Luận văn tốt nghiệp về dự đoán tình trạng giao thông đô thị và ước lượng thời gian di chuyển

Luận văn tốt nghiệp nghiên cứu Luận văn tốt nghiệp khoa học máy tính predict urban traffic condition and estimate travel time, điều tra thực trạng, phân tích số liệu, đề xuất biện

• Tác giả: Bùi Minh Kiệt
• Người hướng dẫn: Assoc. Trần Minh Quang
• Trường học: Vietnam National University Ho Chi Minh City University of Technology
• Chuyên ngành: Computer Science
• Đề tài: Dự Đoán Tình Trạng Giao Thông Đô Thị Và Ước Lượng Thời Gian Di Chuyển
• Loại tài liệu: Graduation Thesis
• Năm xuất bản: 2022
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• DECLARATION OF AUTHENTICITY
• ACKNOWLEDGEMENT
• ABSTRACT
• Contents
• List of Tables
• List of Figures
• 1. Introduction
• 1.2. Initial perspectives and approach
• 1.3. Scope and ojectives
• 2. Related Works
• 3. System Overview
• 3.3. Server and APIs structure
• 4. Traffic status prediction
• 4.1. Current system overview and problems
• 4.1.1. System traffic status display method
• 4.1.2. Current approach on traffic status prediction
• 4.2. Proposed approach and theoretical background
• 4.2.1. Regression training model for the ETA problem
• 4.2.2. Artificial Neural Network for regression
• 4.2.3. Hyperparameter tuning with Bayesian Optimization
• 4.2. Feature Engineering and Data collection
• 4.3. Data mining and model for speed prediction
• 4.3.1. Overview of the traffic prediction analysis server
• 4.3.2. Data collection and preprocessing
• 4.3.3. Neural network construction and parameter tuning
• 4.5. Results and Evaluation
• 4.5.1. Data collection and feature engineering
• 4.5.2. Model testing method
• 4.5.3. Model performance benchmark
• 4.5.4. System load testing performance evaluation
• 4.5.5. Performance improvement analysis
• 4.5.6. Limitation and Improvement plan
• 5. Database scaling and optimization
• 5.1. Overview and problem statement
• 5.2. Theory: MongoDB Sharding
• 5.2.1. Sharded cluster deployment for BKTraffic database
• 5.5. Result and Evaluation
• 5.5.1. Live weather report
• 5.5.2. BKTraffic-Analyzer Server API Structure
• 5.5.3. MongoDB Sharding on BKTraffic server deployment
• 5.3. Future development and plan
• References

Tóm tắt

I. Tình trạng giao thông đô thị

Trong bối cảnh đô thị hóa nhanh chóng, tình trạng giao thông tại các thành phố lớn như Hồ Chí Minh đang trở thành một vấn đề nghiêm trọng. Các nghiên cứu đã chỉ ra rằng tình trạng giao thông không chỉ ảnh hưởng đến chất lượng cuộc sống của cư dân mà còn gây thiệt hại lớn về kinh tế. Theo báo cáo của Sở Giao thông Vận tải TP.HCM, mỗi năm thành phố mất khoảng 1,3 tỷ USD do tắc nghẽn giao thông. Các nguyên nhân chính dẫn đến tình trạng này bao gồm mật độ dân số cao, quy hoạch đô thị chưa hợp lý và sự gia tăng nhanh chóng của phương tiện giao thông. Hệ thống giao thông hiện tại không đủ khả năng đáp ứng nhu cầu di chuyển của cư dân, dẫn đến việc gia tăng thời gian di chuyển và ô nhiễm môi trường.

1.1. Các vấn đề chính

Các vấn đề chính trong tình trạng giao thông đô thị bao gồm tắc nghẽn giao thông, an toàn giao thông và cơ sở hạ tầng giao thông. Tắc nghẽn giao thông xảy ra do sự gia tăng không kiểm soát của phương tiện cá nhân, trong khi cơ sở hạ tầng không được cải thiện kịp thời. Một nghiên cứu cho thấy rằng thời gian di chuyển trung bình tăng lên đáng kể trong giờ cao điểm, làm giảm năng suất lao động và gây ra căng thẳng cho cư dân. Để giải quyết vấn đề này, cần có các giải pháp công nghệ hiện đại nhằm tối ưu hóa dự đoán giao thông và nâng cao trải nghiệm người dùng.

II. Dự đoán tình trạng giao thông

Một trong những giải pháp quan trọng để cải thiện tình trạng giao thông là việc dự đoán giao thông bằng cách sử dụng các phương pháp phân tích dữ liệu và học máy. Hệ thống BKTraffic được phát triển nhằm cung cấp thông tin chính xác về tình trạng giao thông tại các đoạn đường trong thành phố. Việc áp dụng các mô hình học máy, như Mạng Nơ-ron Nhân tạo và hồi quy, cho phép xác định thời gian di chuyển ước tính và dự đoán các điểm tắc nghẽn. Theo nghiên cứu, các mô hình này không chỉ giúp cải thiện độ chính xác trong việc dự đoán mà còn tối ưu hóa quá trình xử lý dữ liệu.

2.1. Phương pháp và công nghệ

Để dự đoán tình trạng giao thông, các phương pháp như thu thập dữ liệu từ cảm biến, camera và thông tin từ người dùng được áp dụng. Phân tích dữ liệu lớn và khai thác dữ liệu là những công cụ cần thiết để cải thiện tính chính xác của các mô hình. Việc sử dụng công nghệ giao thông thông minh không chỉ giúp giảm thiểu tắc nghẽn giao thông mà còn tối ưu hóa thời gian di chuyển cho người dùng. Đặc biệt, việc tích hợp các yếu tố như thời tiết và tình hình giao thông thực tế vào mô hình dự đoán sẽ nâng cao tính hiệu quả của hệ thống.

III. Ứng dụng và giá trị thực tiễn

Dự án không chỉ dừng lại ở việc dự đoán tình trạng giao thông mà còn hướng đến việc cải thiện trải nghiệm người dùng thông qua các ứng dụng di động và web. Các tính năng mới như thông báo tình trạng giao thông theo thời gian thực và dự báo thời tiết sẽ giúp người dùng có những quyết định di chuyển thông minh hơn. Hệ thống BKTraffic đã chứng minh giá trị của nó trong việc giảm thiểu tắc nghẽn giao thông và cung cấp thông tin hữu ích cho cư dân. Các nghiên cứu cho thấy rằng việc sử dụng ứng dụng này đã giúp giảm đáng kể thời gian di chuyển và cải thiện sự hài lòng của người dùng.

3.1. Tác động xã hội và kinh tế

Việc tối ưu hóa tình trạng giao thông không chỉ mang lại lợi ích cho người dùng mà còn có tác động tích cực đến nền kinh tế. Giảm thiểu tắc nghẽn giao thông sẽ giúp tiết kiệm thời gian và chi phí cho các doanh nghiệp, đồng thời nâng cao chất lượng cuộc sống cho cư dân. Hệ thống giao thông thông minh cũng góp phần giảm ô nhiễm môi trường và cải thiện an toàn giao thông. Những kết quả này cho thấy rằng việc áp dụng công nghệ vào quản lý giao thông là một hướng đi cần thiết cho sự phát triển bền vững của đô thị.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Ùn tắc giao thông đô thị là một trong những thách thức nghiêm trọng đối với các thành phố lớn tại Việt Nam, đặc biệt là Thành phố Hồ Chí Minh và Hà Nội. Sự gia tăng nhanh chóng của mật độ dân số kết hợp với quy hoạch giao thông chưa hoàn thiện đã dẫn đến các vấn đề như mất cân bằng lưu lượng phương tiện, quá tải cơ sở hạ tầng và gia tăng tai nạn giao thông. Vấn đề này làm kéo dài thời gian di chuyển, gia tăng tiêu thụ năng lượng và mức độ ô nhiễm không khí cũng như tiếng ồn. Theo số liệu thống kê được nhóm nghiên cứu trích dẫn, mỗi năm TP.HCM tổn thất khoảng 1,2 triệu giờ công cộng, thiệt hại ước tính 1,3 tỷ USD do tắc nghẽn giao thông và 2,3 tỷ USD do ô nhiễm môi trường; quỹ đất dành cho giao thông tại khu vực trung tâm chỉ đạt khoảng một phần ba so với tiêu chuẩn, dẫn đến mức thiệt hại kinh tế trung bình khoảng 2,4 tỷ đồng cho mỗi giờ ùn tắc.

Để giải quyết tình trạng trên, bốn hướng tiếp cận chính đã được xác định: cải thiện hạ tầng giao thông đô thị, khuyến khích sử dụng phương tiện giao thông công cộng, tái cấu trúc quy hoạch đô thị và tích hợp công nghệ vào quản lý giao thông. Trong khuôn khổ giới hạn về nguồn lực và thời gian, khóa luận tập trung vào hướng tiếp cận thứ tư: khai thác công nghệ Hệ thống Giao thông Thông minh (Intelligent Transportation System - ITS) để hỗ trợ cư dân thành phố. Đề tài kế thừa và phát triển hệ thống giao thông thông minh BKTraffic (tiền thân là UTraffic) do Bộ môn Khoa học Máy tính, Trường Đại học Bách Khoa - ĐHQG TP.HCM nghiên cứu và phát triển dưới sự hướng dẫn của PGS. Trần Minh Quang.

Các mục tiêu và nhiệm vụ nghiên cứu cụ thể của đề tài bao gồm:

1. Cải thiện độ chính xác, tính sẵn sàng và độ biến thiên trong việc dự đoán tình trạng giao thông và ước lượng thời gian di chuyển (Estimated Time of Arrival - ETA) theo từng đoạn đường (segment) tại TP.HCM thông qua các kỹ thuật khai phá dữ liệu và học máy.
2. Nâng cao và tối ưu hóa hiệu năng máy chủ cùng chi phí xử lý thông qua kỹ thuật phân mảnh cơ sở dữ liệu MongoDB (MongoDB Sharding) và tối ưu hóa quản lý bộ nhớ.
3. Triển khai các tính năng mới hỗ trợ trải nghiệm người dùng, bao gồm tích hợp thông tin thời tiết trực tiếp (live weather report) và biểu mẫu cập nhật trạng thái giao thông trên ứng dụng web và di động.

Đối tượng nghiên cứu là hệ thống ITS BKTraffic, dữ liệu lưu lượng giao thông đường bộ tại TP.HCM (tập trung vào khu vực xung quanh Trường Đại học Bách Khoa và các tuyến điểm nóng giao thông) cùng với kiến trúc phân tán của cơ sở dữ liệu MongoDB và máy chủ tính toán BKTraffic-Analyzer. Phạm vi thời gian thu thập dữ liệu thực nghiệm phục vụ mô hình học máy được thực hiện trong 14 ngày vào tháng 08 năm 2022.

---

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp các nền tảng lý thuyết thuộc lĩnh vực học máy, khai phá dữ liệu không gian địa lý và kiến trúc hệ thống phân tán:

• Khung lý thuyết phân cấp chất lượng giao thông (Level of Service - LOS): Phân loại trạng thái vận hành của đường phố thành các mức từ A đến E dựa trên ngưỡng vận tốc trung bình (A: $\ge 30\text{ km/h}$, B: $25\text{--}30\text{ km/h}$, C: $15\text{--}25\text{ km/h}$, D: $5\text{--}15\text{ km/h}$, E: $\le 5\text{ km/h}$).
• Bài toán ước lượng thời gian đến nơi (Estimated Time of Arrival - ETA): Chuyển đổi bài toán phân loại LOS rời rạc sang bài toán hồi quy (Regression) dự đoán vận tốc di chuyển thực tế trên từng đoạn đường có chiều dài xác định ($10\text{--}200\text{ m}$) để tính toán thời gian di chuyển chính xác.
• Mạng nơ-ron nhân tạo đa tầng (Multilayer Perceptron - MLP): Cấu trúc mạng nơ-ron truyền thẳng (Feedforward) với các tầng ẩn (Hidden Layers), kỹ thuật Regularization Dropout, hàm kích hoạt phi tuyến và hàm mất mát Sai số bình phương trung bình (Mean Squared Error - MSE), được huấn luyện bằng giải thuật Adam.
• Tối ưu hóa siêu tham số bằng Bayesian (Bayesian Optimization): Áp dụng mô hình xác suất quá trình Gaussian (Gaussian Process) để lấy mẫu ngẫu nhiên có định hướng trên không gian siêu tham số của mạng ANN (số tầng ẩn, số lượng nơ-ron, hệ số học, thuật toán tối ưu), giảm thiểu thời gian thử nghiệm thủ công.
• Lý thuyết phân mảnh cơ sở dữ liệu (MongoDB Sharding): Kiến trúc mở rộng quy mô theo chiều ngang (Horizontal Scaling) bằng cách phân chia tập dữ liệu lớn thành các khối (chunks) và phân phối đều qua nhiều máy chủ (shards) thông qua bộ định tuyến mongos và máy chủ cấu hình config server.

Phương pháp nghiên cứu thực nghiệm bao gồm:

• Thu thập dữ liệu đa nguồn: Tích hợp dữ liệu từ cơ sở dữ liệu nội bộ BKTraffic (báo cáo người dùng, lịch sử GPS, dữ liệu VOH 95.6 MHz), dữ liệu không gian từ OpenStreetMap (OSM), API dữ liệu lưu lượng giao thông TomTom Traffic Flow Service (giới hạn 2.500 requests/ngày/khóa API) và dữ liệu khí tượng từ OpenWeatherMap API.
• Tiền xử lý và kỹ thuật đặc trưng (Feature Engineering): Chuẩn hóa dữ liệu số (chiều dài đoạn đường, timestamp, vận tốc cơ sở TomTom) về khoảng $[0, 1]$ (Dense Features); mã hóa One-Hot (One-Hot Encoding) cho các thuộc tính phân loại (thứ trong tuần, giờ cao điểm, thời tiết, loại đường) tạo thành Sparse Categorical Features.
• Đo kiểm và đánh giá hệ thống: Sử dụng Postman để kiểm thử chức năng API và Apache JMeter để thực hiện kiểm thử tải (Load Testing), đo lường thời gian phản hồi (Response Time) và thông lượng của cơ sở dữ liệu trước và sau khi triển khai Sharding.

---

Thiết kế và triển khai

Hệ thống BKTraffic được xây dựng theo kiến trúc phân tán gồm bốn thành phần chính:

Thành phần	Công nghệ / Nền tảng	Chức năng chính
Client Apps	ReactJS, Redux, Redux Toolkit (Web); React Native (Mobile)	Giao diện người dùng hiển thị bản đồ trạng thái giao thông thời gian thực, điều hướng lộ trình và biểu mẫu gửi báo cáo ùn tắc, thời tiết.
API Server	Node.js, ExpressJS, PM2	Xử lý các yêu cầu HTTP/RESTful API từ phía client, kiểm soát phiên người dùng và điều phối dữ liệu từ cơ sở dữ liệu.
Computing Server (BKTraffic-Analyzer)	Python, Flask, Keras/TensorFlow	Máy chủ tính toán hiệu năng cao triển khai mô hình học máy dự đoán vận tốc, đồng thời vận hành dịch vụ crawler dữ liệu TomTom.
Database Server	MongoDB (Cụm Sharding)	Lưu trữ tập trung 54 collections với dung lượng 1,44 GB, quản lý dữ liệu không gian với chỉ mục 2dsphere.

                              +--------------------+
                              |    Client Apps     |
                              | (ReactJS / Native) |
                              +---------+----------+
                                        |
                                        v
                              +--------------------+
                              |     API Server     |
                              | (Node.js/Express)  |
                              +----+----------+----+
                                   |          |
            +----------------------+          +----------------------+
            v                                                        v
+-----------------------+                                +-----------------------+
|    Database Server    | <============================> |   Computing Server    |
|   (MongoDB Sharded)   |                                | (BKTraffic-Analyzer)  |
+-----------------------+                                +-----------------------+

Lược đồ cơ sở dữ liệu mô phỏng mạng lưới giao thông gồm các thực thể cốt lõi:

• Segment: Biểu diễn đoạn đường thẳng ngắn ($10\text{--}100\text{ m}$), chứa các trường _id, polyline (đối tượng GeoJSON LineString với chỉ mục 2dsphere), length, start_node, end_node, street, street_level, street_type (như trunk, primary, secondary, tertiary, residential).
• Node: Điểm hình học biểu diễn nút giao thông với tọa độ kinh độ và vĩ độ (GeoJSON Point).
• Street: Đại diện cho một tuyến đường gồm nhiều đoạn Segment nối tiếp nhau.
• Basic_Traffic_Status: Lưu trữ trạng thái giao thông cơ sở theo 30 khung thời gian trong ngày (gồm 18 khung 1 giờ và 12 khung 30 phút rơi vào giờ cao điểm: 6:00–9:00 và 16:00–19:00).
• SegmentReports & WeatherInfo: Lưu trữ các báo cáo tốc độ, nguyên nhân ùn tắc và dữ liệu thời tiết thực tế phục vụ huấn luyện và hiển thị.

Cơ chế phân cấp xác định trạng thái giao thông tại một thời điểm được xử lý theo thứ tự ưu tiên: (1) Dữ liệu trực tiếp từ Đài phát thanh VOH $\rightarrow$ (2) Báo cáo cộng đồng từ người dùng ứng dụng BKTraffic $\rightarrow$ (3) Kết quả dự đoán từ mô hình Machine Learning $\rightarrow$ (4) Dữ liệu cơ sở (Base Data) thống kê từ TomTom và OpenStreetMap.

---

Nội dung chính theo từng chương

Chapter 1: Introduction

Chương mở đầu trình bày tổng quan về thực trạng ùn tắc giao thông tại các đô thị Việt Nam trong bối cảnh cuộc Cách mạng Công nghiệp 4.0. Tác giả phân tích các thiệt hại kinh tế - xã hội tại TP.HCM, đánh giá bốn hướng tiếp cận giải quyết vấn đề và xác định phạm vi nghiên cứu tập trung vào hệ thống thông tin giao thông thông minh BKTraffic. Chương này xác định các mục tiêu cụ thể về cải thiện thuật toán dự đoán, tối ưu hóa cơ sở dữ liệu MongoDB và nâng cao trải nghiệm ứng dụng.

Chapter 2: Related Works

Chương này tổng thuật các nghiên cứu và dự án ITS trên thế giới như VICS và NAVITIME tại Nhật Bản, chương trình ITS Joint Program Office tại Hoa Kỳ và Google Maps. Tại TP.HCM, tác giả khảo sát Cổng thông tin Giao thông của Sở Giao thông Vận tải (hạn chế về độ bao phủ camera và chi phí lắp đặt), các kênh radio giao thông VOH (95.6 MHz) và VOV (91 MHz) (khó tiếp cận cho người đi xe máy, phụ thuộc báo cáo ngẫu nhiên). Từ đó, tác giả nêu bật vai trò và lịch sử phát triển của hệ thống mã nguồn mở BKTraffic của Trường ĐH Bách Khoa TP.HCM.

Chapter 3: System Overview

Chương 3 mô tả chi tiết kiến trúc kỹ thuật hiện tại của hệ thống BKTraffic:

• Phân tích bốn tầng kiến trúc: Client Apps, API Server, Computing Server và Database Server.
• Cấu trúc dữ liệu MongoDB với 54 collections, dung lượng 1,44 GB, tập trung vào các bảng Segments, Nodes, Street, Basic_Traffic_Status.
• Cấu hình API Server sử dụng Node.js, ExpressJS và trình quản lý tiến trình PM2 ở chế độ Cluster Mode.
• Kiến trúc Single Page Application (SPA) của ứng dụng Web bằng ReactJS/Redux Toolkit và ứng dụng Mobile bằng React Native.
• Thiết lập môi trường triển khai thực nghiệm gồm máy chủ AWS EC2 (Ubuntu 20.04 LTS, 2 cores, 8GB RAM), Google Colab Pro (1 core, 12GB RAM) và máy trạm cục bộ; cùng các công cụ kiểm thử Postman và Apache JMeter.

Chapter 4: Traffic status prediction

Chương 4 là trọng tâm nghiên cứu về mô hình học máy:

• Đánh giá hạn chế của mô hình cũ (mô hình phân loại Random Forest đạt độ chính xác khoảng 73%, đầu ra phân lớp LOS rời rạc không hỗ trợ tốt cho bài toán định tuyến ETA).
• Đề xuất mô hình hồi quy (Regression) dự đoán vận tốc chính xác bằng mạng nơ-ron nhân tạo MLP.
• Xây dựng quy trình tự động tối ưu siêu tham số bằng Bayesian Optimization thông qua thư viện Keras Tuner (tối ưu số tầng ẩn từ 0 đến 2, số nơ-ron từ 32 đến 256, dropout 0.2, thuật toán Adam/SGD/RMSprop kết hợp dừng sớm EarlyStopping sau 5 epochs).
• Thu thập dữ liệu từ TomTom Traffic Flow API cho khu vực ĐH Bách Khoa (1.276 segments) và 20 tuyến đường trọng điểm lọc từ danh sách "500-diem" của đài VOH (398 segments, 288 chu kỳ 5 phút mỗi ngày, thu thập liên tục trong 14 ngày vào tháng 08/2022, đạt 4.032 mốc thời gian/segment).
• Đánh giá mô hình qua các chỉ số sai số phần trăm tuyệt đối trung bình (MAPE) và độ chính xác phân cấp LOS tương ứng.

Chapter 5: Database scaling and optimization

Chương 5 nghiên cứu giải pháp tối ưu hóa hiệu năng lưu trữ và truy vấn:

• Phân tích lý thuyết phân mảnh MongoDB Sharding, cơ chế cân bằng khối (chunk balancer) và định tuyến truy vấn qua mongos.
• Thiết kế và triển khai cụm Sharded Cluster cho collection Segments trên máy chủ BKTraffic.
• Đánh giá hiệu năng bằng Apache JMeter qua các kịch bản truy vấn theo trường _id và start_node, phân tích phân phối thời gian phản hồi giữa các cấu hình shard khác nhau.

Chapter 6: Design, implementation, and evaluation of current server and application updates to improve user experience

Chương 6 trình bày việc nâng cấp tính năng ứng dụng người dùng:

• Tích hợp dữ liệu khí tượng theo thời gian thực từ OpenWeatherMap API vào cơ sở dữ liệu thông qua collection WeatherInfo.
• Cập nhật lược đồ ERD cho collection SegmentReports để lưu trữ thông tin thời tiết đi kèm báo cáo giao thông.
• Cải tiến giao diện Web và Mobile cho phép người dùng gửi phản ánh tình trạng giao thông kèm tùy chọn điều kiện thời tiết (mưa, ngập, nắng ráo).

Chapter 7: Conclusion

Chương kết luận tổng hợp các kết quả đạt được về việc chuyển đổi mô hình dự đoán vận tốc, tối ưu hóa cơ sở dữ liệu bằng Sharding và nâng cấp tính năng ứng dụng; đồng thời vạch ra các hạn chế hiện tại và định hướng phát triển trong tương lai.

---

Kết quả và đóng góp

Khóa luận đã ghi nhận các kết quả thực nghiệm và đóng góp kỹ thuật chính:

• Chuyển đổi thành công bài toán dự đoán giao thông sang dạng hồi quy: Thay vì chỉ phân loại mức độ dịch vụ (LOS) rời rạc như nghiên cứu tiền nhiệm, mô hình mới dự đoán trực tiếp giá trị vận tốc liên tục ($\text{km/h}$), cho phép tính toán trực tiếp thời gian di chuyển (ETA) theo công thức toán học dựa trên chiều dài từng đoạn đường (length).
• Ứng dụng tối ưu hóa siêu tham số Bayesian: Rút ngắn thời gian thử nghiệm mô hình nơ-ron MLP, tự động hóa việc xác định cấu trúc mạng nơ-ron tối ưu cho bài toán chuỗi thời gian giao thông.
• Xây dựng quy trình thu thập dữ liệu tự động (Crawler Service): Triển khai crawler trên AWS EC2 kết hợp lưu trữ AWS S3, thu thập thành công bộ dữ liệu lưu lượng giao thông cho 398 đoạn đường xung yếu từ TomTom API trong 14 ngày với 4.032 mốc thời gian/segment (chu kỳ 5 phút).
• Mở rộng cơ sở dữ liệu với MongoDB Sharding: Phân tán tải thành công cho collection dữ liệu địa lý Segments, cải thiện thời gian phản hồi truy vấn dưới tải cao thông qua kiểm thử bằng Apache JMeter.
• Nâng cấp giao diện người dùng: Bổ sung tính năng hiển thị và thu thập dữ liệu thời tiết trực tiếp từ OpenWeatherMap API, hỗ trợ người dùng đưa ra quyết định lộ trình phù hợp.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế cụ thể trong quá trình thực hiện:

• Quy mô dữ liệu cộng đồng (Crowd-sourced Data) còn hạn chế: Tính đến tháng 08/2022, hệ thống BKTraffic mới ghi nhận 298 người dùng đã đăng ký, dưới 100.000 báo cáo giao thông và khoảng 50.000 bản ghi GPS. Số lượng này chưa đủ lớn để phục vụ huấn luyện học sâu toàn diện trên toàn bộ mạng lưới đường sá TP.HCM.
• Hạn chế của API thu thập dữ liệu bên thứ ba: Hạn mức miễn phí của TomTom API (2.500 requests/ngày/key) chỉ cho phép nhóm nghiên cứu giới hạn việc thu thập dữ liệu chi tiết trên 20 tuyến đường xung yếu (398 đoạn đường) trong phạm vi 14 ngày, chưa bao phủ toàn thành phố.
• Độ chi tiết của dữ liệu thời tiết: Dữ liệu thời tiết lấy từ OpenWeatherMap API mới áp dụng ở cấp độ tổng thể toàn thành phố theo ngày, chưa phản ánh được vi khí hậu cục bộ tại từng quận, huyện hay từng tuyến đường riêng biệt.

Hướng nghiên cứu và phát triển tiếp theo bao gồm:

• Mở rộng quy mô thu thập dữ liệu giao thông bằng cách tăng cường số lượng khóa API hoặc tích hợp thêm các nguồn dữ liệu cảm biến giao thông khác.
• Thử nghiệm các kiến trúc học sâu chuyên sâu hơn cho dữ liệu chuỗi thời gian không gian - thời gian (Spatial-Temporal Deep Learning).
• Tiếp tục tinh chỉnh chính sách Shard Key trên cơ sở dữ liệu MongoDB để tối ưu hóa triệt để các truy vấn không gian địa lý phức tạp.

---

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên, học viên cao học và kỹ sư thuộc các chuyên ngành Khoa học Máy tính, Kỹ thuật Phần mềm và Hệ thống Thông tin:

• Phát triển Hệ thống Giao thông Thông minh (ITS): Cung cấp tài liệu thực tế về phương pháp mô hình hóa mạng lưới đường phố thành các thực thể Segment, Node, Street cùng kỹ thuật chuyển đổi giữa vận tốc dự đoán, mức phục vụ (LOS) và thời gian đến nơi (ETA).
• Kỹ thuật Machine Learning / Deep Learning ứng dụng: Tham khảo mã nguồn và quy trình tiền xử lý dữ liệu địa lý, thiết lập mạng nơ-ron MLP trên Keras và ứng dụng Bayesian Optimization để tinh chỉnh siêu tham số.
• Thiết kế hệ thống phân tán và tối ưu hóa NoSQL: Cung cấp hướng dẫn thực tế về việc triển khai cụm phân mảnh MongoDB Sharding cho dữ liệu không gian GeoJSON và đo kiểm tải hệ thống bằng Apache JMeter.

---

Câu hỏi thường gặp

1. Tại sao nhóm nghiên cứu chuyển từ mô hình phân loại LOS sang mô hình hồi quy vận tốc?

Mô hình cũ phân loại các đoạn đường thành 6 mức vận tốc rời rạc (LOS A đến E), khiến độ chính xác bị hạn chế và không thể tính toán chính xác thời gian di chuyển (ETA). Mô hình hồi quy vận tốc mới dự đoán giá trị tốc độ cụ thể ($\text{km/h}$), từ đó dễ dàng nhân với chiều dài đoạn đường để tính thời gian di chuyển chính xác, đồng thời vẫn có thể quy đổi ngược lại thành các mức LOS (A–E) để hiển thị màu sắc trực quan trên bản đồ.

2. Dữ liệu huấn luyện cho mô hình dự đoán vận tốc được thu thập từ những nguồn nào?

Dữ liệu huấn luyện được tổng hợp từ: (1) Cơ sở dữ liệu MongoDB nội bộ của BKTraffic gồm thông tin Segment, Node, Basic_Traffic_Status và các báo cáo người dùng/đài VOH; (2) Dữ liệu lưu lượng giao thông thực tế từ TomTom Traffic Flow API (thu thập cho 1.276 segment khu vực ĐH Bách Khoa và 398 segment thuộc 20 tuyến đường điểm nóng từ danh sách "500-diem" của đài VOH trong 14 ngày); (3) Dữ liệu thời tiết từ OpenWeatherMap API.

3. Thuật toán tối ưu hóa siêu tham số Bayesian Optimization hoạt động như thế nào trong đồ án?

Bayesian Optimization sử dụng mô hình xác suất quá trình Gaussian (Gaussian Process) để xấp xỉ hàm mục tiêu của mô hình mạng nơ-ron dựa trên các mẫu siêu tham số đã thử nghiệm. Thay vì tìm kiếm ngẫu nhiên (Random Search) hay vét cạn (Grid Search) tốn nhiều thời gian, thuật toán chọn các tập siêu tham số (số tầng ẩn, số nơ-ron, optimizer) có xác suất cải thiện độ chính xác cao nhất, kết hợp cơ chế dừng sớm EarlyStopping sau 5 epochs nếu mô hình không cải thiện.

4. Một đối tượng đoạn đường (Segment) trong cơ sở dữ liệu MongoDB chứa những thông tin cốt lõi nào?

Một bản ghi Segment bao gồm: _id định danh duy nhất, polyline (đối tượng GeoJSON LineString lưu danh sách tọa độ kinh/vĩ độ với chỉ mục 2dsphere), length (chiều dài tính bằng mét), start_node và end_node (ID nút giao đầu và cuối), street (ID tuyến đường trực thuộc), street_level và street_type (phân loại đường như trunk, primary, secondary từ OpenStreetMap).

5. Việc triển khai MongoDB Sharding nhằm giải quyết bài toán gì trong hệ thống BKTraffic?

Cơ sở dữ liệu của BKTraffic có dung lượng lớn (1,44 GB trên 54 collections) và phải phục vụ lượng truy vấn không gian địa lý thời gian thực liên tục từ ứng dụng web, di động và máy chủ tính toán. Kỹ thuật MongoDB Sharding giúp phân chia collection Segments thành nhiều khối dữ liệu phân tán trên nhiều máy chủ vật lý, giúp cân bằng tải truy vấn, giảm thời gian phản hồi và tăng khả năng mở rộng lưu trữ của toàn hệ thống.

---

Kết luận

Khóa luận tốt nghiệp "Predict urban traffic condition and estimate travel time" của nhóm tác giả Bùi Minh Kiệt và Huỳnh Ngọc Nhật Quang đã hoàn thành trọn vẹn các mục tiêu nghiên cứu đặt ra cho hệ thống giao thông thông minh BKTraffic. Đề tài đã cải tiến thành công giải thuật dự đoán giao thông bằng mô hình hồi quy mạng nơ-ron MLP kết hợp tối ưu siêu tham số Bayesian Optimization, đồng thời nâng cao năng lực chịu tải của hệ thống thông qua kỹ thuật MongoDB Sharding. Các kết quả thực nghiệm và tính năng thời tiết mới được tích hợp là đóng góp thiết thực cho quá trình hoàn thiện hệ thống ITS phục vụ cộng đồng đô thị tại TP.HCM.

Trích đoạn nội dung tài liệu

Vietnam National University Ho Chi Minh City University of Technology Faculty of Computer Science & Engineering GRADUATION THESIS PREDICT URBAN TRAFFIC CONDITION AND ESTIMATE TRAVEL TIME MAJOR: COMPUTER SCIENCE Supervisor: Assoc. Trần Minh Quang Reviewer: Assoc. Nguyễn Thanh Bình Student 1: Bùi Minh Kiệt – 1852115 Student 2: Huỳnh Ngọc Nhật Quang – 1852118 HO CHI MINH CITY, 09/2022 DECLARATION OF AUTHENTICITY We declare that this thesis is our own work, conducted under the supervision and guidance of Associate Professor Tran Minh Quang. The idea, implementation, and result of our work are legitimate and have not been published in any form prior to this.

All materials and research mentioned, used, and improved upon within this report are guaranteed to be referenced in the bibliography section with their respective authors/ owners. We take full responsibility for the authenticity of our research. In any case of plagiarism, we stand by our actions and will be responsible for it. Ho Chi Minh City, September 2022 Research group i ACKNOWLEDGEMENT This project cannot be completed without the support and guidance we have received from our lecturers at Ho Chi Minh City University of Technology, partic- ularly from the Faculty of Computer Science and Engineering.

We would like to express our gratitude to the university for the lessons, encour- agement, and opportunities that we have received during the years spent studying here. The knowledge and experience we have had would not only be valuable for our professional careers onward, but would also help us develop and improve ourselves in society. We would like to offer our foremost acknowledgment to Dr. Tran Minh Quang, for having wholeheartedly trusted and guided us to complete this thesis and for providing us the valuable resource and advice to improve our work.

We also would like to thank our families and friends for the support throughout the years, which have helped us both mentally and emotionally - these are all crucial for one to be motivated to achieve the best things in life. Finally, we would like to wish our instructor and all the lecturers at Ho Chi Minh City University of Technology the best in the future. Ho Chi Minh City, September 2022 Research group ii ABSTRACT The project focuses on "Predicting urban traffic condition and estimate travel time", which revolves around developing and improving the current BKTraffic system. The main objectives are to research and implement methods to estimate traffic status and travel time in Ho Chi Minh City, as well as to aid residents by improving the performance and experience of the BKTraffic application.

The main contents of this thesis are as followed: • Chapter 1: Introduction, overview project information, and detail problem statements and objectives. • Chapter 2: Review and outline of related research, projects, and implemen- tations. • Chapter 3: Description and analysis of current BKTraffic system, including system architecture, database structure, server, and APIs structures, as well as web & mobile application overview. We also briefly discuss some evalua- tions on our server and the benchmarking methods that we utilize.

• Chapter 4: Theoretical background, solution design, and implementation of predicting traffic status and travel time of each segment using available data. • Chapter 5: Theoretical background, solution design, and implementation of improving and optimizing database performance with sharding. • Chapter 6: Design, implementation, and evaluation of current server and application updates to improve user experience. • Chapter 7: Conclusion of completed works, analyze results and improve- ments, as well as detailing potential improvements on the project.

iii Contents List of Tables 2 List of Figures 4 1 Introduction 5 1.2 Initial perspectives and approach .3 Scope and ojectives. 8 2 Related Works 9 3 System Overview 13 3.3 Server and APIs structure. 23 4 Traffic status prediction 25 4.1 Current system overview and problems .1 System traffic status display method .2 Current approach on traffic status prediction .2 Proposed approach and theoretical background .1 Regression training model for the ETA problem .2 Artificial Neural Network for regression .3 Hyperparameter tuning with Bayesian Optimization .2 Feature Engineering and Data collection .3 Data mining and model for speed prediction .1 Overview of the traffic prediction analysis server .2 Data collection and preprocessing .