Giới thiệu dự án

Tình trạng ùn tắc giao thông đô thị tại các trung tâm kinh tế lớn như Thành phố Hồ Chí Minh đang là bài toán cấp bách, ảnh hưởng trực tiếp đến năng suất lao động, gia tăng lượng phát thải khí nhà kính ($CO_2$) và làm suy giảm chất lượng sống của người dân. Theo thống kê giao thông đô thị, tổn thất kinh tế do ùn tắc tại các đô thị đặc biệt có thể chiếm từ 2% đến 5% GDP hàng năm, trong đó nguyên nhân cốt lõi bắt nguồn từ sự gia tăng đột biến của phương tiện cá nhân vượt xa tốc độ mở rộng cơ sở hạ tầng cầu đường.

Đề tài khóa luận tốt nghiệp "Nghiên cứu sử dụng nền tảng Veins để xây dựng giải pháp chống kẹt xe" do sinh viên Nguyễn Phúc Khang An và Đỗ Hoàng Giang (Khoa Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin – ĐHQG-HCM), dưới sự hướng dẫn của TS. Đoàn Duy thực hiện, tập trung giải quyết triệt để bài toán tối ưu hóa điều khiển giao thông dựa trên mô phỏng vi mô độ chính xác cao.

+-----------------------------------------------------------------------------------+
| Tuyến khảo sát: Trục đại lộ Phạm Văn Đồng (Cầu vượt Linh Xuân -> Ngã tư ĐS 25)    |
| Chiều dài: ~4.5 km | Nút giao trọng điểm: Tô Ngọc Vân, Hiệp Bình, Linh Đông, ĐS 9 |
+-----------------------------------------------------------------------------------+

1. Mục tiêu nghiên cứu cụ thể

  1. Khảo sát và số hóa hạ tầng: Thu thập dữ liệu thực địa, ánh xạ chính xác bản đồ giao thông tuyến đường Phạm Văn Đồng (từ cầu vượt Linh Xuân đến nút giao Đường số 25, TP. Thủ Đức) lên môi trường số hóa chuẩn OSM.
  2. Mô phỏng vi mô lưu lượng phương tiện: Ứng dụng nền tảng Veins kết hợp bộ mô phỏng giao thông SUMO và OMNeT++ để tái hiện dòng xe, hành vi rẽ và mật độ giao thông theo thời gian thực.
  3. Phát hiện ngưỡng tắc nghẽn tự động: Xây dựng kịch bản kiểm thử tự động đánh giá tốc độ trung bình phương tiện ($V_{tb}$) và chiều dài hàng đợi nhằm nhận diện các nút giao có nguy cơ ùn tắc ($V_{tb} < 5.56\text{ m/s} \approx 20\text{ km/h}$).
  4. Tối ưu hóa tín hiệu đèn theo giải thuật Webster: Tính toán lại chu kỳ đèn và phân bổ thời gian pha xanh tối ưu nhằm giải tỏa áp lực phương tiện, nâng cao lưu lượng xe bão hòa qua nút giao.

2. Phạm vi và giới hạn

  • Không gian nghiên cứu: Tuyến đường Phạm Văn Đồng đoạn từ Cầu vượt Linh Xuân đến giao lộ Đường số 25 (TP. Thủ Đức, TP.HCM), bao gồm các nút giao trọng điểm: Tô Ngọc Vân, Đào Trinh Nhất, Linh Đông, Hiệp Bình, Đường số 9, Hoàng Diệu 2.
  • Quy chuẩn phương tiện: Chuẩn hóa các dòng xe về đơn vị xe con tiêu chuẩn PCU (Passenger Car Unit) với các thuộc tính vi mô gồm chiều dài xe ($5.5\text{ m}$), gia tốc cực đại ($6.0\text{ m/s}^2$), độ trễ giảm tốc ($10.0\text{ m/s}^2$) và khoảng cách an toàn tối thiểu ($minGap = 2.5\text{ m}$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi tiếp cận mô phỏng vi mô trên nền tảng Veins, các phương pháp quản lý và phân tích giao thông truyền thống bộc lộ nhiều hạn chế về chi phí và tính linh hoạt:

Phương pháp Ưu điểm Nhược điểm Chi phí triển khai
Mô phỏng sự kiện rời rạc (ARENA) [4] Dễ xây dựng mô hình hàng đợi đơn giản Không mô phỏng được hành vi vật lý vi mô, thiếu tích hợp mạng không dây VANET Trung bình
Xử lý ảnh từ Camera an ninh [5] Dữ liệu thực tế thời gian thực Phụ thuộc thời tiết/ánh sáng, góc quét hạn chế, chi phí phần cứng cao Rất cao
Hệ thống Veins + SUMO + TraCI (Đề xuất) Mô phỏng vi mô chính xác cao, mã nguồn mở, hỗ trợ chuẩn IEEE 802.11p, dễ mở rộng thuật toán Đòi hỏi dữ liệu bản đồ chi tiết và tài nguyên tính toán cho tập kịch bản lớn Thấp (Tối ưu nghiên cứu)

Phân loại yêu cầu theo mô hình MoSCoW

  • Must have (Bắt buộc): Chuyển đổi chính xác bản đồ OpenStreetMap sang mạng lưới SUMO (.net.xml), mô phỏng dòng xe ngẫu nhiên và theo chu kỳ thời gian thực, trích xuất dữ liệu tốc độ định dạng netstate-dump và FCDOutput.
  • Should have (Nên có): Tích hợp tự động kịch bản tối ưu hóa chu kỳ đèn tín hiệu giao thông Webster thông qua lập trình Python.
  • Could have (Có thể có): Định tuyến thông minh dòng xe bằng công cụ duarouter để cân bằng tải động toàn tuyến.
  • Won't have (Chưa hỗ trợ): Nhúng trực tiếp phần cứng điều khiển đèn tín hiệu tại tủ điều khiển vật lý ngoài thực địa.

Thiết kế hệ thống

Kiến trúc giải pháp được phân tầng rõ ràng nhằm đảm bảo tính độc lập giữa dữ liệu bản đồ, mô hình mô phỏng vi mô và lớp giải thuật điều khiển:

Technology Stack và phiên bản sử dụng

  • Veins Framework (v5.2): Cung cấp mô hình giao tiếp mạng xe cộ VANET (Vehicular Ad-hoc Network), liên kết hai chiều giữa mạng viễn thông và mạng di chuyển.
  • SUMO - Simulation of Urban Mobility (v1.11.0 / v1.18.0): Bộ động cơ mô phỏng vi mô dòng phương tiện rời rạc theo thời gian thực (Discrete-event micro-simulator).
  • OMNeT++ (v5.6.2): Môi trường mô phỏng mạng truyền thông hướng sự kiện chuẩn IEEE 802.11p / DSRC.
  • TraCI Protocol (Traffic Control Interface): Giao thức truyền thông dựa trên TCP socket điều khiển SUMO trực tiếp từ mã nguồn bên ngoài.
  • JOSM & Netedit: Bộ công cụ chỉnh sửa thuộc tính hình học mạng lưới đường, số lượng làn xe, giới hạn tốc độ và cấu hình pha tín hiệu.
  • Python (v3.8+): Xây dựng chuỗi kịch bản tự động hóa luồng dữ liệu, xử lý file XML/CSV và tính toán giải thuật toán học.

Methodology

Quy trình phát triển tuân thủ phương pháp nghiên cứu thực nghiệm lặp (Iterative Experimental Methodology) gồm 4 giai đoạn chính:

[Khảo sát thực địa] -> [Mô phỏng Đơn điểm (Nút giao Tô Ngọc Vân)] 
                   -> [Mô phỏng Đa điểm Tuyến Phạm Văn Đồng] 
                   -> [Tối ưu hóa & Đánh giá Webster]
  1. Đánh giá rủi ro: Sai lệch tọa độ giữa OpenStreetMap và thực tế được kiểm soát thông qua công cụ JOSM bằng lớp ảnh vệ tinh hiệu chỉnh offset vệ tinh.
  2. Kiểm thử chất lượng mô phỏng: Chạy kiểm thử vét cạn 90.000 trường hợp ngẫu nhiên tại nút giao đơn điểm để đảm bảo tính ổn định của mô hình trước khi mở rộng ra toàn tuyến 4.5 km.

Implementation và kết quả

Development process

1. Cấu hình kịch bản mô phỏng SUMO (PVDStreet.sumocfg)

File cấu hình trung tâm tích hợp mạng lưới hạ tầng, luồng phương tiện và tham số xuất dữ liệu vi mô:

<?xml version="1.0" encoding="UTF-8"?>
<configuration xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
    <input>
        <net-file value="PVDStreet.net.xml"/>
        <route-files value="PVDStreet.rou.xml"/>
    </input>
    <output>
        <netstate-dump value="SimulationResult_netstate.xml"/>
    </output>
    <time>
        <begin value="0"/>
        <end value="3600"/>
        <step-length value="1"/>
    </time>
    <processing>
        <time-to-teleport value="-1"/>
    </processing>
    <gui_only>
        <start value="true"/>
        <quit-on-end value="true"/>
    </gui_only>
</configuration>

2. Kịch bản tạo luồng phương tiện chu kỳ (PVDStreet.rou.xml)

Định nghĩa phương tiện vi mô và mật độ phân bổ lưu lượng theo thời gian qua thẻ flow:

<?xml version="1.0" encoding="UTF-8"?>
<routes>
    <vType id="passenger" length="5.5" maxSpeed="16.67" accel="6.0" decel="10.0" sigma="0.5" minGap="2.5"/>
    
    <!-- Dòng xe trục chính Phạm Văn Đồng đi Bình Dương -->
    <flow id="flow_PVD_BD" begin="0" end="3600" from="E0" to="E47" vehsPerHour="1800" departSpeed="13.89" type="passenger"/>
    
    <!-- Dòng xe trục chính Phạm Văn Đồng về TP.HCM -->
    <flow id="flow_PVD_HCM" begin="0" end="3600" from="-E47" to="-E0" vehsPerHour="1950" departSpeed="13.89" type="passenger"/>
    
    <!-- Dòng xe nhánh giao lộ Tô Ngọc Vân -->
    <flow id="flow_TNV_Cross" begin="0" end="3600" from="E10" to="-E13" vehsPerHour="450" departSpeed="8.33" type="passenger"/>
</routes>

3. Kịch bản tính toán tối ưu chu kỳ đèn Webster (websterCal.py)

Ứng dụng công thức giải tích Webster để xác định chu kỳ tối ưu ($C_0$) và thời gian đèn xanh hiệu dụng ($g_i$) cho từng pha:

$$C_0 = \frac{1.5L + 5}{1 - Y}$$

Trong đó:

  • $L$: Tổng thời gian tổn thất qua các pha ($L = \sum l_i + \sum R$).
  • $Y$: Tổng tỷ số lưu lượng tới hạn trên các pha ($Y = \sum y_i = \sum \frac{q_i}{S_i}$).
  • $q_i$: Lưu lượng phương tiện thực tế của pha $i$ (PCU/h).
  • $S_i$: Lưu lượng bão hòa của pha $i$ (PCU/h).
import xml.etree.ElementTree as ET
import os

def calculate_webster(lost_time_L, phase_flows, sat_flows):
    """
    lost_time_L: Tổng thời gian tổn thất (giây)
    phase_flows: List lưu lượng thực tế từng pha q_i (xe/h)
    sat_flows: List lưu lượng bão hòa từng pha S_i (xe/h)
    """
    y_values = [q / s for q, s in zip(phase_flows, sat_flows)]
    Y = sum(y_values)
    
    if Y >= 1.0:
        raise ValueError("Giao lộ quá tải nghiêm trọng (Y >= 1.0), cần mở rộng làn xe.")
        
    # Tính chu kỳ đèn tối ưu (giây)
    C_opt = (1.5 * lost_time_L + 5) / (1 - Y)
    
    # Tính thời gian đèn xanh cho từng pha (giây)
    effective_green = C_opt - lost_time_L
    green_times = [(y / Y) * effective_green for y in y_values]
    
    return round(C_opt, 2), [round(g, 2) for g in green_times]

# Ví dụ tính toán cho nút giao 4 pha Hiệp Bình - Phạm Văn Đồng
lost_time = 16.0  # 4 pha * 4 giây tổn thất
flows = [1200, 1400, 350, 300]       # q1, q2, q3, q4
saturations = [3600, 3600, 1800, 1800] # S1, S2, S3, S4

c_cycle, g_phases = calculate_webster(lost_time, flows, saturations)
print(f"Chu kỳ đèn tối ưu C0: {c_cycle}s | Phân bổ xanh: {g_phases}")

4. Tự động hóa Pipeline thực thi (batch_runner.py)

import os
import subprocess

def run_simulation_pipeline():
    print("[1/4] Khởi tạo luồng phương tiện ngẫu nhiên/chu kỳ...")
    os.system("python3 generate_routes.py")
    
    print("[2/4] Tối ưu hóa định tuyến bằng duarouter...")
    os.system("duarouter -n PVDStreet.net.xml --route-files PVDStreet.rou.xml -o PVDStreet_opt.rou.xml")
    
    print("[3/4] Chạy mô phỏng vi mô SUMO...")
    os.system("sumo -c PVDStreet.sumocfg --netstate-dump SimulationResult.xml")
    
    print("[4/4] Trích xuất dữ liệu và phân tích tốc độ trung bình...")
    os.system("python3 analyze_speed.py SimulationResult.xml")

if __name__ == "__main__":
    run_simulation_pipeline()

Testing và validation

Nhóm nghiên cứu đã thiết lập hai cấp độ thực nghiệm:

  1. Kiểm thử không gian trạng thái đơn điểm (Ngã tư Tô Ngọc Vân):
    • Thiết lập 4 hướng di chuyển: $S_1, S_2 \in [0, 10]$ xe; $S_3, S_4 \in [0, 30]$ xe.
    • Số lượng ca mô phỏng kiểm thử vét cạn: $10 \times 10 \times 30 \times 30 = 90.000$ trường hợp.
    • Đánh giá độ nhạy của vận tốc trung bình $V_{tb}$ đối với các xung đột rẽ trái và quay đầu.
  2. Kiểm thử toàn tuyến hành lang giao thông (4.5 km Phạm Văn Đồng):
    • Đánh giá vận tốc dòng xe trên toàn bộ các edge tiếp giáp nút giao có đèn tín hiệu.
    • Ngưỡng kích hoạt cảnh báo tắc nghẽn: $V_{tb} < 5.56\text{ m/s}$ ($20\text{ km/h}$).
+-------------------------------------------------------------------------------+
|                      KẾT QUẢ HIỆU NĂNG TẠI CÁC NÚT GIAO CHÍNH                 |
+----------------------+--------------------+--------------------+--------------+
| Nút giao             | V_tb Mặc định      | V_tb Sau tối ưu    | Mức cải thiện|
+----------------------+--------------------+--------------------+--------------+
| Tô Ngọc Vân - PVD    | 12.4 km/h          | 28.6 km/h          | +130.6%      |
| Hiệp Bình - PVD      | 14.1 km/h          | 31.2 km/h          | +121.2%      |
| Linh Đông - PVD      | 16.8 km/h          | 34.5 km/h          | +105.3%      |
| Đào Trinh Nhất - PVD | 18.2 km/h          | 36.1 km/h          | +98.3%       |
+----------------------+--------------------+--------------------+--------------+

Kết quả đạt được

Bảng dữ liệu thực nghiệm so sánh lưu lượng phương tiện bão hòa và độ dài hàng đợi trước và sau khi áp dụng chu kỳ đèn Webster:

Thông số đánh giá Tín hiệu mặc định (Cố định) Tín hiệu hiệu chỉnh (Webster) Tỷ lệ cải thiện
Chu kỳ đèn ($C_0$) tại Hiệp Bình $90\text{ s}$ (Chia đều 2 pha) $124\text{ s}$ (4 pha động) Linh hoạt theo tải
Lưu lượng thông hành trục chính $2.150\text{ xe/giờ}$ $3.280\text{ xe/giờ}$ +52.5%
Lưu lượng thông hành đường nhánh $380\text{ xe/giờ}$ $620\text{ xe/giờ}$ +63.1%
Thời gian dừng chờ trung bình $74.2\text{ s/xe}$ $31.6\text{ s/xe}$ -57.4%
Chiều dài hàng đợi cực đại $285\text{ m}$ $95\text{ m}$ -66.7%

Đổi mới và đóng góp

  1. Phương pháp luận số hóa vi mô khép kín: Xây dựng thành công chuỗi công cụ tích hợp liền mạch: $\text{OSM} \rightarrow \text{JOSM} \rightarrow \text{Netconvert} \rightarrow \text{Netedit} \rightarrow \text{SUMO} \rightarrow \text{Python Webster}$. Phương pháp này loại bỏ hoàn toàn chi phí bản quyền đắt đỏ của các phần mềm thương mại như VISSIM hay AIMSUN.
  2. Tự động hóa phát hiện điểm nghẽn dựa trên ngưỡng động: Sử dụng kịch bản trích xuất trực tiếp netstate-dump XML để tính toán tốc độ trung bình theo từng micro-step ($1\text{ s}$), tự động định vị các tuyến đường có vận tốc dưới $20\text{ km/h}$ thay vì phải quan sát thủ công trên giao diện GUI.
  3. Cải tiến thuật toán Webster thích ứng: Tích hợp công thức Webster với dữ liệu lưu lượng động thu được từ E3 Detector trong SUMO, giúp giảm thiểu hiện tượng "đèn xanh rỗng" (wasted green time) trên các luồng giao thông lưu lượng thấp.
+---------------------------------------------------------------------------+
| Tóm tắt chỉ số đóng góp:                                                 |
| - Tăng tốc độ lưu thông trung bình toàn tuyến: +113.8%                    |
| - Giảm độ trễ dừng xe tại giao lộ: -57.4%                                 |
| - Tăng năng lực thông hành mạng lưới (Throughput): +52.5%                 |
+---------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

Hệ thống được thiết kế để chuyển giao cho các Trung tâm Quản lý Điều hành Giao thông Đô thị (như Trung tâm Quản lý Giao thông Công cộng TP.HCM):

  • Quy hoạch & Thử nghiệm chính sách: Kiểm thử kịch bản cấm rẽ trái, phân luồng một chiều hoặc mở làn sóng xanh (Green Wave) trên đại lộ trước khi thi công biển báo thực địa.
  • Hỗ trợ điều khiển đèn thông minh: Tích hợp module Python vào bộ điều khiển tín hiệu tại ngã tư để cập nhật bảng thời gian pha đèn theo từng khung giờ trong ngày (Cao điểm sáng: 06:30 - 08:30, Bình thường: 09:00 - 16:00, Cao điểm chiều: 17:00 - 19:30).

Phân tích hiệu quả đầu tư (Cost-Benefit & ROI)

  • Chi phí phần mềm: $0\text{ VNĐ}$ (toàn bộ sử dụng mã nguồn mở Veins, SUMO, OMNeT++, Python).
  • Tiết kiệm kinh tế xã hội: Cắt giảm $57.4%$ thời gian chờ tương đương với việc tiết kiệm hàng trăm nghìn lít nhiên liệu tiêu hao vô ích mỗi tháng trên trục đường Phạm Văn Đồng, trực tiếp giảm nồng độ khí thải độc hại phát tán ra môi trường.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hành vi xe máy đặc thù: Mô hình SUMO hiện tại chủ yếu mô phỏng chuyển động theo làn (lane-based), chưa tái hiện hoàn hảo $100%$ hành vi chen lấn, vượt làn tự do (non-lane-based movement) của lượng lớn xe gắn máy tại Việt Nam.
  • Cơ chế phản hồi thời gian thực: Hiện tại giải thuật chạy theo từng batch mô phỏng và cập nhật cấu hình tĩnh, chưa kết nối trực tiếp TraCI dạng streaming liên tục theo mili-giây.

Hướng phát triển tương lai

  1. Ứng dụng Học máy tăng cường (Deep Reinforcement Learning - DRL): Thay thế giải thuật Webster bằng các mô hình Multi-Agent DRL (MADRL) như Q-Learning, PPO để hệ thống tự học chính sách điều khiển đèn tối ưu trong điều kiện giao thông biến động phức tạp.
  2. Tích hợp mạng V2X (Vehicle-to-Everything): Mở rộng toàn diện phần giao tiếp mạng OMNeT++ trong Veins, cho phép xe tự hành kết nối trực tiếp với Roadside Unit (RSU) để điều tiết tốc độ di chuyển qua nút giao không cần dừng chờ.

Đối tượng hưởng lợi

  • Cơ quan quản lý giao thông đô thị: Sở hữu công cụ mô phỏng vi mô chính xác để đánh giá tác động trước khi phê duyệt các dự án phân luồng hay lắp đặt nút giao thông mới.
  • Kỹ sư và Lập trình viên giao thông thông minh (ITS): Nắm vững quy trình xây dựng kịch bản tự động hóa SUMO-Python, cấu trúc dữ liệu XML của hệ thống giao thông và phương thức can thiệp TraCI.
  • Sinh viên & Nhà nghiên cứu: Nguồn tài liệu tham khảo hoàn chỉnh về lý thuyết mô phỏng vi mô, mạng VANET chuẩn IEEE 802.11p và phương pháp giải tích tối ưu hóa dòng giao thông.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng và môi trường để triển khai mô phỏng là gì?

Hệ thống yêu cầu hệ điều hành Linux (Ubuntu 20.04/22.04 LTS khuyến nghị), CPU tối thiểu 4 cores (để xử lý song song các tác vụ SUMO), RAM tối thiểu 8GB (khuyến nghị 16GB khi chạy tập kịch bản lớn), cài đặt sẵn môi trường Python 3.8+, bộ công cụ SUMO 1.11+, OMNeT++ 5.6.2 và thư viện Java cho JOSM.

2. Mô hình có thể mở rộng cho toàn bộ mạng lưới giao thông của một quận hoặc thành phố không?

Hoàn toàn khả thi. Bằng cách chia nhỏ mạng lưới thành các đồ thị con (sub-networks) và áp dụng công cụ duarouter kết hợp kỹ thuật đa luồng (multithreading) trong Python, hệ thống có thể mở rộng quy mô mô phỏng cho hàng trăm nút giao cùng lúc.

3. Làm thế nào để nhập dữ liệu bản đồ thực tế từ Google Maps thay vì OpenStreetMap?

Google Maps là nền tảng đóng và không cho phép trích xuất cấu trúc đồ thị hình học vector. Do đó, OpenStreetMap (OSM) là lựa chọn chuẩn công nghiệp cho mô phỏng nhờ định dạng vector không gian mở (.osm), cho phép công cụ netconvert chuyển đổi nguyên vẹn cấu trúc làn, nút giao và chiều di chuyển.

4. Thuật toán Webster có đảm bảo hiệu quả khi lưu lượng xe đạt mức tắc nghẽn hoàn toàn không?

Thuật toán Webster hoạt động tối ưu khi tổng hệ số lưu lượng $Y < 1.0$. Khi $Y \ge 1.0$ (trạng thái quá tải trầm trọng), chu kỳ tối ưu $C_0$ sẽ tiến tới vô cùng. Trong trường hợp này, hệ thống sẽ kích hoạt kịch bản khống chế chu kỳ cực đại ($C_{max} = 150\text{ s}$) kết hợp chiến lược điều tiết luồng từ xa để tránh xung đột nghẽn cứng tại ngã tư.

5. Chi phí vận hành và bảo trì giải pháp này trong thực tế là bao nhiêu?

Chi phí vận hành phần mềm gần như bằng 0 nhờ sử dụng hoàn toàn mã nguồn mở. Chi phí duy nhất tập trung vào việc định kỳ đo đạc cập nhật dữ liệu lưu lượng thực tế (qua camera hoặc cảm biến vòng từ) để tái hiệu chỉnh tham số đầu vào cho mô hình mô phỏng.

Kết luận

Khóa luận tốt nghiệp "Nghiên cứu sử dụng nền tảng Veins để xây dựng giải pháp chống kẹt xe" của sinh viên Nguyễn Phúc Khang An và Đỗ Hoàng Giang đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng mô phỏng vi mô vào giải quyết các bài toán giao thông đô thị thực tế tại Việt Nam. Bằng việc kết hợp sức mạnh mô phỏng của SUMO, nền tảng Veins và giải thuật toán học Webster, nghiên cứu đã đưa ra phương án tối ưu hóa tín hiệu đèn giúp tăng lưu lượng thông hành trục chính lên 52.5% và giảm thời gian dừng chờ tại nút giao tới 57.4% trên tuyến đường huyết mạch Phạm Văn Đồng. Đây là tiền đề công nghệ quan trọng, mở ra hướng phát triển hệ thống điều khiển giao thông thông minh thích ứng hoàn toàn tự động cho các đô thị hiện đại.