Nghiên cứu và phát triển giải pháp dự đoán thời gian đến trạm xe buýt trong thạc sĩ khoa học máy tính

Hệ thống giao thông công cộng là thành phần thiết yếu trong cơ sở hạ tầng đô thị, với xe buýt là phương tiện phổ biến nhất. Việc dự đoán thời gian đến của xe buýt không chỉ giúp hành khách lập kế hoạch mà còn cải thiện hiệu quả vận chuyển. Độ tin cậy của dịch vụ xe buýt bị ảnh hưởng bởi nhiều yếu tố như tắc nghẽn giao thông và điều kiện thời tiết. Do đó, việc phát triển các giải pháp công nghệ để dự đoán chính xác thời gian đến trạm là rất cần thiết. Nghiên cứu này nhằm cung cấp một giải pháp sử dụng dữ liệu lịch sử và mô hình học máy, đặc biệt là mạng nơron truy hồi (RNN) để cải thiện độ chính xác trong việc dự đoán thời gian đến của xe buýt.

Bài toán dự đoán thời gian đến trạm xe buýt là một thách thức lớn do sự phức tạp của các yếu tố ảnh hưởng như thời tiết, cường độ giao thông và số lượng hành khách. Các phương pháp truyền thống như lập lịch trình cố định thường không hiệu quả trong việc tính toán thời gian đến chính xác. Nghiên cứu hiện tại khảo sát nhiều phương pháp như hồi quy tuyến tính, mạng nơron nhân tạo, và đặc biệt là mạng nơron truy hồi (RNN) với cấu trúc LSTM. Mô hình LSTM có khả năng nắm bắt các phụ thuộc dài hạn, giúp cải thiện độ chính xác của dự đoán thời gian đến. Việc sử dụng dữ liệu lịch sử từ GPS và GTFS là rất quan trọng để huấn luyện mô hình dự đoán.

Luận văn này tiếp cận bài toán dự đoán thời gian đến trạm xe buýt bằng cách sử dụng mạng nơron truy hồi (RNN) với cấu trúc LSTM. Mô hình này được huấn luyện dựa trên dữ liệu lịch sử từ hệ thống xe buýt, bao gồm tọa độ GPS và thời gian. Các đặc trưng không gian và thời gian được trích xuất từ tập dữ liệu để nắm bắt các mẫu trong dữ liệu. Kết quả thực nghiệm cho thấy mô hình LSTM vượt trội hơn so với các phương pháp truyền thống trong việc dự đoán thời gian đến. Điều này chứng tỏ rằng việc áp dụng công nghệ học máy vào bài toán này có thể mang lại những cải tiến đáng kể về hiệu quả và độ tin cậy của dịch vụ xe buýt.

Kết quả thực nghiệm cho thấy mô hình LSTM đã đạt được độ chính xác cao trong việc dự đoán thời gian đến trạm xe buýt. Các thử nghiệm được thực hiện trên hai tập dữ liệu từ thành phố Dublin, Ireland, cho thấy mô hình có khả năng nắm bắt các biến động trong thời gian di chuyển của xe buýt. Việc đánh giá mô hình dựa trên các chỉ số như độ chính xác và độ tin cậy cho thấy rằng việc sử dụng các phương pháp học máy, đặc biệt là RNN-LSTM, có thể cải thiện đáng kể trải nghiệm của hành khách trong hệ thống giao thông công cộng. Điều này mở ra cơ hội ứng dụng rộng rãi hơn cho các hệ thống xe buýt khác trên toàn thế giới.