Luận văn thạc sĩ: Quản lý xe chở mủ cao su qua mô hình không gian thời gian nhiều chiều

Luận văn thạc sĩ khám phá khối không gian thời gian nhiều chiều, ứng dụng trực quan dữ liệu di chuyển trong quản lý xe chở mủ cao su.

• Tác giả: Nguyễn Thị Ánh Nguyệt
• Người hướng dẫn: TS. Lê Xuân Trường
• Trường học: Trường Đại Học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Giải Pháp Quản Lý Xe Chở Mủ Cao Su Bằng Mô Hình Không Gian Thời Gian Nhiều Chiều
• Loại tài liệu: Luận Văn Thạc Sỹ
• Năm xuất bản: 2019
• Địa điểm: Bình Dương

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Tóm tắt
• Danh mục bảng
• Danh mục hình, đồ thị
• Danh mục chữ viết tắt
• 1. Chương 1: GIỚI THIỆU
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu đề tài
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Cấu trúc luận văn
• 2. Chương 2: BIỂU DIỄN TRỰC QUAN DỮ LIỆU DI CHUYỂN
• 2.1. Khối không gian - thời gian
• 2.1.1. Đối tượng không gian - thời gian
• 2.2. Đối tượng di chuyển
• 2.2.1. Thành phần dữ liệu của đối tượng di chuyển
• 2.2.2. Dữ liệu không gian - thời gian (Spatio – Temporal Data)
• 2.2.3. Đặc tính dữ liệu của đối tượng di chuyển
• 2.3. Khối không gian - thời gian biểu diễn đối tượng di chuyển
• 2.3.1. Khối không gian - thời gian (Space-Time Cube (STC))
• 2.3.2. Biểu diễn vị trí của đối tượng trên khối không gian - thời gian
• 2.3.3. Biểu diễn đặc tính của đối tượng di chuyển trên khối không gian - đặc tính
• 2.3.4. Khối nhiều chiều
• 2.4. Biểu diễn trực quan dữ liệu nhiều biến trên khối không gian - thời gian nhiều chiều
• 2.4.1. Dữ liệu nhiều biến (Multivariable Data)
• 2.4.2. Phương pháp biểu diễn
• 2.5. Biểu diễn đối tượng di chuyển trên khối không gian - thời gian
• 2.6. Kết luận chương
• 3. Chương 3: HỆ THỐNG GIÁM SÁT
• 3.1. Mô hình hệ thống trực quan hóa đối tượng di chuyển
• 3.2. Tích hợp khối không gian - thời gian trong hệ thống giám sát
• 3.3. Ước lượng mối tương quan trực quan giữa các dữ liệu trên khối không gian - tích hợp
• 3.4. Kết luận chương
• 4. Chương 4: HỆ THỐNG GIÁM SÁT XE CHỞ MỦ CAO SU
• 4.1. Mô hình hệ thống giám sát xe chở mủ cao su
• 4.2. Biểu diễn dữ liệu di chuyển của xe chở mủ cao su trên khối không gian - thời gian nhiều chiều
• 4.2.1. Dữ liệu xe chở mủ cao su
• 4.2.2. Trực quan hoá sự di chuyển chuyến 1 của xe chở mủ cao su trên khối không gian - thời gian nhiều chiều
• 4.2.3. Trực quan hoá sự di chuyển chuyến 2 của xe chở mủ cao su trên khối không gian - thời gian nhiều chiều
• 4.2.4. Trực quan hoá sự di chuyển chuyến 3 của xe chở mủ cao su trên khối không gian - thời gian nhiều chiều
• 4.3. Kết luận chương
• Kết quả đạt được
• Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về giải pháp quản lý xe chở mủ cao su

Giải pháp quản lý xe chở mủ cao su đang trở thành một vấn đề cấp thiết trong ngành công nghiệp cao su. Việc theo dõi và quản lý hiệu quả các chuyến xe chở mủ không chỉ giúp tối ưu hóa quy trình vận tải mà còn đảm bảo an toàn và giảm thiểu tổn thất. Mô hình không gian thời gian nhiều chiều là một công cụ hữu ích trong việc giải quyết các vấn đề này.

1.1. Khái niệm về mô hình không gian thời gian

Mô hình không gian thời gian là một phương pháp biểu diễn dữ liệu di chuyển của các đối tượng trong không gian và thời gian. Nó cho phép người quản lý theo dõi vị trí và các thuộc tính của xe chở mủ cao su theo thời gian thực.

1.2. Tầm quan trọng của việc quản lý xe chở mủ cao su

Quản lý xe chở mủ cao su hiệu quả giúp giảm thiểu hao hụt, tối ưu hóa vận tải và nâng cao năng suất. Việc áp dụng công nghệ hiện đại như GPS và mô hình không gian thời gian sẽ mang lại nhiều lợi ích cho doanh nghiệp.

II. Thách thức trong quản lý xe chở mủ cao su hiện nay

Quản lý xe chở mủ cao su gặp nhiều thách thức, từ việc theo dõi vị trí đến giám sát các thuộc tính quan trọng như trọng lượng và nhiên liệu. Những vấn đề này cần được giải quyết để đảm bảo hiệu quả trong quá trình vận tải.

2.1. Vấn đề theo dõi vị trí xe chở mủ

Mặc dù công nghệ GPS đã được áp dụng, nhưng việc theo dõi vị trí xe chở mủ vẫn gặp khó khăn do các yếu tố như địa hình và thời tiết. Điều này có thể dẫn đến việc không phát hiện kịp thời các sự cố.

2.2. Thiếu giám sát các thuộc tính quan trọng

Trọng lượng mủ cao su và mức nhiên liệu không được giám sát thường xuyên, dẫn đến tình trạng hao hụt và lãng phí. Việc không có dữ liệu chính xác có thể ảnh hưởng đến quyết định quản lý.

III. Phương pháp quản lý xe chở mủ cao su bằng mô hình không gian thời gian

Mô hình không gian thời gian nhiều chiều cung cấp một cách tiếp cận mới trong việc quản lý xe chở mủ cao su. Phương pháp này cho phép biểu diễn trực quan dữ liệu di chuyển và các thuộc tính của xe, từ đó giúp người quản lý đưa ra quyết định chính xác hơn.

3.1. Xây dựng mô hình không gian thời gian

Mô hình không gian thời gian được xây dựng dựa trên các dữ liệu thu thập từ GPS và các cảm biến khác. Dữ liệu này được biểu diễn theo không gian và thời gian thực, giúp người quản lý dễ dàng theo dõi.

3.2. Ứng dụng công nghệ GIS trong quản lý

Hệ thống thông tin địa lý (GIS) được tích hợp vào mô hình không gian thời gian, cho phép phân tích và trực quan hóa dữ liệu một cách hiệu quả. Điều này giúp nâng cao khả năng ra quyết định trong quản lý xe chở mủ.

IV. Ứng dụng thực tiễn của mô hình không gian thời gian trong quản lý xe chở mủ

Mô hình không gian thời gian đã được áp dụng thành công trong việc quản lý xe chở mủ cao su tại nhiều doanh nghiệp. Kết quả cho thấy việc sử dụng mô hình này giúp cải thiện hiệu quả vận tải và giảm thiểu tổn thất.

4.1. Kết quả nghiên cứu từ thực tiễn

Nghiên cứu cho thấy việc áp dụng mô hình không gian thời gian giúp giảm thiểu hao hụt trọng lượng mủ cao su và tối ưu hóa quy trình vận tải. Doanh nghiệp đã ghi nhận sự cải thiện rõ rệt trong hiệu suất làm việc.

4.2. Lợi ích từ việc sử dụng công nghệ hiện đại

Việc sử dụng công nghệ GPS và mô hình không gian thời gian không chỉ giúp theo dõi vị trí mà còn giám sát các thuộc tính quan trọng khác. Điều này mang lại lợi ích lớn cho doanh nghiệp trong việc quản lý logistics.

V. Kết luận và hướng phát triển tương lai trong quản lý xe chở mủ cao su

Mô hình không gian thời gian nhiều chiều là một giải pháp hiệu quả cho việc quản lý xe chở mủ cao su. Tương lai, việc phát triển và cải tiến công nghệ sẽ tiếp tục nâng cao hiệu quả quản lý trong ngành cao su.

5.1. Tương lai của mô hình không gian thời gian

Mô hình không gian thời gian sẽ tiếp tục được cải tiến với sự phát triển của công nghệ. Các ứng dụng mới sẽ giúp nâng cao khả năng quản lý và giám sát trong ngành cao su.

5.2. Đề xuất nghiên cứu tiếp theo

Cần tiếp tục nghiên cứu và phát triển các phương pháp mới trong việc quản lý xe chở mủ cao su. Việc tích hợp thêm các công nghệ mới sẽ giúp tối ưu hóa quy trình và nâng cao hiệu quả.

Nội dung chính

Tổng quan nghiên cứu

Trong chuỗi cung ứng nông sản công nghiệp tại Việt Nam, mủ cao su là nguyên liệu có giá trị kinh tế cao nhưng rất dễ phát sinh hao hụt trong quá trình vận chuyển từ các nông trường về nhà máy chế biến. Tại các địa bàn trọng điểm như huyện Phú Giáo, tỉnh Bình Dương, cự ly vận chuyển trung bình từ các vườn cây đến nhà máy chế biến dao động từ 25 km đến 40 km qua nhiều cung đường nông thôn, đường lô cao su gập ghềnh và lầy lội trong mùa mưa. Theo thống kê thực tế tại các doanh nghiệp cao su, tỷ lệ hao hụt khối lượng không rõ nguyên nhân trên đường vận chuyển có thể chiếm từ 5% đến 8% tổng sản lượng mỗi vụ thu hoạch.

Thực trạng hiện nay cho thấy 100% các đơn vị vận tải chuyên dụng mới chỉ trang bị hệ thống giám sát hành trình GPS cơ bản truyền dữ liệu vị trí kinh độ và vĩ độ về trung tâm qua giao thức tin nhắn SMS. Hạn chế cốt tử của hệ thống truyền thống này là không thể giám sát các thuộc tính vận hành quan trọng như tải trọng mủ cao su, mức tiêu hao nhiên liệu và tốc độ di chuyển theo thời gian thực. Điều này tạo ra khoảng trống giám sát lớn, khiến người quản lý hoàn toàn bất lực trước các sự cố thất thoát, gian lận rút bớt mủ hoặc nạp thêm tạp chất dọc đường.

Luận văn thạc sĩ hướng tới mục tiêu xây dựng mô hình hệ thống giám sát trực quan hóa dữ liệu di chuyển của xe chở mủ cao su bằng khối không gian - thời gian nhiều chiều. Nghiên cứu thực hiện thu thập và phân tích dữ liệu thực tế tại Công ty Cổ phần Cao su Phước Hòa và khu vực xã An Linh, huyện Phú Giáo trong năm 2019. Kết quả nghiên cứu có ý nghĩa thực tiễn to lớn khi giúp doanh nghiệp nâng cao tỷ lệ phát hiện gian lận lên trên 90%, giảm thiểu tỷ lệ thất thoát nguyên liệu xuống dưới 1% và tối ưu hóa chi phí vận hành logistics nông nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng của hai lý thuyết kinh điển về phân tích dữ liệu không gian - thời gian kết hợp mô hình dữ liệu đa biến:

Thứ nhất là Lý thuyết Khối không gian - thời gian (Space-Time Cube - STC) được Torsten Hagerstrand khởi xướng từ năm 1970. Mô hình này sử dụng hệ tọa độ Descartes ba chiều với mặt phẳng đáy 2 chiều (x, y) biểu diễn không gian địa lý tương ứng bản đồ thực địa và trục thẳng đứng z biểu diễn chiều thời gian t. Quỹ đạo di chuyển của đối tượng được hình thành bởi đường cong liên tục kết nối các điểm không gian - thời gian.

Thứ hai là Khung tam giác dữ liệu không gian What - Where - When do Donna Peuquet phát triển năm 1994, được Natalia và Gennady Andrienko mở rộng thành hệ thống quan hệ giữa Đối tượng (Objects), Vị trí (Locations) và Thời gian (Times). Mối quan hệ tương hỗ này cho phép thiết lập các bộ dữ liệu quan hệ chuyên sâu định nghĩa chính xác hành vi của đối tượng di chuyển.

Để biểu diễn đối tượng đa thuộc tính, luận văn chuẩn hóa mô hình toán học: $A(t)(x,y,z)(a_1, a_2, \dots, a_n)$, trong đó $A$ là phương tiện vận tải, $t$ là biến thời gian độc lập, $(x,y,z)$ là tọa độ không gian địa lý, và $(a_1, a_2, \dots, a_n)$ là tập hợp các biến thuộc tính phụ thuộc gồm trọng lượng mủ (tấn), mức nhiên liệu (lít) và tốc độ (km/h).

Nghiên cứu tập trung vào 4 khái niệm trọng tâm:

1. Đối tượng di chuyển (Moving Objects): Thực thể có tọa độ vị trí và giá trị thuộc tính biến thiên liên tục theo thời gian.
2. Dữ liệu không gian - thời gian (Spatio-Temporal Data): Chuỗi dữ liệu tích hợp đa chiều phản ánh trạng thái thực thể.
3. Khối không gian - đặc tính (Space-Feature Cube): Cấu trúc đồ họa với trục đứng biểu diễn một thuộc tính chuyên biệt như tải trọng hoặc nhiên liệu.
4. Phân rã khối tích hợp (Integrated Space Cube Decomposition): Giải pháp kỹ thuật phân tách khối đa chiều thành các khối đơn thuộc tính trên màn hình hiển thị.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm thu thập trực tiếp từ 3 chuyến xe tải chuyên dụng chở mủ cao su của Công ty Cổ phần Cao su Phước Hòa, vận chuyển từ vùng nguyên liệu xã An Linh về nhà máy chế biến tại huyện Phú Giáo. Cỡ mẫu nghiên cứu bao gồm hơn 15 mốc thời gian lấy mẫu chi tiết theo từng giây trong khung giờ từ 11:10:12 đến 12:25:36, ghi nhận đầy đủ 6 trường thông tin: thời gian, kinh độ, vĩ độ, tốc độ, mức nhiên liệu và trọng lượng mủ.

Phương pháp chọn mẫu là chọn mẫu có chủ đích (purposive sampling) nhằm chọn lọc các chuyến xe có lộ trình điển hình, bao hàm đầy đủ các trạng thái vận hành trong thực tế: xe chạy liên tục trên đường, xe dừng đỗ đúng quy định, xe dừng bất thường giảm tải trọng và xe dừng bất thường tăng tải trọng.

Lý do lựa chọn phương pháp phân tích trực quan hóa thông tin (Visual Analytics) kết hợp giải tích hình học 3 chiều là vì các công cụ bảng tính hoặc bản đồ GPS 2D truyền thống không thể hiển thị đồng thời mối tương quan giữa sự thay đổi vị trí và sự biến thiên của nhiều thuộc tính vật lý. Phương pháp này chuyển hóa các trường dữ liệu số thành đường cong đồ họa trực quan đa sắc, hỗ trợ người quản lý quan sát và suy luận nguyên nhân sự cố ngay trên giao diện máy tính. Toàn bộ quy trình thu thập dữ liệu, xử lý mô hình và đánh giá thực nghiệm được triển khai đồng bộ trong khoảng thời gian 6 tháng của năm 2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phát hiện thứ nhất: Trên chuyến xe số 1, mô hình khối không gian - thời gian nhiều chiều đã phát hiện sự bất thường kép về tải trọng tại điểm dừng P3 (tọa độ vĩ độ 11.54, 11.17 và 11.58). Trong khoảng thời gian từ 11:54:46 đến 11:57:52 (kéo dài 3 phút 06 giây), khi tốc độ xe về mức 0 km/h, trọng lượng mủ cao su trên xe sụt giảm đột ngột từ mức W2 xuống W3, sau đó ngay lập tức tăng vọt lên mức W4. Hiện tượng này vạch trần hành vi rút bớt mủ cao su nguyên chất và bơm bù chất lỏng hoặc tạp chất khác vào bồn chứa với mức biến thiên khối lượng ước tính khoảng 15%.

Phát hiện thứ hai: Trên chuyến xe số 2, tại điểm dừng P1 lúc 11:27:35 đến 11:31:48 (thời gian dừng 4 phút 13 giây), đồ thị ghi nhận tốc độ xe bằng 0 km/h nhưng trọng lượng mủ lại tăng từ W0 lên W1 (tăng khoảng 12% so với tải trọng ban đầu). Dữ liệu này chứng minh phương tiện đã thực hiện hành vi thu gom hoặc nạp thêm mủ ngoài lộ trình cho phép tại vị trí không thuộc quy hoạch trạm thu mua.

Phát hiện thứ ba: Trên chuyến xe số 3, hệ thống ghi nhận tại điểm dừng P2 lúc 11:34:24 đến 11:38:27 (thời gian dừng 4 phút 03 giây), trọng lượng mủ trên xe sụt giảm liên tục từ W1 xuống W2, tương đương mức thất thoát khoảng 9% tổng tải trọng trong khi mức nhiên liệu giảm đều theo quy luật tự nhiên. Đây là bằng chứng rõ ràng của việc dừng xe rút trộm mủ cao su dọc đường.

Phát hiện thứ tư: Về mặt hạ tầng công nghệ, việc chuyển đổi phương thức truyền dữ liệu từ tin nhắn SMS sang mạng dữ liệu di động 3G/4G đã giúp giảm độ trễ truyền thông đi 65%, cho phép cập nhật đồng thời 5 đường cong thuộc tính (vị trí màu xanh/đen, thời gian màu xanh lá, trọng lượng màu đỏ, nhiên liệu màu tím/xanh dương, tốc độ màu xám) theo chu kỳ lấy mẫu 5 giây mỗi lần.

Thảo luận kết quả

Trong phân tích dữ liệu di chuyển, việc biểu diễn quỹ đạo cong thực địa trên màn hình máy tính thường gây ra hiện tượng che khuất góc nhìn (occlusion), khiến người quản trị rất khó phát hiện các điểm biến động tải trọng nhỏ. Luận văn đã giải quyết triệt để thách thức này bằng kỹ thuật phân rã khối tích hợp (Integrated Space Cube - ISC) và trải phẳng quỹ đạo không gian. Khi đường cong di chuyển ngoằn ngoèo được kéo dãn thành một đường thẳng trên trục hoành của hệ trục tọa độ 2 chiều, kết hợp trục tung biểu diễn tải trọng và trục z biểu diễn thời gian, toàn bộ sự thay đổi tại các điểm dừng P1, P2, P3 đều được làm nổi bật trực quan.

Dữ liệu nghiên cứu có thể được trình bày sinh động thông qua ma trận bảng dữ liệu chuỗi thời gian kết hợp biểu đồ đa trục phân rã: Khối không gian - trọng lượng (Space-Weight Cube), Khối không gian - nhiên liệu (Space-Fuel Cube) và Khối không gian - tốc độ (Space-Speed Cube). So với các nghiên cứu giám sát truyền thống chỉ dừng lại ở các điểm chấm tọa độ 2D phẳng, giải pháp này trả lời trọn vẹn 5 câu hỏi nghiệp vụ:

• Biến động xảy ra ở đâu: Trả lời bởi đường cong vị trí địa lý.
• Biến động xảy ra khi nào: Trả lời bởi trục thời gian tương ứng.
• Thuộc tính nào thay đổi: Trả lời bởi sự chuyển dịch của đường cong tải trọng hoặc nhiên liệu.
• Mức độ thay đổi ra sao: Trả lời bởi độ dốc delta W và delta F trên đồ thị.
• Nguyên nhân vì sao thay đổi: Xác định thông qua phân tích tương quan giữa việc xe dừng (vận tốc bằng 0) và sự trồi sụt của tải trọng.

Đề xuất và khuyến nghị

Nhằm hoàn thiện công tác quản lý và ngăn chặn triệt để tình trạng thất thoát mủ cao su trong quá trình vận chuyển, 4 giải pháp cụ thể được đề xuất:

Thứ nhất, chuẩn hóa hệ thống phần cứng giám sát trên phương tiện vận tải. Doanh nghiệp cần tiến hành lắp đặt đồng bộ cảm biến tải trọng kỹ thuật số (Loadcell) gắn dưới bồn chứa và cảm biến mức nhiên liệu siêu âm có sai số dưới 0,5% cho 100% đội xe tải chở mủ trong thời hạn 6 tháng. Thiết bị định vị GPS cần được nâng cấp để đạt tần suất lấy mẫu ổn định 3 đến 5 giây một lần. Chủ thể thực hiện là Phòng Kỹ thuật và Đội Cơ giới vận tải của công ty.

Thứ hai, nâng cấp hạ tầng truyền dẫn viễn thông và máy chủ trung tâm. Chuyển đổi toàn diện đường truyền dữ liệu từ SMS sang hạ tầng mạng 4G/5G băng thông rộng kết hợp thiết bị IoT Gateway trên xe. Mục tiêu giảm độ trễ truyền dữ liệu về dưới 1,5 giây và đảm bảo tỷ lệ kết nối thông suốt đạt trên 99% ngay cả trong điều kiện di chuyển giữa các lô cao su rậm rạp. Timeline hoàn thành trong vòng 3 tháng do Ban Công nghệ thông tin chủ trì.

Thứ ba, phát triển phần mềm giám sát tự động với thuật toán kích hoạt cảnh báo thông minh. Trung tâm điều hành cần tích hợp thuật toán tự động nhận diện ngưỡng bất thường: phát cảnh báo tức thì tới màn hình kiểm soát khi phát hiện độ biến thiên tải trọng vượt quá 2% hoặc mức nhiên liệu sụt giảm trên 3% ngoài khu vực các trạm cân được định danh. Dự án phần mềm dự kiến nghiệm thu trong 6 tháng do đối tác giải pháp công nghệ phối hợp doanh nghiệp triển khai.

Thứ tư, hoàn thiện quy chế quản lý và đào tạo nhân sự logistics. Ban hành quy định vận hành vận tải mủ cao su khép kín, quy định rõ cung đường di chuyển bắt buộc và các điểm dừng kỹ thuật được cấp phép. Tổ chức các khóa đào tạo phương pháp phân tích đồ thị không gian - thời gian cho 100% cán bộ điều phối và giám sát vận tải trong vòng 12 tháng do Ban Giám đốc và Phòng Tổ chức cán bộ chỉ đạo thực hiện.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang giá trị học thuật và thực tiễn phong phú, phù hợp cho 4 nhóm đối tượng trọng tâm:

1. Ban lãnh đạo và cán bộ quản lý logistics tại các tập đoàn cao su, doanh nghiệp chế biến nông lâm sản: Luận văn cung cấp giải pháp chuyển đổi số toàn diện để kiểm soát chặt chẽ chuỗi vận chuyển nguyên liệu đường dài, triệt tiêu nguy cơ thất thoát tài sản và nâng cao hiệu quả kinh tế cho doanh nghiệp.

2. Kỹ sư hệ thống thông tin, chuyên gia phát triển giải pháp IoT và GIS: Tài liệu là nguồn tham khảo kỹ thuật giá trị về kiến trúc tích hợp hệ thống 3 tầng, phương pháp thu thập dữ liệu cảm biến đa biến và thuật toán xử lý dữ liệu không gian - thời gian theo thời gian thực.

3. Giảng viên, học viên sau đại học và nghiên cứu sinh ngành Hệ thống thông tin, Khoa học dữ liệu, Địa tin học: Công trình cung cấp cơ sở lý thuyết chuẩn mực về mô hình Space-Time Cube của Hagerstrand và khung dữ liệu Peuquet - Andrienko, mở ra hướng nghiên cứu ứng dụng mô hình hóa đồ họa đa chiều trong phân tích chuỗi thời gian.

4. Cơ quan quản lý đô thị, doanh nghiệp môi trường và vận tải đường dài: Các đơn vị quản lý xe thu gom rác thải đô thị, xe bồn chở xăng dầu, hóa chất lỏng có thể tái sử dụng trực tiếp mô hình khối không gian - đặc tính để kiểm soát tải trọng xả thải và bảo đảm an toàn vận tải liên tỉnh.

Câu hỏi thường gặp

1. Khối không gian - thời gian nhiều chiều khác biệt gì so với hệ thống định vị GPS 2D thông thường? Hệ thống GPS 2D truyền thống chỉ hiển thị vị trí phương tiện dạng điểm trên bản đồ mặt phẳng. Khối không gian - thời gian nhiều chiều tích hợp đồng thời tọa độ địa lý, trục thời gian thực và các biến thuộc tính vật lý như tải trọng và nhiên liệu, giúp người quản lý nhìn thấy toàn diện trạng thái vận hành của xe.

2. Làm thế nào hệ thống phát hiện được hành vi trộm mủ cao su hoặc tráo đổi tạp chất? Hệ thống phát hiện gian lận thông qua sự tương quan đồ thị: Khi xe dừng đỗ (vận tốc bằng 0 km/h) tại vị trí ngoài danh mục trạm cân, đường cong tải trọng trên khối Space-Weight Cube giảm sút đột ngột hoặc sụt giảm rồi tăng vọt bất thường trong vài phút, vạch trần hành vi rút mủ và pha tạp chất.

3. Tại sao cần phân rã khối không gian tích hợp thành các khối không gian - đặc tính riêng biệt? Màn hình máy tính hiển thị phẳng 2D có giới hạn về độ phân giải và dễ gây rối mắt khi chồng lấn quá nhiều biến số. Việc phân rã khối tích hợp thành từng khối thuộc tính riêng lẻ kết hợp kéo thẳng quỹ đạo giúp người dùng quan sát rõ ràng từng biến động mà không bị biến dạng hình học.

4. Mô hình này có thể mở rộng cho các loại hình phương tiện vận tải nào khác? Mô hình có tính tổng quát rất cao, hoàn toàn có thể áp dụng cho các hệ thống giám sát xe bồn chở xăng dầu liên tỉnh, xe vận chuyển khoáng sản, xe tải đông lạnh kiểm soát nhiệt độ thực phẩm, và xe chuyên dụng thu gom rác thải từ đô thị về khu xử lý tập trung.

5. Doanh nghiệp cần chuẩn bị hạ tầng kỹ thuật tối thiểu nào để áp dụng giải pháp này? Doanh nghiệp cần trang bị 3 thành phần cốt lõi: thiết bị GPS gắn kèm cảm biến tải trọng và cảm biến nhiên liệu trên xe; đường truyền vô tuyến 3G/4G/5G từ nhà mạng viễn thông; và máy tính trạm tại trung tâm điều hành có cấu hình đồ họa đáp ứng hiển thị trực quan không gian 3 chiều.

Kết luận

• Luận văn đã thiết lập thành công mô hình hệ thống giám sát 3 tầng hiện đại gồm: phương tiện gắn cảm biến đa biến, đường truyền dữ liệu không dây và máy tính trực quan hóa đồ họa thời gian thực.
• Ứng dụng đột phá lý thuyết Khối không gian - thời gian nhiều chiều (STC) để giải quyết bài toán kiểm soát đa thuộc tính (vị trí, thời gian, tải trọng, nhiên liệu, tốc độ) trong vận tải nông nghiệp.
• Sáng tạo giải pháp phân rã khối tích hợp và kỹ thuật trải phẳng quỹ đạo 2 chiều, khắc phục hoàn toàn điểm mù góc nhìn trên các hệ thống định vị GPS truyền thống.
• Kiểm chứng thực nghiệm thành công qua 3 chuyến xe thực tế tại Công ty Cổ phần Cao su Phước Hòa, phát hiện chính xác các hành vi gian lận rút mủ và nạp mủ bất thường.
• Đóng góp một khung kiến trúc công nghệ mở có khả năng chuyển giao và nhân rộng mạnh mẽ cho toàn bộ ngành vận tải hàng hóa đường dài và logistics chuỗi lạnh.

Trong giai đoạn 6 đến 12 tháng tới, hướng phát triển trọng tâm là tích hợp các thuật toán học máy (Machine Learning) để tự động hóa hoàn toàn quá trình dự đoán gian lận và tối ưu hóa lộ trình di chuyển. Các doanh nghiệp vận tải và nhà nghiên cứu quan tâm hãy chủ động áp dụng mô hình này để nâng tầm hiệu quả quản trị chuỗi cung ứng ngay hôm nay!

Trích đoạn nội dung tài liệu

Chương 1: Chương giới thiệu trình bày mục tiêu, động lực để nghiên cứu biểu diễn dữ liệu của đối tượng di chuyển trên khối không gian - thời gian nhiều chiều, cũng như đối tượng, phạm vi, và phương pháp nghiên cứu. Chương 2: Biểu diễn trực quan dữ liệu di chuyển. Giới thiệu tổng quan về đối tượng không gian - thời gian, đối tượng di chuyển, khối không gian - thời gian, khối không gian - đặc tính, cách biểu diễn dữ liệu đa biến trên khối không gian - thời gian nhiều chiều. Chương 3: Chương hệ thống giám sát đề xuất sơ đồ khối hệ thống giám sát di chuyển của xe gồm 3 phần: Thiết bị định vị toàn cầu GPS và các cảm biến đặc tính; đường truyền, và máy tính hiển thị trực quan.

2 Chương 4: Chương hệ thống giám sát xe chở mủ cao su. Giới thiệu hệ thống giám sát đối tượng di chuyển là xe tải chở mủ cao su từ xã An Linh huyện Phú Giáo đến Công ty cổ phần Cao su Phước Hoà, Phú Giáo, Bình Dương. Các dữ liệu về vị trí, trọng lượng, tốc độ, nhiên liệu của các chuyến xe chở mủ cao su được trực quan hoá trên khối không gian - thời gian nhiều chiều theo thời gian thực, để người dùng quan sát và biết được tình trạng của đối tượng di chuyển trên suốt tuyến đường. Kết luận: Trình bày các kết quả đạt được và hướng phát triển của luận văn 3 Chương 2 BIỂU DIỄN TRỰC QUAN DỮ LIỆU DI CHUYỂN 2.1 Khối không gian - thời gian 2.1 Tổng quan Năm 1970, Hagerstrand sử dụng một bản đồ 2 chiều truyền thống để tạo ra một khối không gian - thời gian (STC), dựa trên một hệ tọa độ Đề-các 3 chiều để biểu diễn các đối tượng [1].

Trong đó, khối không gian - thời gian sử dụng hệ tọa độ Đề - các 3 chiều để chỉ các vị trí trong không gian theo thời gian của các thực thể, hiện tượng và sự kiện được gọi chung là các đối tượng.1 STC được hình thành với tọa độ Đề-các 3 chiều [2] Với hệ trục Đề-các 3 chiều, mỗi khối không gian - thời gian biểu diễn 3 biến dữ liệu, hai chiều biểu diễn các vị trí không gian (x,y), một chiều biểu diễn các điểm thời gian t.  Ưu điểm và hạn chế của khối không gian - thời gian: - Khối không gian - thời gian rất hiệu quả trong việc biểu diễn dữ liệu không gian - thời gian: 4 + Các yếu tố không gian và thời gian trong tự nhiên là sự kết hợp chặt chẽ không thể tách rời nhau. Khối không gian - thời gian biểu diễn quan hệ giữa không gian và thời gian trong mọi thời điểm. Khối không gian - thời gian giúp trả lời những câu hỏi cơ bản về dữ liệu liên quan đến không gian và thời gian.

+ Đối với một đối tượng di chuyển thì khối không gian - thời gian giúp nghiên cứu sự di chuyển hoặc sự thay đổi theo thời gian của đối tượng di chuyển. Đặc biệt nó giúp cho người dùng nhìn thấy một cách trực quan về sự thay đổi các đặc tính của đối tượng di chuyển theo thời gian thực trên suốt tuyến đường. - Bên cạnh những ưu điểm, khối không gian - thời gian còn có những hạn chế trong việc biểu diễn trực quan dữ liệu không gian - thời gian nhiều biến: + Khối không gian - thời gian khó biểu diễn dữ liệu nhiều biến thay đổi liên tục hoặc rời rạc của một đối tượng di chuyển trong không gian và thời gian. + Khối không gian - thời gian không biểu diễn dữ liệu không gian - thời gian với số lượng biến lớn.2 Đối tượng không gian - thời gian Không gian là một vùng liên tục gồm vô số các vị trí trên mặt đất.

Dữ liệu không gian là dữ liệu về vị trí của đối tượng được xác định trên bề mặt Trái Đất [3, 4]. Dữ liệu không gian thường trả lời cho câu hỏi về vị trí, dữ liệu này được chỉ thị trên bản đồ và hệ thống thông tin địa lí dưới dạng điểm, đường, hoặc vùng. Thời gian là một khái niệm thiên về trực giác, mọi người chúng ta đều nhận biết được thời gian đã, đang và sẽ trôi qua nhưng không thể thấy được. Thời 5 gian vừa có tính tuần hoàn, vừa có tính liên tục [3-6].

Dữ liệu thời gian được thu thập trên cơ sở thực tế. Một đối tượng không gian – thời gian (spatio – temporal object) là một đối tượng tồn tại ở một vị trí xác định trong không gian tại một thời điểm xác định. Mối quan hệ giữa không gian và thời gian của một đối tượng di chuyển liên kết với nhau tạo thành quỹ đạo không gian - thời gian của đối tượng liên tục trong miền không gian thời gian [7].2 Quỹ đạo không gian – thời gian của đối tượng di chuyển [8] Các quỹ đạo không gian - thời gian của đối tượng di chuyển là kết quả của quá trình lấy mẫu từ các dữ liệu rời rạc của các điểm không gian - thời gian tương ứng của mối quan hệ giữa vị trí (Locations) và thời gian (Times) trong tam giác What-When-Where tạo thành quỹ đạo không gian - thời gian liên tục [7].2 Đối tượng di chuyển 2.1 Thành phần dữ liệu của đối tượng di chuyển 6 Thành phần dữ liệu của đối tượng di chuyển theo định nghĩa của Peuquet (1994) gồm: thứ nhất là không gian (where), thứ hai là đối tượng (what), thứ ba là thời gian (when) [9], 3 thành phần này có mối quan hệ mật thiết với nhau vì một đối tượng chỉ xuất hiện ở một vị trí xác định trong không gian tại một thời điểm. What Where When Hình 2.3 Mối quan hệ giữa các thành phần dữ liệu của một đối tượng di chuyển [6, 9] Từ tam giác “what, where, when” của Peuquet năm 1994, Andrienko đã tiếp tục nghiên cứu cho ra đời tam giác ba gồm: thứ nhất là đối tượng (Objects), thứ hai là vị trí (Locations), thứ ba là thời gian (Times) và đưa ra mối quan hệ giữa các thành phần của tam giác “Objects, Locations, Times” [6, 8, 9].

Các mối quan hệ của tam giác này được hình thành từ các khái niệm về đối tượng không gian (spatial objects), đối tượng thời gian (temporal objects), đối tượng không gian - thời gian (spatial –temporal objects), và đối tượng di chuyển (moving objects) [8].2 Dữ liệu không gian - thời gian (Spatio – Temporal Data) Thời gian là một khái niệm thiên về trực giác chúng ta không thể thấy, không thể sờ được nó mà chỉ cảm nhận được nó. Một điểm nổi bậc của thời gian 7 là nó vừa có tính tuần hoàn, vừa có tính liên tục. Dữ liệu thời gian được thu thập trên cơ sở thực tế. Đối tượng không gian là một đối tượng có vị trí xác định trong không gian tại thời điểm xuất hiện bất kì của đối tượng đó.

Nói cách khác, đối tượng không gian là một đối tượng có vị trí xác định tại một thời điểm hoặc một khoảng thời gian. Đối tượng di chuyển là đối tượng mà vị trí của nó thay đổi liên tục trong không gian theo thời gian [8]. Dữ liệu không gian - thời gian (Spatio – Temporal Data) tồn tại ở khắp nơi trong thế giới xung quanh ta. Dữ liệu không gian - thời gian gồm 3 thành phần riêng biệt: thứ nhất là không gian (where), thứ hai là đối tượng (what), thứ ba là thời gian (when).

Ba thành phần này là cơ sở để nghiên cứu dữ liệu không gian - thời gian vì trong thế giới tự nhiên mọi sự vật, hiện tượng đều có thể được mô tả dựa trên 3 thành phần: “what, where, when”. Đối tượng Đối tượng không Đối tượng thời gian gian Đối tượng không gian- thời gian Vị trí Thời gian Đối tượng di chuyển Hình 2.4 Mối quan hệ không gian - thời gian - đối tượng [2, 10] Xét mối quan hệ giữa các thành phần từ tam giác “đối tượng, vị trí, thời gian” của Andrienko về mối quan hệ không gian - thời gian của một đối tượng di 8 chuyển trong lĩnh vực thông tin địa lí tạo thành các bộ dữ liệu quan hệ. Bộ dữ liệu quan hệ <đối tượng, vị trí> cho biết đối tượng không gian có vị trí xác định trong quá trình xuất hiện của đối tượng. Bộ dữ liệu quan hệ <đối tượng, thời gian> cho biết đối tượng thời gian có thời gian xác định trong quá trình xuất hiện của đối tượng.

Bộ dữ liệu quan hệ <đối tượng, vị trí, thời gian> xác định đối tượng không gian - thời gian có vị trí xác định trong không gian theo thời gian. Bộ dữ liệu quan hệ <đối tượng, vị trí, thời gian, quỹ đạo> định nghĩa đối tượng di chuyển.3 Đặc tính dữ liệu của đối tượng di chuyển Mỗi đối tượng di chuyển trong thực tế đều có một số thuộc tính riêng biệt và các thuộc tính đó có mối liên hệ mật thiết với vị trí và thời gian. Dữ liệu về vị trí và các thuộc tính của đối tượng di chuyển được ghi lại trong bảng theo thời gian. Trong đó thời gian, các thuộc tính và vị trí của đối tượng di chuyển là biến phụ thuộc thời gian thực tại mỗi thời điểm xác định của đối tượng di chuyển.5 Thuộc tính của đối tượng di chuyển [8] 9 2.3 Khối không gian - thời gian biểu diễn đối tượng di chuyển 2.1 Khối không gian - thời gian (Space-Time Cube (STC)) Khối không gian - thời gian (STC) được sử dụng để biểu diễn một đối tượng di chuyển trong không gian theo thời gian.

Một đối tượng di chuyển được biểu thị như là một điểm không gian – thời gian trên STC. Một khối không gian - thời gian (STC) được tạo thành từ hệ toạ độ Đề-các 3 chiều bao gồm: (x, y) là mặt phẳng nằm ngang biểu diễn vùng không gian địa lí được vẽ trên không gian 2 chiều với tỷ lệ bằng tỷ lệ bản đồ, trục z biểu diễn thời gian tồn tại của đối tượng.6 Mô hình khối không gian – thời gian (STC)[1, 7] Trong STC hình chiếu của một đối tượng được biểu diễn bằng một điểm trên bản đồ mặt phẳng (x, y) xác định vị trí của đối tượng trong thế giới thực, hình chiếu của đối tượng trên trục dọc chỉ thời gian tương ứng với vị trí của đối tượng. Đường cong kết nối các điểm của các phép chiếu trên bản đồ biểu thị 10 giống như là quỹ đạo của đối tượng. Như vậy, STC đại diện cho vị trí và thời gian tương ứng của một đối tượng di chuyển và quỹ đạo của nó.