu đo kiểm TCBH từ các tổng đài điện tử số. Mục tiêu là loại bỏ nhiễu Gaussian và chuẩn hóa dữ liệu đầu vào trong vòng 6 tháng đầu năm, do Trung tâm Giám sát và Điều hành Mạng (NOC) chịu trách nhiệm chủ trì.
  • Ứng dụng mô hình mạng neural vào định cỡ dung lượng kênh truyền: Ban quy hoạch mạng lưới cần tích hợp ngay mô hình mạng lan truyền ngược kết hợp GA vào quy trình tính toán cấu hình luồng truyền dẫn cho hơn 60 tỉnh thành trên cả nước. Mục tiêu là tối ưu hóa việc phân bổ tài nguyên trung kế, cắt giảm tối thiểu 15% chi phí đầu tư hạ tầng dư thừa, hoàn thành triển khai thử nghiệm trong lộ trình 12 tháng.
  • Phát triển hệ thống suy luận mờ thích nghi (ANFIS) cho dịch vụ dữ liệu mới: Bộ phận Nghiên cứu và Phát triển (R&D) cần phối hợp với các kỹ sư viễn thông để xây dựng hệ luật mờ kết hợp tri thức chuyên gia nhằm dự báo nhu cầu dịch vụ phi thoại và kết nối Internet băng rộng. Mục tiêu đạt độ chính xác dự báo trên 92% trong chu kỳ đánh giá 18 tháng tới.
  • Thiết lập quy chế tái huấn luyện mô hình định kỳ: Các nhà khai thác mạng cần quy định cơ chế định kỳ 3 tháng một lần cập nhật dữ liệu mới vào tập mẫu học và chạy lại thuật toán FNN để hiệu chỉnh kích thước cửa sổ trượt $N$. Giải pháp này do Đội ngũ Kỹ sư Phân tích Dữ liệu thực hiện nhằm duy trì sai số RMSE luôn ổn định dưới ngưỡng 0,04.

Đối tượng nên tham khảo luận văn

  • Kỹ sư quy hoạch và thiết kế mạng viễn thông: Tiếp cận phương pháp luận chuẩn mực theo khuyến nghị ITU-T E.500 để chuyển đổi chính xác giữa lưu lượng mang và lưu lượng yêu cầu, đồng thời nắm vững kỹ thuật cân bằng ma trận Kruithof và định cỡ dung lượng tổng đài thực tế.
  • Nhà nghiên cứu và học viên cao học ngành Điện tử Viễn thông & CNTT: Khai thác tài liệu tham khảo giá trị về khung toán học của mạng neural nhân tạo 3 lớp, thuật toán lan truyền ngược, giải thuật di truyền NNUGA và phương pháp lập trình mô phỏng trên nền tảng MATLAB.
  • Nhà quản trị chiến lược tại các doanh nghiệp viễn thông: Vận dụng các dự báo về mật độ thuê bao dân cư và doanh nghiệp để xây dựng chiến lược phát triển thị trường, tối ưu hóa danh mục đầu tư thiết bị và nâng cao hiệu quả sử dụng vốn từ 10% đến 20% mỗi năm.
  • Chuyên gia phân tích dữ liệu và dự báo kinh tế số: Ứng dụng phương pháp phân tích chuỗi thời gian rời rạc, kỹ thuật lọc thích ứng và mô hình kinh tế lượng phi tuyến vào các bài toán dự báo phụ tải điện, nhu cầu giao thông hoặc biến động kinh tế vĩ mô.

Câu hỏi thường gặp

Mô hình mạng neural vượt trội hơn các phương pháp dự báo truyền thống ở điểm nào? Mạng neural sở hữu khả năng xấp xỉ hóa các hàm phi tuyến phức tạp mà không cần biết trước dạng phương trình toán học tường minh. Nhờ cơ chế tự học từ hàng trăm mẫu dữ liệu quá khứ, mô hình giúp giảm sai số RMSE từ mức 0,15 của phương pháp hồi quy xuống dưới 0,038, xử lý linh hoạt các biến động đột biến của lưu lượng mạng.

Thuật toán False Nearest Neighbor (FNN) đóng vai trò gì trong luận văn? Thuật toán FNN được sử dụng để xác định kích thước cửa sổ trượt tối ưu cho chuỗi thời gian rời rạc. Với ngưỡng khoảng cách kiểm tra bằng 17, thuật toán giúp giảm tỷ lệ lân cận sai lệch từ 82,4% tại $N = 1$ xuống còn 0,31% tại $N = 5$, từ đó xác lập chính xác 5 neuron đầu vào cho mạng neural.

Tại sao cần kết hợp giải thuật di truyền (GA) vào quá trình huấn luyện mạng neural? Thuật toán lan truyền ngược truyền thống dựa trên hạ độ dốc rất dễ bị rơi vào các điểm cực tiểu cục bộ và có tốc độ hội tụ chậm. Giải thuật di truyền mã hóa các trọng số và hệ số chệch thành các chuỗi gen, sử dụng phép lai ghép và đột biến để tìm kiếm vùng nghiệm tối ưu toàn cục, giúp tăng tốc độ huấn luyện lên khoảng 35%.

Lưu lượng nghẽn mạng thực tế được xử lý như thế nào trước khi đưa vào mô hình? Lưu lượng đo đạc trên mạng thực tế chỉ là lưu lượng chuyển tải (carried traffic). Nghiên cứu áp dụng công thức tiêu chuẩn của ITU-T để chuyển đổi sang lưu lượng yêu cầu (offered traffic) bằng cách tích hợp xác suất nghẽn mạng $B$ từ 1% đến 2% và tham số lặp lại cuộc gọi $W$ trong khoảng 0,6 đến 0,9.

Mô hình dự báo trong luận văn có áp dụng được cho dịch vụ dữ liệu phi thoại không? Hoàn toàn áp dụng được. Luận văn đã thiết lập quy trình chuẩn của ITU-T cho dịch vụ phi thoại, cho phép phân loại nhu cầu theo vị trí địa lý, quy mô doanh nghiệp và tích hợp hệ thống suy luận mờ thích nghi (ANFIS) để dự báo chính xác nhu cầu băng thông Internet và truyền số liệu.

Kết luận

  • Khẳng định tính đúng đắn và tiên phong của việc ứng dụng mạng neural 3 lớp kết hợp giải thuật di truyền GA vào bài toán quy hoạch mạng viễn thông.
  • Giải quyết triệt để vấn đề lựa chọn kích thước không gian trạng thái bằng thuật toán FNN, đạt tỷ lệ lân cận tối ưu tại $N = 5$ với sai số chỉ 0,31%.
  • Chuẩn hóa toàn diện quy trình xử lý dữ liệu lưu lượng theo tiêu chuẩn quốc tế ITU-T E.500 và E.501.
  • Cải thiện độ chính xác dự báo vượt bậc, giảm sai số RMSE xuống dưới 0,038, tốt hơn 68% so với các mô hình tuyến tính cổ điển.
  • Tạo tiền đề vững chắc cho việc phát triển các công cụ phần mềm tự động hóa quy hoạch hạ tầng viễn thông băng rộng thế hệ mới.

Đóng góp lớn nhất của luận văn là đã chuyển hóa các lý thuyết trí tuệ nhân tạo hàn lâm thành một công cụ định lượng sắc bén, phục vụ trực tiếp cho công tác quy hoạch mạng lưới viễn thông quốc gia. Trong giai đoạn 12 tháng tới, hướng nghiên cứu tiếp theo cần tập trung mở rộng mô hình trên các tập dữ liệu lớn (Big Data) thời gian thực của mạng di động thế hệ mới. Các cơ quan quản lý, viện nghiên cứu và doanh nghiệp viễn thông nên nhanh chóng đưa khung giải pháp này vào ứng dụng thực tiễn để nâng cao chất lượng mạng lưới và hiệu quả kinh tế.