Tổng quan nghiên cứu

Thực trạng ùn tắc giao thông và tai nạn giao thông tại các đô thị lớn ở Việt Nam đang là thách thức nghiêm trọng đối với sự phát triển kinh tế xã hội. Theo thống kê của Ủy ban An toàn Giao thông Quốc gia trong 6 tháng đầu năm 2018, cả nước đã xảy ra 9.000 vụ tai nạn giao thông, trong đó có 8.889 vụ xảy ra trên đường bộ, cướp đi sinh mạng của 4.103 người và khiến hơn 7.000 người bị thương. Một trong những nguyên nhân trực tiếp dẫn đến xung đột giao thông là hệ thống hạ tầng chưa bắt kịp tốc độ gia tăng phương tiện, kết hợp với các nút đèn tín hiệu giao thông vận hành theo chu kỳ thời gian cố định, thiếu tính thích ứng thời gian thực. Vào các khung giờ cao điểm, các chốt giao thông thường xuyên đòi hỏi lực lượng cảnh sát giao thông phải túc trực điều tiết thủ công, gây lãng phí nguồn nhân lực và làm gia tăng độ trễ lưu thông.

Luận văn thạc sĩ chuyên ngành Khoa học Máy tính của tác giả Phạm Đình Phúc, thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Trần Thị Minh Khoa tại Trường Đại học Công nghiệp Thành phố Hồ Chí Minh (hoàn thành năm 2019), tập trung giải quyết bài toán cốt lõi: Xây dựng giải pháp điều khiển tín hiệu đèn giao thông thông minh và linh động. Mục tiêu cụ thể của đề tài là ứng dụng các thuật toán máy học để tự động phân lớp trạng thái tín hiệu xanh hoặc đỏ dựa trên lưu lượng phương tiện, kết hợp công thức toán học tối ưu chu kỳ đèn phù hợp với đặc thù dòng giao thông hỗn hợp tại Việt Nam. Đồng thời, nghiên cứu đề xuất giải pháp Heuristic nhằm lựa chọn thứ tự ưu tiên cập nhật trạng thái giữa các nút giao thông trong một mạng lưới khu vực rộng lớn.

Phạm vi nghiên cứu tập trung vào mô hình giao thông đô thị với các thông số thực tế được quy định theo Tiêu chuẩn Việt Nam năm 2005 về thiết kế đường ô tô đô thị và Thông tư số 91/2015/TT-BGTVT về tốc độ lưu thông tối đa từ 50 km/h đến 60 km/h trong khu vực đông dân cư. Ý nghĩa thực tiễn của công trình thể hiện qua việc giảm thiểu thời gian chờ trung bình của phương tiện, nâng cao thông lượng di chuyển tại nút giao từ 15% đến 25%, hỗ trợ đắc lực cho các trung tâm điều hành giao thông đô thị thông minh chuyển đổi từ mô hình thụ động sang tự động hóa hoàn toàn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết Hệ thống Giao thông Thông minh (Intelligent Transport Systems - ITS) kết hợp mạng cảm biến không dây (Wireless Sensor Networks - WSN). ITS đóng vai trò tích hợp hạ tầng công nghệ thông tin và truyền thông với hạ tầng giao thông vận tải, hướng đến các mục tiêu trọng tâm: tối ưu hóa an toàn lưu thông, cắt giảm khí thải ô nhiễm và xử lý dữ liệu giao thông theo thời gian thực.

Về mô hình phân lớp dữ liệu, luận văn ứng dụng thuật toán Máy véc-tơ hỗ trợ (Support Vector Machine - SVM) được đề xuất bởi Vladimir Vapnik và Corinna Cortes. SVM là phương pháp học có giám sát giải quyết bài toán tối ưu hóa lồi nhằm tìm kiếm siêu phẳng phân tách tối ưu giữa hai lớp nhãn dữ liệu có lề cực đại. Để đối chiếu và đánh giá độ tin cậy, mô hình Mạng nơ-ron nhân tạo (Neural Network - NN) cũng được triển khai song song.

Đối với bài toán tính toán thời gian chu kỳ đèn, luận văn kế thừa lý thuyết chu kỳ đèn tối ưu của F.V. Webster công bố năm 1957, đồng thời tích hợp mô hình Webster cải tiến dành riêng cho giao thông hỗn hợp tại Việt Nam của tác giả Đỗ Quốc Cường. Mô hình này phân tách dòng bão hòa thuần cho ô tô là 35 xe/chu kỳ và xe máy là 30 xe/chu kỳ, giải quyết triệt để sự chênh lệch lớn giữa các dòng phương tiện không đồng nhất. Ngoài ra, phương pháp Heuristic Selection Method (HISM) được xây dựng dựa trên chỉ số thể tích nút giao IVI (Intersection Volume Index) để xác định mức độ ưu tiên cập nhật giữa nhiều nút giao thông liền kề.

Phương pháp nghiên cứu

Dữ liệu nghiên cứu được khởi tạo mô phỏng dựa trên các quy chuẩn kỹ thuật quốc gia, khắc phục sự thiếu hụt cơ sở dữ liệu cảm biến thực địa. Bộ dữ liệu gồm 7 thuộc tính phản ánh trạng thái của hai làn đường trực giao tại nút giao: số lượng xe ngang, số lượng xe dọc (giá trị ngẫu nhiên từ 1 đến 100 xe), loại xe ưu tiên ngang, loại xe ưu tiên dọc (nhãn nhị phân 0 hoặc 1), vận tốc xe ngang, vận tốc xe dọc (từ 0 đến 60 km/h) và nhãn trạng thái đèn (0 là đỏ, 1 là xanh).

Quy mô thực nghiệm được tiến hành trên 5 tập dữ liệu huấn luyện có kích thước tăng dần từ 7.000 mẫu, 14.000 mẫu, 21.000 mẫu, 35.000 mẫu đến 70.000 mẫu, trích xuất từ tổng tập dữ liệu mô phỏng từ 10.000 đến 100.000 dòng. Phương pháp lấy mẫu ngẫu nhiên phân tầng được áp dụng nhằm bao quát toàn bộ các kịch bản giao thông: xuất hiện xe ưu tiên, mật độ xe chênh lệch giữa hai làn, và mật độ xe tương đương nhưng vận tốc lưu thông khác nhau.

Lý do lựa chọn SVM làm phương pháp phân tích chủ đạo vì thuật toán có khả năng tổng quát hóa xuất sắc trong không gian đa chiều, hạn chế tối đa hiện tượng quá khớp (overfitting) trên dữ liệu nhiễu so với các mô hình cây quyết định truyền thống. Toàn bộ thuật toán được lập trình và mô phỏng trên nền tảng phần mềm MATLAB 2017b, vận hành trên phần cứng vi xử lý Intel Core i7-3520 2.90 GHz gồm 4 luồng xử lý và 8GB RAM, thực hiện trong toàn bộ giai đoạn nghiên cứu 18 tháng từ cuối năm 2017 đến giữa năm 2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm phân lớp trạng thái tín hiệu giao thông bằng thuật toán SVM và Mạng nơ-ron đã mang lại những kết quả khoa học nổi bật:

Thứ nhất, mô hình SVM đạt độ chính xác tuyệt đối 100% trong việc phân loại trạng thái đèn tín hiệu theo 3 trường hợp nghiệp vụ thực tế. Cụ thể, với mẫu dữ liệu xuất hiện xe cứu thương hoặc xe cứu hỏa trên làn ngang (vector 1-1-1-0-20-20), mô hình lập tức phân lớp nhãn 1 (bật đèn xanh cho làn ngang). Ngược lại, khi xe ưu tiên xuất hiện ở làn dọc (vector 1-1-0-1-20-20), mô hình trả về nhãn 0 (đèn đỏ cho làn ngang, nhường quyền ưu tiên cho làn dọc). Đối với trường hợp không có xe ưu tiên nhưng có sự chênh lệch mật độ (vector 15-12-0-0-20-20), làn có số lượng xe lớn hơn (15 xe) được cấp quyền đèn xanh chuẩn xác.

Thứ hai, tỷ lệ phân loại trạng thái xanh và đỏ duy trì sự ổn định cao khi quy mô dữ liệu huấn luyện mở rộng. Ở tập huấn luyện 7.000 dòng, tỷ lệ phân lớp xanh chiếm 62,19% (4.284 dòng) và đỏ chiếm 37,81% (2.716 dòng). Khi kích thước tập huấn luyện tăng gấp 10 lần lên 70.000 dòng, tỷ lệ phân lớp xanh đạt 61,81% (43.265 dòng) và đỏ đạt 38,19% (26.735 dòng). Độ lệch tỷ lệ giữa tập nhỏ nhất và lớn nhất chỉ dao động trong khoảng hẹp dưới 0,38%, khẳng định tính hội tụ vững chắc của mô hình học máy.

Thứ ba, kết quả phân lớp của SVM và Mạng nơ-ron nhân tạo hoàn toàn tương đồng trên tất cả các tập dữ liệu thử nghiệm. Ở quy mô 21.000 dòng, cả hai phương pháp đều ghi nhận 13.046 dòng xanh và 7.954 dòng đỏ. Ở quy mô 35.000 dòng, kết quả của cả hai mô hình trùng khớp chính xác tại 21.698 dòng xanh và 13.302 dòng đỏ. Điều này chứng minh thuật toán SVM đạt hiệu năng tương đương Mạng nơ-ron nhưng đòi hỏi chi phí tính toán và thời gian huấn luyện thấp hơn đáng kể.

Thứ tư, thuật toán Webster cải tiến tính toán chu kỳ đèn tối ưu một cách độc lập với kích thước mẫu huấn luyện. Khi kiểm thử mẫu dữ liệu cố định (vector 15-12-0-0-20-20), thời gian đèn xanh được tính toán đạt giá trị nhất quán từ 35,13 giây đến 37,13 giây trên toàn bộ các tập dữ liệu từ 10.000 đến 100.000 mẫu, đảm bảo giải tỏa lưu lượng xe hiệu quả mà không gây tích tụ hàng đợi.

Thảo luận kết quả

Sự tương đồng tuyệt đối giữa SVM và Mạng nơ-ron được lý giải bởi không gian đặc trưng của bài toán giao thông có ranh giới quyết định phân tách rõ ràng khi được chuẩn hóa theo các quy tắc luật giao thông đường bộ. Dữ liệu thực nghiệm được trình bày trực quan thông qua các bảng số liệu đa chiều và đồ thị cột so sánh tỷ lệ phân lớp, cho thấy phân bố nhãn không bị biến dạng khi thay đổi kích thước mẫu.

So sánh với các nghiên cứu quốc tế như dự án CitySense của Đại học Harvard hay mạng SAFESPOT tại Châu Âu, giải pháp của luận văn đã điều chỉnh thành công các tham số dòng bão hòa ô tô và xe máy để thích ứng với giao thông hỗn hợp tại Việt Nam. Khi ứng dụng thuật toán HISM trên mô hình mạng lưới 4 nút giao thông liên hoàn, hệ thống tự động quét và tính toán chỉ số IVI của từng nút, chỉ cho phép nút có giá trị IVI cao nhất thay đổi chu kỳ tín hiệu, giúp ngăn chặn hiện tượng dồn toa và xung đột luồng xe trên toàn tuyến.

Đề xuất và khuyến nghị

Nhằm đưa kết quả nghiên cứu vào thực tiễn quản lý đô thị, luận văn đề xuất 4 nhóm giải pháp chiến lược:

Thứ nhất, triển khai thí điểm hệ thống điều khiển đèn tín hiệu giao thông thông minh ứng dụng SVM và Webster cải tiến tại 5 đến 10 nút giao thông trọng điểm thường xuyên ùn tắc tại Thành phố Hồ Chí Minh. Mục tiêu hướng đến là cắt giảm thời gian chờ trung bình tại nút giao xuống từ 20% đến 30% trong lộ trình thực hiện 12 tháng, do Sở Giao thông Vận tải Thành phố Hồ Chí Minh chủ trì phối hợp cùng các đơn vị nghiên cứu.

Thứ hai, đầu tư nâng cấp hạ tầng thu thập dữ liệu giao thông thời gian thực thông qua lắp đặt mạng lưới camera AI và cảm biến từ trường tại các giao lộ chính. Đề xuất Bộ Giao thông Vận tải và Bộ Khoa học và Công nghệ ban hành quy chuẩn kỹ thuật quốc gia về cấu trúc hệ thống ITS và định dạng dữ liệu truyền thông trong thời gian 18 tháng, tạo cơ sở pháp lý đồng bộ cho việc kết nối các nút giao thông cũ vào trung tâm điều hành tập trung.

Thứ ba, tối ưu hóa thuật toán lựa chọn nút Heuristic (HISM) kết hợp công nghệ điện toán biên (Edge Computing). Mục tiêu là giảm độ trễ truyền dữ liệu từ các nút giao về trung tâm điều khiển xuống dưới 500 mili-giây, cho phép các bộ điều khiển tại chốt tự tính toán cục bộ và cập nhật chu kỳ đèn tức thời. Nhóm nghiên cứu tại các trường đại học kỹ thuật sẽ đảm nhận hoàn thiện giải pháp trong vòng 6 tháng.

Thứ tư, tổ chức đào tạo và nâng cao năng lực chuyên môn cho đội ngũ 100 kỹ sư và chuyên viên quản lý vận hành giao thông đô thị. Trung tâm Quản lý Điều hành Giao thông Đô thị cần phối hợp với các cơ sở đào tạo tổ chức 10 khóa tập huấn chuyên sâu trong vòng 24 tháng về vận hành hệ thống ITS, phân tích dữ liệu lưu lượng và xử lý sự cố tín hiệu tự động.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị thực tiễn và học thuật cao cho 4 nhóm đối tượng chính:

Nhóm thứ nhất là các nhà quản lý, hoạch định chính sách thuộc Sở Giao thông Vận tải, Ủy ban An toàn Giao thông và Phòng Cảnh sát Giao thông tại các đô thị lớn. Tài liệu cung cấp cơ sở khoa học để xây dựng đề án giao thông thông minh, quy hoạch phân luồng và chuyển đổi các trung tâm điều khiển giao thông từ bán tự động sang tự động hóa.

Nhóm thứ hai là các kỹ sư hệ thống, chuyên gia phát triển giải pháp ITS và IoT đô thị thông minh. Luận văn cung cấp toàn bộ quy trình thiết kế giải thuật, mã giả huấn luyện SVM, công thức tính toán Webster cải tiến và phương pháp phân cấp ưu tiên HISM sẵn sàng cho việc tích hợp vào các bộ điều khiển vi xử lý tại nút giao.

Nhóm thứ ba là giảng viên, nghiên cứu sinh và học viên cao học thuộc các chuyên ngành Khoa học Máy tính, Kỹ thuật Giao thông, Công nghệ Thông tin và Tự động hóa. Đề tài là nguồn tài liệu tham khảo giá trị về ứng dụng máy học giải quyết bài toán giao thông hỗn hợp đặc thù tại các quốc gia đang phát triển.

Nhóm thứ tư là các doanh nghiệp công nghệ, đơn vị tư vấn và cung cấp giải pháp chuyển đổi số hạ tầng đô thị. Công trình mở ra hướng phát triển các sản phẩm thương mại như phần mềm điều khiển tín hiệu thích ứng, giải pháp phân tích video giao thông và tối ưu hóa chu kỳ đèn xanh cho các thành phố thông minh.

Câu hỏi thường gặp

Giải pháp điều khiển tín hiệu đèn giao thông trong luận văn có điểm gì vượt trội so với hệ thống truyền thống? Hệ thống truyền thống sử dụng chu kỳ đèn cố định hoặc cần nhân viên trực tiếp điều chỉnh thủ công tại chốt. Giải pháp trong luận văn tự động hóa hoàn toàn việc phân tích dữ liệu đa thông số (số lượng xe, loại xe ưu tiên, vận tốc) để quyết định màu đèn và tính toán thời gian chu kỳ thích ứng tức thời theo lưu lượng thực tế.

Thuật toán Webster cải tiến giải quyết bài toán giao thông hỗn hợp tại Việt Nam như thế nào? Công thức Webster gốc chỉ áp dụng cho dòng xe thuần nhất. Phiên bản cải tiến trong nghiên cứu phân tách rõ rệt lưu lượng và dòng bão hòa riêng biệt của ô tô (35 xe/chu kỳ) và xe máy (30 xe/chu kỳ), giúp xác định chính xác thời lượng đèn xanh tối ưu, tránh lãng phí pha đèn trong điều kiện xe máy chiếm đa số.

Phương pháp Heuristic (HISM) đóng vai trò gì trong mạng lưới giao thông khu vực? Khi áp dụng trên quy mô nhiều nút giao liền kề, việc thay đổi đồng loạt chu kỳ đèn có thể gây xung đột dòng xe. Phương pháp HISM tính toán chỉ số ưu tiên IVI tại từng nút và chỉ cho phép nút có mật độ ùn tắc cao nhất cập nhật chu kỳ trước, đảm bảo tính điều phối đồng bộ trên toàn mạng lưới.

Tại sao tác giả lựa chọn mô hình SVM thay vì các mô hình học sâu phức tạp hơn? Thuật toán SVM có hiệu năng vượt trội trong bài toán phân lớp nhị phân lề mềm, cho độ chính xác tương đương Mạng nơ-ron (cùng đạt tỷ lệ 61,81% nhãn xanh trên 70.000 mẫu) nhưng có tốc độ xử lý nhanh, không đòi hỏi phần cứng tính toán đắt tiền, hoàn toàn phù hợp để nhúng trực tiếp vào các thiết bị điều khiển biên.

Dữ liệu mô phỏng trong luận văn được xây dựng dựa trên các tiêu chuẩn kỹ thuật nào? Dữ liệu được tạo lập theo Tiêu chuẩn Việt Nam TCVN năm 2005 về thiết kế đường ô tô đô thị (chiều rộng làn từ 3m đến 8m, hàng chờ từ 1 đến 100 xe) và Thông tư số 91/2015/TT-BGTVT của Bộ Giao thông Vận tải quy định dải vận tốc tối đa đô thị từ 50 km/h đến 60 km/h.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu khoa học và thực tiễn đề ra:

  • Xây dựng thành công mô hình học máy SVM phân lớp chính xác 100% trạng thái đèn tín hiệu giao thông dựa trên các thuộc tính lưu lượng, vận tốc và quyền ưu tiên của phương tiện.
  • Ứng dụng xuất sắc công thức Webster cải tiến để xác định thời lượng chu kỳ đèn tối ưu dành riêng cho dòng giao thông hỗn hợp ô tô và xe máy tại đô thị Việt Nam.
  • Đề xuất và mô phỏng thành công giải pháp Heuristic Selection Method (HISM), giải quyết bài toán đồng bộ và phân bổ quyền ưu tiên cập nhật tín hiệu trên mạng lưới gồm 4 nút giao thông liên hoàn.
  • Cung cấp giải pháp kỹ thuật có chi phí triển khai tối ưu, vận hành ổn định trên nền tảng phần cứng thông dụng, giải quyết triệt để sự phụ thuộc vào nhân lực điều tiết tại hiện trường.
  • Đóng góp luận cứ khoa học quan trọng cho lộ trình xây dựng và hoàn thiện Kiến trúc Hệ thống Giao thông Thông minh (ITS) cấp quốc gia.

Về lộ trình phát triển tiếp theo, nhóm nghiên cứu định hướng triển khai thử nghiệm thực địa hệ thống cảm biến không dây tại các giao lộ thực tế trong 6 đến 12 tháng tới, tiến tới tích hợp hoàn chỉnh giải pháp vào trung tâm điều hành đô thị thông minh trong giai đoạn 18 đến 24 tháng. Các đơn vị quản lý hạ tầng và doanh nghiệp công nghệ được khuyến khích liên kết, chuyển giao và ứng dụng ngay giải pháp nhằm nâng cao năng lực quản trị giao thông đô thị bền vững.