Dự đoán và Định hướng Lưu lượng Giao thông trong Môi trường Bất định

Luận án tiến sĩ về dự đoán và định hướng luồng giao thông trong điều kiện bất định. Nghiên cứu các mô hình, thuật toán mới giúp tối ưu hóa giao thông đô thị.

• Tác giả: Đoàn Phước Miền
• Người hướng dẫn: TS. Trần Thế Vũ
• Trường học: Trường Đại học Bách Khoa - Đại học Đà Nẵng
• Chuyên ngành: Khoa học máy tính
• Đề tài: Dự đoán và Định hướng Lưu lượng Giao thông trong Môi trường Bất định
• Loại tài liệu: Luận án Tiến sĩ
• Năm xuất bản: 2024
• Địa điểm: Đà Nẵng

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giao thông thông minh
• 1.2. Luồng giao thông
• 1.3. Định hướng luồng giao thông
• 1.4. Tính bất định trong giao thông
• 1.5. Bài toán về dự đoán luồng giao thông
• 1.5.1. Tham số về thời gian
• 1.5.2. Đặc trưng đầu vào
• 1.6. Nghiên cứu liên quan
• 1.6.1. Nghiên cứu liên quan về nền tảng tích hợp dữ liệu Video
• 1.6.2. Nghiên cứu liên quan về môi trường bất định trong giao thông
• 1.6.3. Nghiên cứu liên quan về nhận dạng đối tượng
• 1.6.4. Nghiên cứu liên quan về ước lượng mật độ giao thông
• 1.6.5. Nghiên cứu liên quan về dự đoán luồng giao thông
• 1.7. Kết chương
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH ĐỀ XUẤT
• 2.1. Mô hình đề xuất hệ thống HAIVAN-CVA
• 2.2. Kiến trúc tích hợp dữ liệu
• 2.3. Mô hình đề xuất kiến trúc tích hợp dữ liệu
• 2.4. Mô hình hệ thống tích hợp dữ liệu tổng quát
• 2.5. Nhận dạng đối tượng
• 2.5.1. Thách thức trong nhận dạng đối tượng
• 2.5.2. Mô hình toán học trong nhận dạng đối tượng
• 2.5.3. Nhận dạng đối tượng kết hợp phương pháp trừ nền và YOLO
• 2.5.4. Nhận dạng đối tượng bằng phương pháp trừ nền ngưỡng động
• 2.5.5. Nhận dạng đối tượng bằng phương pháp học sâu
• 2.5.6. Nhận dạng đối tượng nhỏ theo mô hình SSD
• 2.5.7. Nhận dạng đối tượng nhỏ dựa trên mô hình YOLO
• 2.5.8. Nhận dạng đối tượng nhỏ dựa vào kết hợp Transformer và YOLO
• 2.6. Ước lượng mật độ giao thông
• 2.6.1. Thách thức trong ước lượng mật độ
• 2.6.2. Mô hình toán học
• 2.6.3. Mô hình đề xuất
• 2.6.4. Xây dựng dữ liệu
• 2.6.5. Xác định làn đường
• 2.6.6. Xác định diện tích tổng quát
• 2.6.7. Công thức tính mật độ giao thông
• 2.6.8. Kích thước phương tiện tham gia giao thông
• 2.6.9. Tính tổng diện tích phương tiện
• 2.7. Dự đoán luồng giao thông
• 2.7.1. Thách thức trong dự đoán luồng giao thông
• 2.7.2. Mô hình toán học
• 2.8. Kết chương
• 3. CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM
• 3.1. Kết quả thực nghiệm kiến trúc tích hợp dữ liệu
• 3.1.1. Cấu hình phần cứng
• 3.1.2. Truy vấn dữ liệu từ camera giám sát
• 3.1.3. Lưu trữ dữ liệu trên máy chủ đám mây
• 3.1.4. Ứng dụng sử dụng nguồn camera thực tế
• 3.2. Kết quả thực nghiệm nhận dạng đối tượng
• 3.2.1. Kết quả thực nghiệm bằng phương pháp học sâu
• 3.2.2. Kết quả thực nghiệm bằng phương pháp trừ nền ngưỡng
• 3.2.3. Kết quả thực nghiệm phương pháp SSD nhận dạng phương tiện giao thông nhỏ
• 3.2.4. Kết quả thực nghiệm phương pháp YOLO nhận dạng phương tiện giao thông nhỏ
• 3.2.5. Kết quả Transformer và YOLO
• 3.2.6. Kết quả thực nghiệm phương pháp trừ nền kết hợp với YOLO
• 3.2.7. So sánh hiệu năng của HAIVAN-BSYOLO với YOLO-v8
• 3.2.8. So sánh hiệu năng trừ nền của thuật toán PBAS với sự khác biệt khung hình động và sự khác biệt khung hình tĩnh
• 3.3. Kết quả thực nghiệm ước lượng mật độ
• 3.3.1. Cài đặt cấu hình
• 3.3.2. Huấn luyện mô hình
• 3.3.3. Sử dụng mô hình
• 3.3.4. Kết quả ước lượng mật độ giao thông
• 3.4. Kết quả thực nghiệm dự đoán luồng giao thông
• 3.4.1. Thu thập dữ liệu theo thời gian
• 3.4.2. Tiền xử lý dữ liệu
• 3.4.3. Sử dụng mô hình
• 3.4.4. Huấn luyện mô hình
• 3.4.5. Dự đoán luồng giao thông
• 3.5. Kết chương
• 4. KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Dự đoán Lưu lượng Giao thông Tầm quan trọng

Luận án tiến sĩ này tập trung vào bài toán dự đoán lưu lượng giao thông và định hướng lưu lượng giao thông trong môi trường bất định. Việc quản lý hiệu quả luồng giao thông đóng vai trò then chốt trong sự phát triển của các đô thị hiện đại. Tình trạng kẹt xe không chỉ gây thiệt hại về kinh tế mà còn ảnh hưởng tiêu cực đến môi trường và chất lượng cuộc sống. Do đó, việc nghiên cứu và phát triển các hệ thống giao thông thông minh (ITS) có khả năng dự đoán và ứng phó với các tình huống bất ngờ là vô cùng quan trọng. Luận án này góp phần giải quyết bài toán này bằng cách đề xuất các mô hình và thuật toán mới, tận dụng sức mạnh của học máy và trí tuệ nhân tạo để nâng cao hiệu quả dự đoán lưu lượng giao thông. Công trình này hứa hẹn mang lại những đóng góp thiết thực cho lĩnh vực quy hoạch giao thông và phát triển đô thị thông minh.

1.1. Tính cấp thiết của dự đoán giao thông trong đô thị

Giao thông đô thị ngày càng phức tạp với sự gia tăng dân số và phương tiện. Các yếu tố bất định như thời tiết, tai nạn, sự kiện đặc biệt, công trình xây dựng ảnh hưởng đến luồng giao thông. Luận án này đáp ứng nhu cầu định tuyến giao thông thông minh và hiệu quả, giúp giảm kẹt xe, giảm thời gian di chuyển, và tăng tính an toàn. Nghiên cứu này giải quyết các thách thức giao thông hiện tại và tương lai, góp phần vào hệ thống giao thông thông minh.

1.2. Mục tiêu và phạm vi nghiên cứu về luồng giao thông

Mục tiêu của luận án là nghiên cứu và đề xuất giải pháp để dự đoán và định hướng luồng giao thông trong môi trường bất định. Nghiên cứu tập trung vào thu thập và tích hợp dữ liệu từ nhiều nguồn camera, đề xuất mô hình tích hợp dữ liệu, nghiên cứu các phương pháp nhận dạng và theo dõi đối tượng, ước lượng mật độ giao thông, và dự đoán luồng giao thông. Phạm vi nghiên cứu bao gồm giao thông đường bộ tại Đà Nẵng trong giai đoạn 2017-2021.

II. Thách thức Dự đoán Lưu lượng Xe trong Môi trường Bất định

Việc dự đoán lưu lượng giao thông trong môi trường bất định gặp nhiều khó khăn. Thứ nhất, dữ liệu giao thông thường chứa nhiều nhiễu và thiếu sót. Các cảm biến có thể bị lỗi, hoặc điều kiện thời tiết xấu có thể ảnh hưởng đến chất lượng dữ liệu. Thứ hai, lưu lượng xe có tính biến động cao, chịu ảnh hưởng của nhiều yếu tố như thời gian trong ngày, ngày trong tuần, và các sự kiện bất thường. Thứ ba, các mô hình dự đoán giao thông truyền thống thường không thể nắm bắt được sự phức tạp của hệ thống giao thông, đặc biệt là trong các tình huống bất định. Do đó, cần có các phương pháp mới, có khả năng xử lý dữ liệu không hoàn chỉnh, nắm bắt các yếu tố ảnh hưởng đến lưu lượng xe, và đưa ra các dự đoán chính xác trong môi trường bất định. Luận án này tập trung vào việc giải quyết những thách thức này, nhằm nâng cao độ tin cậy và hiệu quả của các hệ thống dự đoán lưu lượng giao thông.

2.1. Các yếu tố bất định ảnh hưởng tới lưu lượng giao thông

Các yếu tố bất định như thời tiết (mưa, bão), tai nạn giao thông, sự kiện đặc biệt (lễ hội, hội nghị), và công trình xây dựng đột xuất gây ra sự thay đổi khó lường trong lưu lượng giao thông. Các yếu tố này làm giảm độ chính xác của các mô hình dự đoán giao thông truyền thống. Luận án này nghiên cứu cách tích hợp các yếu tố bất định vào mô hình dự đoán để tăng tính chính xác và khả năng ứng phó.

2.2. Khó khăn trong việc thu thập và xử lý dữ liệu giao thông

Dữ liệu giao thông thời gian thực thường phân tán, không đồng nhất và chứa nhiều nhiễu. Việc thu thập dữ liệu từ nhiều nguồn (camera, cảm biến, GPS) đòi hỏi các kỹ thuật tích hợp phức tạp. Xử lý dữ liệu thiếu sót và không chính xác là một thách thức lớn. Luận án này đề xuất các phương pháp để lọc nhiễu, điền dữ liệu bị thiếu, và chuẩn hóa dữ liệu từ các nguồn khác nhau để đảm bảo chất lượng dữ liệu đầu vào cho mô hình dự đoán.

2.3. Hạn chế của các mô hình dự đoán giao thông truyền thống

Các mô hình dự đoán giao thông truyền thống như ARIMA và các mô hình thống kê đơn giản thường không thể nắm bắt được sự phức tạp của hệ thống giao thông và các yếu tố bất định. Chúng thường dựa trên giả định tuyến tính và bỏ qua các mối quan hệ phi tuyến tính giữa các yếu tố ảnh hưởng đến lưu lượng xe. Luận án này khám phá các mô hình học máy và học sâu, có khả năng học các mối quan hệ phức tạp và dự đoán chính xác hơn trong môi trường bất định.

III. Mô hình HAIVAN CVA để Phân tích Dữ liệu Giao thông Video

Luận án đề xuất mô hình HAIVAN-CVA (Hệ thống Phân tích Video IoT) như một giải pháp để phân tích dữ liệu giao thông từ nhiều nguồn camera khác nhau. Kiến trúc này cho phép chạy các luồng công việc phân tán quy mô lớn trên các nền tảng không đồng nhất, sử dụng các thành phần phần mềm được phát triển bằng nhiều ngôn ngữ lập trình khác nhau. HAIVAN-CVA giúp tích hợp và xử lý dữ liệu giao thông một cách hiệu quả, cung cấp nền tảng cho việc xây dựng các ứng dụng giao thông thông minh như dự đoán lưu lượng xe, định hướng giao thông, và phát hiện tai nạn giao thông. Mô hình này được thiết kế để có khả năng mở rộng và dễ dàng tích hợp với các hệ thống hiện có.

3.1. Kiến trúc Tích hợp Dữ liệu cho Hệ thống HAIVAN CVA

Mô hình HAIVAN-CVA được xây dựng dựa trên kiến trúc tích hợp dữ liệu linh hoạt, cho phép kết nối với nhiều nguồn dữ liệu giao thông khác nhau như camera CCTV, cảm biến, và hệ thống GPS. Kiến trúc này sử dụng các giao thức chuẩn để đảm bảo khả năng tương thích và dễ dàng mở rộng. Mô hình cũng bao gồm các thành phần để xử lý và làm sạch dữ liệu giao thông trước khi đưa vào các mô hình phân tích.

3.2. Nhận dạng Đối tượng và Theo dõi Phương tiện bằng HAIVAN CVA

Mô hình HAIVAN-CVA tích hợp các thuật toán nhận dạng đối tượng và theo dõi phương tiện dựa trên các kỹ thuật học máy và học sâu. Các thuật toán này có khả năng phát hiện và phân loại các loại phương tiện khác nhau (ô tô, xe máy, xe buýt) từ nhiều góc quay camera và trong các điều kiện ánh sáng khác nhau. Việc theo dõi phương tiện giúp thu thập thông tin về vận tốc, hướng di chuyển, và mật độ giao thông.

3.3. Ước lượng Mật độ Giao thông với HAIVAN CVA

HAIVAN-CVA cung cấp các phương pháp để ước lượng mật độ giao thông dựa trên số lượng phương tiện được phát hiện và diện tích mặt đường. Mô hình sử dụng các thuật toán xử lý ảnh để xác định diện tích mặt đường và tính toán mật độ giao thông một cách chính xác. Thông tin về mật độ giao thông là yếu tố quan trọng để dự đoán lưu lượng xe và đưa ra các quyết định định hướng giao thông.

IV. Dự đoán Lưu lượng Giao thông Kết hợp ARIMA và LSTM

Luận án đề xuất mô hình dự đoán lưu lượng giao thông kết hợp phương pháp ARIMA (Autoregressive Integrated Moving Average) và LSTM (Long Short-Term Memory) - gọi tắt là HAIVAN-ALSTM. ARIMA được sử dụng để nắm bắt các thành phần tuyến tính trong chuỗi thời gian lưu lượng xe, trong khi LSTM có khả năng học các mối quan hệ phi tuyến tính và các phụ thuộc thời gian dài. Sự kết hợp này giúp mô hình HAIVAN-ALSTM có thể dự đoán lưu lượng giao thông một cách chính xác hơn, đặc biệt là trong các tình huống bất định. Mô hình này được huấn luyện và đánh giá trên dữ liệu giao thông thời gian thực thu thập được từ Đà Nẵng.

4.1. Ưu điểm của việc kết hợp ARIMA và LSTM trong dự đoán giao thông

ARIMA hiệu quả trong việc mô hình hóa các thành phần tuyến tính và xu hướng trong chuỗi thời gian. LSTM có khả năng học các mối quan hệ phi tuyến tính phức tạp và ghi nhớ các thông tin trong quá khứ, giúp dự đoán lưu lượng xe chính xác hơn trong các tình huống biến động. Sự kết hợp này tận dụng ưu điểm của cả hai phương pháp.

4.2. Quy trình huấn luyện và đánh giá mô hình HAIVAN ALSTM

Mô hình HAIVAN-ALSTM được huấn luyện trên dữ liệu giao thông lịch sử, bao gồm thông tin về lưu lượng xe, thời tiết, và các sự kiện đặc biệt. Dữ liệu được chia thành tập huấn luyện, tập kiểm tra, và tập đánh giá. Các chỉ số đánh giá như MAE (Mean Absolute Error), RMSE (Root Mean Squared Error), và MAPE (Mean Absolute Percentage Error) được sử dụng để đánh giá hiệu suất của mô hình.

4.3. So sánh hiệu suất của HAIVAN ALSTM với các mô hình khác

Hiệu suất của HAIVAN-ALSTM được so sánh với các mô hình dự đoán giao thông khác như SAEs (Stacked Autoencoders) và GRU (Gated Recurrent Unit). Kết quả cho thấy HAIVAN-ALSTM có độ chính xác cao hơn và khả năng ứng phó với các tình huống bất định tốt hơn so với các mô hình so sánh.

V. Kết quả Thực nghiệm và Đánh giá Hệ thống HAIVAN CVA

Luận án trình bày kết quả thực nghiệm và đánh giá hiệu suất của hệ thống HAIVAN-CVA trên dữ liệu giao thông thực tế từ Đà Nẵng. Kết quả cho thấy hệ thống có khả năng nhận dạng đối tượng và theo dõi phương tiện với độ chính xác cao. Mô hình HAIVAN-ALSTM cũng cho thấy khả năng dự đoán lưu lượng giao thông chính xác, đặc biệt là trong các tình huống bất định. Các kết quả này chứng minh tính khả thi và hiệu quả của các phương pháp được đề xuất trong luận án.

5.1. Đánh giá hiệu quả nhận dạng đối tượng của HAIVAN CVA

Hệ thống HAIVAN-CVA đạt được độ chính xác cao trong việc nhận dạng đối tượng (ô tô, xe máy, xe buýt) từ nhiều góc quay camera và trong các điều kiện ánh sáng khác nhau. Các thuật toán học sâu như YOLO được sử dụng để cải thiện độ chính xác và tốc độ nhận dạng đối tượng.

5.2. Đánh giá độ chính xác dự đoán lưu lượng xe của HAIVAN ALSTM

Mô hình HAIVAN-ALSTM cho thấy khả năng dự đoán lưu lượng giao thông chính xác trên dữ liệu giao thông thực tế từ Đà Nẵng. Các chỉ số đánh giá như MAE, RMSE, và MAPE đều cho thấy kết quả tốt, chứng minh tính hiệu quả của mô hình.

5.3. Ứng dụng thực tế của hệ thống HAIVAN CVA trong giao thông thông minh

Hệ thống HAIVAN-CVA có thể được ứng dụng trong nhiều lĩnh vực của giao thông thông minh, bao gồm dự đoán lưu lượng giao thông, định hướng giao thông, quản lý đèn tín hiệu, và phát hiện tai nạn giao thông. Hệ thống giúp cải thiện hiệu quả và an toàn của hệ thống giao thông đô thị.

VI. Kết luận và Hướng phát triển cho Dự đoán Giao thông

Luận án đã đề xuất các phương pháp mới để dự đoán và định hướng luồng giao thông trong môi trường bất định. Hệ thống HAIVAN-CVA và mô hình HAIVAN-ALSTM đã chứng minh tính hiệu quả trong việc phân tích dữ liệu giao thông, nhận dạng đối tượng, và dự đoán lưu lượng xe. Nghiên cứu này mở ra nhiều hướng phát triển mới cho lĩnh vực giao thông thông minh, đặc biệt là trong việc ứng dụng học máy và trí tuệ nhân tạo để giải quyết các bài toán giao thông phức tạp.

6.1. Tóm tắt các đóng góp chính của luận án

Luận án đã đóng góp vào việc xây dựng bộ dữ liệu giao thông, phát triển kiến trúc HAIVAN-CVA, đề xuất mô hình nhận dạng đối tượng, phát triển phương pháp ước lượng mật độ giao thông, và xây dựng mô hình HAIVAN-ALSTM để dự đoán lưu lượng xe.

6.2. Hướng nghiên cứu tiếp theo trong lĩnh vực giao thông thông minh

Các hướng nghiên cứu tiếp theo bao gồm việc tích hợp các nguồn dữ liệu khác (mạng xã hội, thông tin thời tiết chi tiết), phát triển các mô hình dự đoán giao thông thích ứng với các tình huống bất thường (tai nạn, biểu tình), và ứng dụng các kỹ thuật học tăng cường để tối ưu hóa định tuyến giao thông.

Trích đoạn nội dung tài liệu

chương 1 của luận án sẽ trình bày các khái niệm cơ bản liên quan tới luồng giao thông, các nghiên cứu liên quan về nguồn đữ liệu, kiến trúc tích hợp, nhận dạng đối tượng, ước lượng mật độ, dự đoán và định hướng luồng giao thông. ĩ Chương 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH ĐỀ XUẤT. Chương 2 của luận án sẽ tập trung vào tổng quan về kiến trúc tích hợp đữ liệu từ nhiều nguồn khác nhau trong hệ thống [TS. Nội dung cụ thể của chương bao gồm: Đầu tiên sẽ giới thiệu về hệ thống TTS bao gồm định nghĩa và các thành phần của hệ thống ITS; Ứng dụng của hệ thống ITS trong giải quyết các vấn đề giao thông.

Tiếp theo sẽ trình bày về các khó khăn và thách thức trong việc tích hợp đữ liệu trong hệ thống [TS như tính đa dạng và phức tạp của các nguồn đữ liệu trong hệ thống FTS; Vấn đề về đồng bộ hóa dữ liệu từ các nguồn khác nhau; Các giải pháp đã được đề xuất để giải quyết vấn đề tích hợp dữ liệu trong hệ thống IT8. Bên cạnh đó sẽ đưa ra các kiến trúc tích hợp đữ liệu trong hệ thống ITS, các kiến trúc mạng tích hợp đữ liệu cổ điển; Các kiến trúc mạng tích hop đữ liệu mới và tiên tiến. Song song đó, trong chương này cũng trình bày về nền tầng trong nhận dạng đối tượng, phân tích các thách thức trong quá trình nhận dạng. Việc ước lượng mật độ và dự đoán luồng giao thông cũng được tìm hiểu và trình bày một cách chỉ tiết và cụ thể.

Chương 3: KẾT QUÁ THỰC NGHIỆM. Trong chương 3 của luận án sẽ trình bày về kết quả xây dựng kiến trúc tích hợp để thực hiện các ứng dụng nhận dạng đối tượng tham gia giao thông, đặc biệt là nhận dạng các đối tượng có kích thước rất nhỏ. Nội dung tập trung vào trình bày hai công trình đã công bố về phương pháp trừ nền ngưỡng động và sử dụng học sâu để nhận dạng đối tượng. Bên cạnh đó, chương này cũng trình bày về kết quả Ước lượng mật độ giao thông.

Việc xác định làn đường, tham chiếu kích thước phương tiện và tính mật độ là những điểm trong tâm của chương này. Ngoài ra chương 3 còn trình bày kết quả dự đoán luồng giao thông. Dự đoán này có thể giúp cho việc quân lý giao thông trở nên hiệu quả hơn, giảm thiểu ùn tắc, giảm thời gian di chuyển và giảm tác động đến môi trường. Tuy nhiên, việc dự đoán luồng giao thông là một thách thức lớn đo sự phức tạp của hệ thống giao thông và sự biến đổi của các yếu tô ảnh hưởng.

TONG QUAN VE DU DOAN VA DINH HUGNG LUONG GIAO THONG TRONG MOI TRƯỜNG BẤT ĐỊNH 1. Giao thông thông minh Giao thong théng minh đánh đấu một bước tiễn quan trọng trong ngành kỹ thuật và quản lý giao thông, nhờ vào việc ứng dụng công nghệ tiên tiến nhằm nang cao hiệu quả, an toàn và tính bền vững của hệ thống giao thông hiện đại {77|. Các hệ thống ITS không chỉ giới hạn ở việc giám sát và điều khiển giao thông mà còn mở rộng ra một loạt các ứng dụng công nghệ khác, bao gồm mô hình hóa giao thông, phân tích dữ liệu lớn, và hệ thống điều khiển thông minh, tất cả đều hướng đến mục tiêu chung là tối ưu hóa luồng giao thông, giảm thiểu lùn tắc và tăng cường an toàn cho người tham gia giao thông. Thành phố thông minh cần cải thiện chất lượng, hiệu quả của dịch vụ đồ thị và cuộc sống của cư đãn, đồng thời giảm chỉ phí và tiêu thụ tài nguyên.

Các thành phố này tập trung vào việc tạo điều kiện thuận lợi cho sự phát triển bền vững thông qua việc tối ưu hóa các dịch vụ thành phố và tương tác giữa chính quyền và người đân [77]. Thanh phố thông mính không chỉ áp dụng công nghệ mới nhất mà còn bao gồm việc tích hợp và phân tích dữ liệu từ các nguồn khác nhau như cảm biến đô thị, giám sát video, và mạng lưới thông tin để cải thiện quân lý đô thị, dịch vụ công cộng, và cuộc sống hàng ngày của người dân. Luông giao thông Lung giao thông là việc di chuyến các phương tiện giao thông hoặc người từ một điểm đến điểm khác trong mạng lưới giao thông. Luồng giao thông thường 9 dùng để chỉ sự chuyển động của xe cộ, người đi bộ, hoặc các phương tiện khác qua các tuyến đường hoặc cơ sở hạ tầng giao thông [23].

Lưu lượng giao thông: Đây là số lượng xe cộ hoặc người đi lại qua một điểm hoặc tuyến đường trong một khoảng thời gian nhất định. Lưu lượng giao thông thường được đo bằng số lượng phương tiện hoặc người trong một khoảng thời gian cụ thể. Mật độ giao thông: Mật độ giao thông thể hiện mật độ của các phương tiện hoặc người trên một đoạn đường hoặc mạng lưới giao thông. Nó thường được đo bằng số lượng phương tiện hoặc người trên mỗi đơn vị độ dài hoặc điện tích.

Tóc độ đi chuyển: Tốc độ đi chuyển là khoảng cách mà một phương tiện hoặc người có thể di chuyển trong một khoảng thời gian cụ thể. Tốc độ di chuyển có thể biến đổi tùy thuộc vào mật độ giao thông và điều kiện đường. Các yếu tố tác động đến luồng giao thông: Các yếu tố như ánh sáng giao thông, biển báo, điều kiện thời tiết và quy tắc giao thông đều có thể ảnh hưởng đến luồng giao thông. Quản lý luồng giao thông: Quản lý luồng giao thông là quá trình sắp xếp và kiểm soát lưu lượng giao thông để đảm bảo an toàn và hiệu năng của mạng lưới giao thông.

Định hướng luéng giao thông Định hướng luồng giao thông là quá trình điều hướng và quản lý giao thông trên các tuyến đường, tại các ngã tư, và trong các hệ thống giao thông khác nhau để đâm bảo hiệu quả và an toàn trong việc đi chuyển của phương tiện và người đân. Mục tiêu chính của việc tối ưu luồng giao thông là cải thiện đồng lưu thông, giảm ìn tắt, tăng tốc độ di chuyển, tiết kiệm nhiên liệu, và giảm thời gian mất trong việc đi lại |43],|75|. Các yếu tố quan trọng trong quá trình tối ưu luồng giao thông bao gồm: Điều hướng phương tiện: Điền hướng phương tiện giao thông theo các tuyến 10 đường và lựa chọn đường đi tối ưu để tránh ùn tắt và giảm thiểu thời gian mất. Điều chỉnh đèn giao thông: Điều chỉnh thời gian mở và đóng của đèn giao thông tại các ngã tư và tuyến đường để đám bảo sự liên tục và hiệu quả trong đồng lưu thông.

Điều chỉnh tốc độ: Điều chỉnh tốc độ phương tiện thông qua giới hạn tốc độ, đặt biển cấm, hoặc sử dụng hệ thống thông tin giao thông để hướng dẫn tài xế về tốc độ an toàn. Quản lý lưu lượng giao thông: Giám sát và quản lý lưu lượng giao thong trên các tuyến đường để đám bảo không quá tải và không gây ùn tắt. Sử dụng công nghệ: Sử dụng công nghệ thông tin va giao thong thong minh để thu thập đữ liệu, dự đoán tình hình giao thông, và cung cấp thông tin cập nhật cho tài xế và người dân. Ưu tiên phương tiện công cộng: Tăng cường sử dụng phương tiện công cộng và tạo điều kiện thuận lợi cho chúng để giảm tải cho các phương tiện cá nhân và giảm ùn tắt.

Xây dựng hạ tầng giao thông: Xây đựng và cải thiện hạ tầng giao thông, bao gồm cơ sở đường, cầu, và tuyến đường, để đáp ứng nhu cầu tăng cường dòng lưu thông. Trong luận án sẽ tập trung vào việc sử dụng công nghệ, dự đoán và định hướng luồng giao thông. Tính bất định trong giao thông Tính bất định trong giao thông ở Việt Nam có thể được gây ra bởi một số các yêu tố đặc biệt, bao gồm: Tác nghẽn và ùn tắc giao thông: Việt Nam thường phải đối mặt với vấn đề tắc nghẽn và ùn tắc giao thông ở nhiều khu vực đô thị. Điều này làm cho thời gian đi chuyển trở nên bất định và không thể dự đoán được.

Các vấn đề này có thể xuất phát từ mật độ xe cộ cao, hạ tầng không phát triển đồng đều. Đặc biệt ll ở Thành phố Đà Nẵng, số lượng du khách hàng năm đến tham quan đu lịch rất lớn, do đó nhu cầu đi lại tăng cao. Sự kiện bất thường và công trình xây dựng: Các sự kiện bất thường như tai nạn, công trình xây đựng đột ngột hoặc các biến đổi động trên các tuyến đường cũng góp phần tạo nên tính bất định trong giao thông. Tăng cầu vận chuyển: Sự gia tăng nhanh chóng của số lượng phương tiện giao thông, đặc biệt là 6 tô và xe máy, đã gây ra tăng cầu vận chuyển.

Diều này dẫn đến kẹt xe, tắc nghẽn giao thống và tăng thời gian đi chuyển. Phương tiện giao thông da dang: Su da dạng của các phương tiện giao thông, từ xe máy đến xe tải và xe buýt, tạo ra sự phức tạp trong quản lý giao thông và tương tác giữa các loại phương tiện khác nhau. không tuân thủ luật giao thông: Tình trạng không tuân thủ luật giao thông phổ biến, bao gồm việc đi ngược chiều, vượt đèn đỏ, và không đội mũ báo hiểm. Điều này tạo ra nguy cơ lớn cho các tình huống va chạm và tai nạn.

Tình hình đô thị đông đúc: Sự đô thị hóa nhanh chóng và tăng cư dân thành thị gốp phần vào sự tắc nghẽn giao thông và tình trạng kẹt xe trong các thành phố lớn. Người đi bộ và người đi xe đạp: Người đi bộ và người đi xe đạp thường tham gia vào giao thông mà không tuân thủ đúng quy tắc, và họ có thể xuất hiện đột ngột giữa đòng xe, tạo ra sự bất định. Thời tiết và tình trạng đường: Các tình trạng thời tiết xấu như mưa lớn và lũ lụt có thể làm tăng nguy cơ tái nạn giao thông. Sương mù có thể làm cho tình trạng giao thông trở nên không thường xuyên và gây khó khăn cho việc di chuyển.

Dữ liệu đầu vào từ các nguồn camera khác nhau ảnh hưởng trực tiếp đến việc giám sát các phương tiện tham gia giao thông. Đặc biệt, một số điểm camera có góc quay không trực điện, vị trí trên cao, khung hình quan sát lớn nên các đối tượng tham gia giao thông không được quan sát rõ [ð8|. 12 Đây là loại bất định xuất phát từ sự ngẫu nhiên và biến động tự nhiên trong đữ liệu, chẳng hạn như sự thay đổi trong lưu lượng giao thông đo thời tiết, tai nạn, hoặc các sự kiện không lường trước, các hành vi của người tham gia giao thông. Bất định ngẫu nhiên không thể được loại bỏ bằng cách thu thập thêm đữ liệu vì nó vốn đĩ là một phần của hệ thống.