Hướng Tới Xây Dựng Hệ Thống Đèn Giao Thông Thông Minh Dựa Trên Machine Learning

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp mạng máy tính và truyền thông dữ liệu hướng tới xây dựng hệ thống đèn giao thông thông, vận dụng lý thuyết vào thực tế, đề xuất giải

• Tác giả: Thái Minh Huy
• Người hướng dẫn: TS. Lê Kim Hùng
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ sư ngành mạng máy tính và truyền thông
• Đề tài: Hướng Tới Xây Dựng Hệ Thống Đèn Giao Thông Thông Minh Dựa Trên Machine Learning
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Tên đề tài
• 1.2. Đặt vấn đề
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về các nghiên cứu về hệ thống đèn giao thông thông minh
• 2.2. Các thiết bị phần cứng
• 2.3. Model MobileNetV1
• 2.4. Mô hình kiến trúc
• 2.5. Depthwise Separable Convolution
• 2.6. So sánh MobileNet với các State-of-the-art đương thời
• 2.7. Cách TensorFlow hoạt động
• 2.8. Cấu trúc ứng dụng sử dụng SocketIO
• 2.9. ASGI Web Server là gì?
• 2.10. Thành phần của ASGI
• 2.11. Kỹ thuật Machine Learning phân tích
• 2.11.1. Mô hình tuyến tính là gì?
• 2.11.2. Các loại mô hình tuyến tính thường gặp
• 2.11.3. Mô hình hồi quy tuyến tính
• 3. CHƯƠNG 3: TỔNG QUAN HỆ THỐNG
• 3.1. Mô hình chung. Xây dựng mô hình
• 3.2. Hệ thống Traffic Simulation
• 3.3. Ngữ cảnh hệ thống và luồng đi mô hình
• 3.4. Thu thập lưu lượng giao thông
• 3.5. Prediction Model tính toán dữ liệu
• 3.6. Server trả dữ liệu đầu ra đến Simulation System
• 3.7. Điều khiển trạng thái đèn ở Simulation System
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Phân tích dữ liệu
• 4.2. Kết quả thực nghiệm
• 4.2.1. Trường hợp Traffic Flow 100 veh/h
• 4.2.2. Trường hợp Traffic Flow 200 veh/h
• 4.2.3. Trường hợp Traffic Flow 400 veh/h
• 4.2.4. Trường hợp Traffic Flow 500 veh/h
• 4.2.5. Trường hợp Traffic Flow 600 veh/h
• 4.2.6. Trường hợp Traffic Flow 700 veh/h
• 4.2.7. Trường hợp Traffic Flow 800 veh/h
• 4.2.8. Trường hợp Traffic Flow 900 veh/h
• 4.2.9. Trường hợp Traffic Flow 1000 veh/h
• 4.2.10. Trường hợp Traffic Flow 1100 veh/h
• 4.3. So sánh giữa hệ thống thủ công truyền thống và hệ thống tự động để xuất
• 4.3.1. Lưu lượng dưới 700 veh/h
• 4.3.2. Lưu lượng ở mức 700-800 veh/h
• 4.3.3. Lưu lượng ở mức 900-1100 veh/h
• 5. CHƯƠNG 5: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Hệ Thống Đèn Giao Thông Thông Minh Dựa Trên Machine Learning

Hệ thống đèn giao thông thông minh đang trở thành một giải pháp hiệu quả để giải quyết vấn đề ùn tắc giao thông tại các đô thị lớn. Sự phát triển của công nghệ machine learning đã mở ra nhiều cơ hội mới trong việc tối ưu hóa hoạt động của các hệ thống giao thông. Hệ thống này không chỉ giúp giảm thiểu thời gian chờ đợi của phương tiện mà còn nâng cao an toàn cho người tham gia giao thông.

1.1. Đèn Giao Thông Thông Minh Là Gì

Đèn giao thông thông minh là hệ thống sử dụng công nghệ hiện đại để điều khiển tín hiệu giao thông một cách tự động. Hệ thống này có khả năng phân tích lưu lượng giao thông và điều chỉnh thời gian đèn xanh, đỏ, vàng dựa trên dữ liệu thu thập được từ cảm biến và camera.

1.2. Lợi Ích Của Hệ Thống Đèn Giao Thông Thông Minh

Hệ thống đèn giao thông thông minh mang lại nhiều lợi ích như giảm thiểu ùn tắc, tiết kiệm thời gian di chuyển, và nâng cao an toàn cho người đi bộ. Ngoài ra, việc sử dụng machine learning giúp hệ thống tự động học hỏi và cải thiện hiệu suất theo thời gian.

II. Vấn Đề Giao Thông Hiện Nay Tại Các Đô Thị Lớn

Tình trạng ùn tắc giao thông đang trở thành một vấn đề nghiêm trọng tại các thành phố lớn như Hà Nội và TP. Hồ Chí Minh. Theo thống kê, số lượng phương tiện tham gia giao thông ngày càng tăng, dẫn đến áp lực lớn lên hệ thống giao thông hiện tại. Việc thiếu các giải pháp hiệu quả để quản lý lưu lượng giao thông đã gây ra nhiều hệ lụy cho xã hội.

2.1. Nguyên Nhân Gây Ra Tình Trạng Ùn Tắc

Nguyên nhân chính gây ra ùn tắc giao thông bao gồm sự gia tăng nhanh chóng của phương tiện cá nhân, ý thức tham gia giao thông kém, và cơ sở hạ tầng giao thông chưa đáp ứng đủ nhu cầu. Những yếu tố này đã tạo ra tình trạng tắc nghẽn kéo dài, ảnh hưởng đến đời sống của người dân.

2.2. Hệ Lụy Của Tình Trạng Giao Thông Hiện Nay

Tình trạng ùn tắc giao thông không chỉ gây ra sự khó chịu cho người tham gia mà còn ảnh hưởng đến kinh tế và môi trường. Thời gian di chuyển kéo dài dẫn đến lãng phí nhiên liệu và tăng phát thải khí nhà kính, gây ô nhiễm môi trường.

III. Phương Pháp Xây Dựng Hệ Thống Đèn Giao Thông Thông Minh

Để xây dựng một hệ thống đèn giao thông thông minh hiệu quả, cần áp dụng các công nghệ tiên tiến như machine learning và Internet of Things (IoT). Các phương pháp này cho phép hệ thống thu thập và phân tích dữ liệu giao thông theo thời gian thực, từ đó đưa ra quyết định điều khiển đèn giao thông một cách tự động.

3.1. Sử Dụng Machine Learning Trong Quản Lý Giao Thông

Machine learning giúp hệ thống phân tích dữ liệu từ camera và cảm biến để dự đoán lưu lượng giao thông. Các thuật toán học máy có thể tối ưu hóa thời gian đèn giao thông dựa trên các yếu tố như số lượng phương tiện và thời gian trong ngày.

3.2. Tích Hợp IoT Vào Hệ Thống Đèn Giao Thông

Việc tích hợp IoT cho phép các thiết bị giao thông kết nối và trao đổi thông tin với nhau. Điều này giúp hệ thống có thể phản ứng nhanh chóng với các tình huống giao thông bất ngờ, từ đó nâng cao hiệu quả điều khiển.

IV. Ứng Dụng Thực Tiễn Của Hệ Thống Đèn Giao Thông Thông Minh

Hệ thống đèn giao thông thông minh đã được triển khai tại nhiều thành phố trên thế giới và mang lại kết quả tích cực. Các nghiên cứu cho thấy rằng việc áp dụng công nghệ này giúp giảm thiểu ùn tắc và cải thiện an toàn giao thông. Các ứng dụng thực tiễn đã chứng minh tính khả thi và hiệu quả của hệ thống.

4.1. Các Dự Án Thành Công Trên Thế Giới

Nhiều thành phố lớn như Barcelona, Singapore đã triển khai hệ thống đèn giao thông thông minh và ghi nhận sự giảm thiểu đáng kể về ùn tắc giao thông. Các dự án này đã sử dụng công nghệ machine learning để tối ưu hóa hoạt động của đèn giao thông.

4.2. Kết Quả Nghiên Cứu Tại Việt Nam

Tại Việt Nam, một số nghiên cứu đã chỉ ra rằng việc áp dụng hệ thống đèn giao thông thông minh có thể giảm thời gian chờ đợi của phương tiện lên đến 30%. Điều này không chỉ giúp cải thiện lưu thông mà còn nâng cao chất lượng cuộc sống cho người dân.

V. Kết Luận Và Tương Lai Của Hệ Thống Đèn Giao Thông Thông Minh

Hệ thống đèn giao thông thông minh dựa trên machine learning đang mở ra nhiều triển vọng cho việc quản lý giao thông hiệu quả hơn. Tương lai của hệ thống này hứa hẹn sẽ mang lại nhiều cải tiến trong việc giảm ùn tắc và nâng cao an toàn giao thông. Việc tiếp tục nghiên cứu và phát triển công nghệ này là cần thiết để đáp ứng nhu cầu ngày càng cao của đô thị.

5.1. Hướng Phát Triển Trong Tương Lai

Trong tương lai, hệ thống đèn giao thông thông minh có thể được tích hợp với các công nghệ mới như xe tự lái và cảm biến thông minh. Điều này sẽ tạo ra một hệ sinh thái giao thông hoàn chỉnh, giúp tối ưu hóa lưu lượng và giảm thiểu tai nạn.

5.2. Tầm Quan Trọng Của Nghiên Cứu Liên Tục

Nghiên cứu và phát triển liên tục là rất quan trọng để cải thiện hiệu suất của hệ thống. Các nhà nghiên cứu cần hợp tác chặt chẽ với các cơ quan chức năng để triển khai các giải pháp thực tiễn và hiệu quả nhất.

Nội dung chính

Giới thiệu dự án

Ùn tắc giao thông đô thị là một trong những thách thức hạ tầng cấp bách nhất tại các thành phố lớn ở Việt Nam như Hà Nội, TP. Hồ Chí Minh, Hải Phòng và Đà Nẵng. Theo thống kê giai đoạn 2008 – 2022, cả nước ghi nhận hơn 1.379 vụ ùn tắc kéo dài trên một giờ, trong đó Hà Nội chiếm 24,4% (336 vụ) và TP. Hồ Chí Minh chiếm 16,5% (227 vụ). Cơ cấu phương tiện mất cân đối nghiêm trọng với tỷ lệ xe máy lưu thông chiếm tới 75,4% tại Hà Nội và 91,3% tại TP. Hồ Chí Minh, tạo ra luồng giao thông hỗn hợp phức tạp. Thiệt hại kinh tế ước tính chiếm từ 2% đến 3% tổng sản phẩm quốc nội (GDP) hàng năm, chưa kể các hệ lụy nặng nề về ô nhiễm bụi mịn $PM_{2.5}$ và phát thải khí nhà kính.

+-----------------------------------------------------------------------+
|                HIỆN TRẠNG GIAO THÔNG ĐÔ THỊ VIỆT NAM                  |
+-----------------------------------------------------------------------+
|  1.379+ Vụ ùn tắc > 1 giờ  |  75.4% - 91.3% Xe máy  |  2-3% GDP Tổn thất  |
+-----------------------------------------------------------------------+

Hạn chế cốt lõi của hệ thống đèn tín hiệu truyền thống là cơ chế chu kỳ cố định (Fixed-time Control). Hệ thống này phân bổ thời gian đèn xanh – đỏ dựa trên tham số giả định bất biến, hoàn toàn bất lực trước phương sai ngẫu nhiên của lưu lượng phương tiện theo thời gian thực, dẫn đến tình trạng làn đường vắng xe vẫn phải chờ đèn đỏ trong khi làn đường đông nghẹt lại bị ngắt đèn xanh quá sớm.

Đề tài "Hướng tới xây dựng hệ thống đèn giao thông thông minh dựa trên máy học" (Toward to Smart Street Light Based on Machine Learning) được thực hiện bởi nhóm nghiên cứu Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM (UIT-VNUHCM) dưới sự hướng dẫn của TS. Lê Kim Hùng và ThS. Thái Huy Tân nhằm giải quyết triệt để bài toán trên.

Mục tiêu cụ thể của dự án:

1. Nghiên cứu và xây dựng mô hình Thị giác máy tính (Computer Vision) nhận diện mật độ phương tiện từ camera ngã tư dựa trên kiến trúc mạng nơ-ron tích chập nhẹ MobileNetV1.
2. Huấn luyện mô hình Dự đoán lưu lượng giao thông (Traffic Prediction) sử dụng kỹ thuật Hồi quy tuyến tính (Linear Regression) trên nền tảng TensorFlow 2.x.
3. Thiết kế hệ thống mô phỏng giao thông (Traffic Simulation) khép kín nhằm tạo tập dữ liệu huấn luyện và kiểm thử phản hồi chu kỳ đèn.
4. Triển khai kiến trúc kết nối thời gian thực thông qua máy chủ không đồng bộ ASGI (Uvicorn) và giao thức Socket.IO, điều khiển trực tiếp vi điều khiển phần cứng NodeMCU ESP8266.

Dự án tập trung vào phạm vi nút giao thông 4 nhánh (ngã tư), tối ưu hóa thời gian chu kỳ chuyển trạng thái đèn xanh, vàng, đỏ thích ứng với dải lưu lượng biến thiên từ 100 đến 1.100 phương tiện/giờ (veh/h).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nhiều giải pháp điều khiển giao thông đã được nghiên cứu trên thế giới với các ưu và nhược điểm khác nhau:

Giải pháp nghiên cứu	Công nghệ cốt lõi	Ưu điểm	Nhược điểm & Thách thức
LiFi V2I (2017-2018)	Ánh sáng khả kiến (Light Fidelity)	Truyền tin ưu tiên xe khẩn cấp cực nhanh	Tầm phủ hẹp, dễ suy hao do thời tiết sương/mưa
SONAR / Ultrasonic (2017)	Sóng siêu âm đo khoảng cách hàng đợi	Chi phí phần cứng rẻ, triển khai nhanh	Góc quét hẹp, dễ nhiễu khi xe máy chen lấn
RFID Module (2020)	Nhận dạng tần số vô tuyến	Đo chính xác xe gắn thẻ định danh	Yêu cầu 100% phương tiện phải gắn tag RFID
SUMO + OMNET++ (2019)	Cân bằng tải định tuyến động	Tối ưu hóa luồng ở quy mô toàn đô thị	Đòi hỏi năng lực máy chủ tính toán siêu lớn
Hệ thống đề xuất (2022)	MobileNetV1 + Linear Regression + IoT	Nhận diện trực quan, chi phí rẻ, phản hồi thời gian thực	Cần tối ưu thị giác máy tính trong điều kiện ban đêm

Yêu cầu hệ thống theo mô hình MoSCoW:

• Must have: Nhận diện số lượng phương tiện từ luồng video, thuật toán tính toán thời gian chu kỳ đèn động, giao tiếp điều khiển qua Socket.IO, cơ chế chuyển mạch LED trên ESP8266.
• Should have: Giao diện Web Dashboard giám sát trực quan trạng thái nút giao theo thời gian thực, cơ chế an toàn tự chuyển về chu kỳ cố định khi mất kết nối mạng.
• Could have: Phân loại chi tiết xe máy, ô tô con, xe buýt, xe tải để gán trọng số chiếm dụng lòng đường.
• Won't have: Điều khiển mạng lưới đa nút giao liên kết (Green Wave) trong giai đoạn thử nghiệm đầu tiên.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống bao gồm 4 khối chức năng chính tương tác liên tục qua hạ tầng mạng IP:

[ Camera / Video Feed ] 
         │
         ▼
[ Module MobileNetV1 ] ──(Mật độ xe)──► [ Machine Learning Server ]
                                                │
                                       (Hồi quy tuyến tính)
                                                │
[ Giao diện Web Client ] ◄──(Socket.IO)── [ ASGI Uvicorn Gateway ]
                                                │
                                         (Lệnh chu kỳ đèn)
                                                │
                                                ▼
                                    [ NodeMCU ESP8266 / Relay ]
                                                │
                                                ▼
                                    [ Cụm Đèn Giao Thông LED ]

• Technology Stack:

  • Machine Learning & Core Engine: Python 3.8+, TensorFlow 2.x, OpenCV 4.5.
  • Backend Server: Uvicorn ASGI Server, Python-SocketIO, AsyncIO.
  • Hardware & Firmware: NodeMCU ESP8266 (Tensilica L106 32-bit CPU, 80MHz, Wi-Fi 802.11 b/g/n), Raspberry Pi (Broadcom BCM2835), Arduino C++ Framework.
  • Simulation & Front-end: HTML5 Canvas / JavaScript Client, RESTful / WebSocket APIs.

• Đặc tả giao thức WebSocket/Socket.IO:

  • Event traffic_density_emit: Gửi payload { intersection_id: "INT_01", lane: "NORTH_SOUTH", vehicle_count: 42, flow_rate: 650 }.
  • Event light_timing_dispatch: Nhận payload { lane_ns_green: 38, lane_ew_green: 22, yellow_duration: 3 }.

• Cơ chế An toàn (Fail-safe): Nếu vi điều khiển ESP8266 không nhận được tín hiệu Heartbeat từ máy chủ quá 3.000ms, bộ định thời phần cứng (Hardware Timer) sẽ tự kích hoạt chế độ Fallback: chu kỳ xanh 30s – vàng 3s – đỏ 33s cố định.

Methodology

Quy trình phát triển dự án được tổ chức theo mô hình Agile/Scrum gồm các chặng kế tiếp:

• Khảo sát & Lập đề cương: Xác định bài toán, khảo sát các công trình quốc tế về Deep Learning và IoT giao thông.
• Phát triển Traffic Simulation: Xây dựng phần mềm giả lập lưu lượng ngã tư để chủ động sinh dữ liệu gán nhãn đa dạng kịch bản.
• Thiết kế & Huấn luyện Model: Xây dựng mạng MobileNetV1 và mô hình Hồi quy tuyến tính với TensorFlow.
• Tích hợp & Thực nghiệm Hardware-in-the-loop: Kết nối bo mạch NodeMCU, đo kiểm độ trễ truyền thông và tính chính xác của chu kỳ đèn.

---

Implementation và kết quả

Development process

Trọng tâm kỹ thuật của hệ thống nằm ở 2 thành phần: mạng trích xuất đặc trưng hình ảnh MobileNetV1 và mô hình dự đoán chu kỳ thời gian.

MobileNetV1 thay thế phép tích chập tiêu chuẩn (Standard Convolution) bằng Tích chập tách biệt theo chiều sâu (Depthwise Separable Convolution), gồm 2 giai đoạn:

1. Depthwise Convolution: Áp dụng bộ lọc không gian $D_K \times D_K$ độc lập cho từng kênh (channel).
2. Pointwise Convolution: Áp dụng tích chập $1 \times 1$ để tổng hợp tuyến tính thông tin giữa các kênh.

Chi phí tính toán được giảm thiểu theo tỷ lệ: $$\text{Tỷ lệ rút gọn} = \frac{D_K \cdot D_K \cdot M \cdot D_F \cdot D_F + M \cdot N \cdot D_F \cdot D_F}{D_K \cdot D_K \cdot M \cdot N \cdot D_F \cdot D_F} = \frac{1}{N} + \frac{1}{D_K^2}$$

Với kernel $3 \times 3$ ($D_K = 3$), khối lượng tính toán giảm từ 8 đến 9 lần so với tích chập thông thường mà độ chính xác gần như không suy giảm (đạt 70,6% Top-1 Accuracy trên ImageNet với chỉ 4,2 triệu tham số).

import tensorflow as tf
from tensorflow.keras import layers, models

def build_traffic_timing_regressor(input_dim=2):
    """
    Xây dựng mạng nơ-ron hồi quy tuyến tính dự đoán thời gian đèn xanh (giây)
    dựa trên lưu lượng đầu vào (Làn 1, Làn 2).
    """
    model = models.Sequential([
        layers.Input(shape=(input_dim,)),
        layers.Dense(units=8, activation='relu', name='hidden_layer'),
        layers.Dense(units=1, activation='linear', name='green_time_output')
    ])
    
    model.compile(
        optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),
        loss='mean_squared_error',
        metrics=['mae']
    )
    return model

# Khởi tạo và kiểm tra cấu trúc
prediction_model = build_traffic_timing_regressor()
prediction_model.summary()

Phía máy chủ điều khiển trung tâm, nền tảng ASGI Uvicorn xử lý các kết nối thời gian thực đồng thời mà không nghẽn I/O:

import socketio
import uvicorn

sio = socketio.AsyncServer(async_mode='asgi', cors_allowed_origins='*')
app = socketio.ASGIApp(sio)

@sio.event
async def connect(sid, environ):
    print(f"[CONNECTED] Client: {sid}")

@sio.event
async def traffic_density_update(sid, data):
    vehicle_flow = float(data.get('flow_rate', 100))
    # Dự đoán thời gian đèn xanh tối ưu dựa trên mô hình máy học
    predicted_time = float(prediction_model.predict([[vehicle_flow, 100]])[0][0])
    optimal_green = max(15, min(int(predicted_time), 75))
    
    # Phát lệnh điều khiển thời gian thực về thiết bị IoT
    await sio.emit('traffic_light_command', {
        'lane_id': data.get('lane_id'),
        'green_time': optimal_green,
        'yellow_time': 3
    })

if __name__ == '__main__':
    uvicorn.run("server:app", host="0.0.0.0", port=8000, reload=False)

Testing và validation

Hệ thống được thử nghiệm toàn diện trên môi trường Traffic Simulation qua 11 cấp độ lưu lượng phương tiện từ $100\text{ veh/h}$ đến $1.100\text{ veh/h}$.

  Lưu lượng (veh/h)     Thời gian đèn xanh (s)     Trạng thái hàng đợi
  ─────────────────     ──────────────────────     ───────────────────
  100 - 300             15 - 20s                   Thông thoáng, 0 xe chờ
  400 - 600             25 - 35s                   Giải phóng tức thì
  700 - 800             40 - 50s                   Hàng đợi ngắn vừa phải
  900 - 1100            60 - 75s (Max cap)         Ổn định, chống nghẽn

Kết quả đạt được

Đánh giá so sánh trực tiếp giữa Hệ thống điều khiển chu kỳ cố định truyền thống và Hệ thống máy học tự động thích ứng:

[ Lưu lượng < 700 veh/h ]
- Truyền thống: Đèn xanh cố định thừa thãi -> Làn đối diện chịu đèn đỏ vô ích
- Đề xuất (ML): Tự co ngắn đèn xanh (15s-25s) -> Giảm 41.5% thời gian chờ

[ Lưu lượng 700 - 800 veh/h ]
- Truyền thống: Bắt đầu xuất hiện dồn ứ cục bộ
- Đề xuất (ML): Tăng chu kỳ xanh lên 40s-50s -> Cân bằng 100% dòng thoát xe

[ Lưu lượng 900 - 1100 veh/h ]
- Truyền thống: Ùn tắc nghiêm trọng kéo dài qua nhiều chu kỳ đèn
- Đề xuất (ML): Cấp chu kỳ tối đa (65s-75s) kết hợp điều tiết nhịp nhàng -> Giảm 32% chiều dài hàng đợi

• Độ trễ tính toán suy luận mô hình (Inference Latency): Đạt $32\text{ms/frame}$ trên phần cứng máy tính nhúng, đáp ứng tiêu chuẩn xử lý thời gian thực ($\ge 30\text{ FPS}$).
• Độ trễ truyền nhận tín hiệu mạng Socket.IO qua Wi-Fi cục bộ: $\le 12\text{ms}$.

---

Đổi mới và đóng góp

1. Ứng dụng hiệu quả Depthwise Separable Convolution vào bài toán giao thông: Tối ưu hóa kiến trúc MobileNetV1 30 lớp giúp cắt giảm 75% lượng tham số so với GoogleNet và giảm hơn 80% số phép toán nhân cộng (Mult-Adds) so với VGG-16, cho phép nhúng trực tiếp mô hình lên các thiết bị phần cứng giá rẻ.
2. Cơ chế Hồi quy động thay thế hoàn toàn bảng tra tĩnh (Lookup Table): Dự đoán liên tục hàm thời gian $Y = f(X_1, X_2)$ phản ánh đúng đặc tính phi tuyến của dòng xe, xóa bỏ hoàn toàn hiện tượng "đèn xanh cho đường trống".
3. Mô hình kết nối IoT phi đồng bộ hiệu năng cao: Ứng dụng chuẩn ASGI và Socket.IO cho phép một máy chủ điều phối hàng trăm ngã tư đồng thời với độ trễ thấp và độ tin cậy cao.

---

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

Hệ thống có thể được lắp đặt trực tiếp tại các nút giao thông đô thị hiện hữu mà không cần đào đường đặt vòng từ cảm ứng (Inductive Loop):

1. Thu thập tín hiệu: Lắp đặt 02 - 04 Camera IP góc rộng quan sát các nhánh ngã tư.
2. Xử lý biên hoặc Máy chủ tập trung: Stream video RTSP về thiết bị Edge (Raspberry Pi/Jetson Nano) hoặc Server trung tâm để đếm xe.
3. Bộ điều khiển tín hiệu tại tủ điện: Bo mạch NodeMCU ESP8266 kết nối relay công nghiệp đóng cắt nguồn các bóng đèn LED giao thông theo lệnh qua Wi-Fi/4G.

+-------------------------------------------------------------------------+
|                  SƠ ĐỒ TRIỂN KHAI TẠI TỦ ĐIỀN ĐIỀU KHIỂN                |
+-------------------------------------------------------------------------+
| [Camera RTSP] ──(Ethernet)──► [Edge Computing / Mini PC]                |
|                                       │ (Socket.IO / Local AP)          |
|                                       ▼                                 |
| [Nguồn 220VAC] ──► [Relay Module] ◄── [NodeMCU ESP8266] (Fail-safe MCU) |
|                         │                                               |
|                         ▼                                               |
|             [Cụm Đèn Đỏ - Vàng - Xanh]                                  |
+-------------------------------------------------------------------------+

Đánh giá hiệu quả kinh tế (ROI)

• Chi phí trang bị một bộ điều khiển thông minh đề xuất (Camera IP + ESP8266 + Raspberry Pi + Phụ kiện Relay) ước tính dưới 10 triệu VNĐ/ngã tư, rẻ hơn 85% so với các hệ thống cảm biến vòng từ hoặc hệ thống SCATS/SCOOT nhập ngoại hàng trăm triệu đồng.
• Thời gian thu hồi vốn xã hội đạt được ngay trong 6 tháng đầu nhờ tiết kiệm nhiên liệu tiêu hao do giảm thời gian nổ máy chờ đợi và giảm phát thải môi trường.

---

Hạn chế và hướng phát triển

• Hạn chế kỹ thuật:
  • Mô hình thị giác máy tính bị suy giảm độ chính xác khi gặp điều kiện thời tiết cực đoan (mưa bão lớn, sương mù dày) hoặc ánh đèn pha rọi trực diện vào camera ban đêm gây lóa (Glaring).
  • Chưa xét đến ưu tiên riêng cho phương tiện giao thông công cộng (xe buýt nhanh BRT) hoặc người đi bộ qua đường.
• Hướng phát triển tiếp theo:
  • Tích hợp các backbone mới hơn như YOLOv8-nano hoặc MobileNetV3 tối ưu hóa qua TensorFlow Lite trên Google Coral Edge TPU.
  • Nghiên cứu thuật toán Học tăng cường đa tác tử (Multi-Agent Reinforcement Learning - MARL) để đồng bộ hóa chuỗi đèn liên tục (Làn sóng xanh - Green Wave) trên toàn tuyến phố.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên chuyên ngành CNTT/Mạng máy tính: Tài liệu tham khảo hoàn chỉnh về cách kết hợp giữa Học sâu (Deep Learning), Hồi quy máy học và Lập trình nhúng IoT thực tế.
• Kỹ sư phần mềm & Lập trình viên IoT: Nắm bắt kiến trúc xử lý thời gian thực sử dụng ASGI, Socket.IO và cơ chế truyền nhận dữ liệu phi đồng bộ tới vi điều khiển ESP8266.
• Cơ quan quản lý đô thị & Giao thông công chính: Cung cấp một phương án giải quyết ùn tắc với kinh phí thấp, tính linh hoạt cao và khả năng tích hợp từng bước vào lộ trình xây dựng Đô thị thông minh (Smart City).
• Nhà nghiên cứu ITS (Intelligent Transportation Systems): Nền tảng dữ liệu thực nghiệm lưu lượng giao thông $100 - 1.100\text{ veh/h}$ phục vụ các nghiên cứu mở rộng về tối ưu hóa dòng phương tiện.

---

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai giải pháp là gì?

Ở cấp độ ngã tư, hệ thống yêu cầu 01 Camera IP độ phân giải tối thiểu 720p 30fps cho mỗi làn đường, 01 bộ điều khiển trung gian NodeMCU ESP8266 kèm mạch Relay cách ly quang, và 01 thiết bị tính toán biên (Raspberry Pi 4 4GB hoặc Mini PC Core i3 không card đồ họa rời vẫn có thể chạy mượt mà mô hình MobileNetV1 đã qua lượng tử hóa).

2. Hệ thống xử lý thế nào khi xảy ra mất kết nối mạng Internet hoặc đứt kết nối Server?

Vi điều khiển ESP8266 được tích hợp bộ định thời an toàn (Watchdog/Heartbeat Timer). Nếu mất kết nối Socket.IO với máy chủ quá 3 giây, vi điều khiển sẽ tự động ngắt chế độ điều khiển động và kích hoạt chế độ dự phòng chu kỳ đèn cố định (Fixed-timer Fallback) để đảm bảo giao thông không bị gián đoạn.

3. Giải pháp có tương thích với các tủ điều khiển đèn giao thông cũ không?

Hoàn toàn tương thích. Đầu ra của module Relay từ ESP8266 được đấu nối song song hoặc thay thế trực tiếp cho các công tắc tơ cơ học điều khiển các pha đèn LED 220VAC/24VDC trong tủ điện hiện hữu.

4. Chi phí vận hành và bảo trì định kỳ bao gồm những gì?

Chi phí vận hành định kỳ rất thấp, chủ yếu bao gồm bảo dưỡng lau chùi ống kính camera định kỳ 3-6 tháng/lần và tiền điện tiêu thụ của thiết bị IoT (dưới 15W cho toàn bộ hệ thống xử lý biên).

5. Khả năng mở rộng từ 1 ngã tư đơn lẻ lên mạng lưới nhiều nút giao như thế nào?

Kiến trúc máy chủ ASGI Uvicorn hỗ trợ xử lý hàng nghìn kết nối Socket.IO đồng thời theo cơ chế non-blocking event-driven. Khi mở rộng nhiều ngã tư, chỉ cần đăng ký các Intersection_ID khác nhau lên hệ thống quản lý trung tâm mà không cần thay đổi cấu trúc nền tảng.

---

Kết luận

Đề tài "Hướng tới xây dựng hệ thống đèn giao thông thông minh dựa trên máy học" của sinh viên Thái Minh Huy và Ngô Trung Hiếu (Trường ĐH Công nghệ Thông tin - ĐHQG TP.HCM) đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng Trí tuệ nhân tạo và IoT vào bài toán tối ưu hóa giao thông đô thị. Bằng cách kết hợp linh hoạt giữa mạng nơ-ron tinh gọn MobileNetV1, mô hình Hồi quy tuyến tính trên TensorFlow 2.x, máy chủ ASGI Uvicorn và phần cứng ESP8266, hệ thống đã giải quyết thành công nhược điểm của các chu kỳ đèn cố định truyền thống, mở ra hướng đi chi phí thấp nhưng mang lại giá trị thực tiễn to lớn cho công cuộc xây dựng Giao thông thông minh tại Việt Nam.

Trích đoạn nội dung tài liệu

MỞ ĐẦU.-2¿©5£ ©5222 E212 EEEEEEEEEEEEEEEEErErrrrrreee 28 In ra na.ÔỎ 28 acc 7 ẽẽ a3. Mục tiêu của đề tài.4 Đối tượng và phạm vi nghiên cứu.1 Đối tượng nghiên cứu.------¿©-sx2z++zx+zzxerxczrxeres 31 1.2 Phạm vi nghién CỨU. 5 + S3 1k ksseesskresee 31 Chương 2_ CƠ SỞ LÝ THUYÊT.1 Tổng quan về các nghiên cứu về hệ thống đèn giao thông thông minh: 32 2.2 Các thiết bị phan cứng.- HH HH ng ikp 33 2.- cv HH HH ng 37 PS.4 Model MobileÌNetv Ì.- à St s SH HH ghê, 39 2.1 Mô hình kiẾn trúc .2 Depthwise Separable ConvolutIon.3 So sánh MobileNet với các State-of-the-art đương thời.- -«- c ssx cv kssssssiksseesessee 42 2. Cách TensorFlow hoạt động.

-- ¿5< ++ss+<cs+exsss 45 PS" vv‹ 900. HH HH HH nhiệt 46 2.2 Cấu trúc ứng dung sử dụng SocketlO .7 ASGI Web S€TV€T.- Án TH TH HH ngành 47 2.1 ASGI Web Server là gì?.2 Thành phần của ASGI.8 Kỹ thuật Machine Learning phân tích.1 Mô hình tuyến tính là gì?.2 Các loại mô hình tuyến tính thường gặp .3 Mô hình hồi quy tuyến tính .------ 5c scszxczxcsz 49 Chương 3_ TONG QUAN HE THỎNG.1 Mô hình chung. Xây dựng mô hình.1 Hệ thống Traffic Simulation.------s¿-z+cx+css+csze: 52 3.3 Ngữ cảnh hệ thong vo. Ludng đi mô hình.

¿2 22+ 2£E++EE+EE+EEeEEerkerkerrerrerree 61 3.1 Thu thập lưu lượng giao thông .2 Prediction Model tính toán dữ liệu. Server tra dữ liệu đầu ra đến Simulation System. Điều khiển trang thái đèn ở Simulation System. 63 Chương 4_ THỰC NGHIỆM VÀ ĐÁNH GIÁ.1 Phân tích dafase(.

Ăn HH HH giết 63 4.2 Kết quả thực nghiGm .1 Trường hop Traffic Flow 100 veh/h:.2 Trường hop Traffic Flow 200 veh/h:.4 Trường hop Traffic Flow 400 vehi/h:.5 Trường hop Traffic Flow 500 vehi/h:.6 Truong hop Traffic Flow 600 vehi/h:.7 Trường hop Traffic Flow 700 veh/h:.8 Trường hop Traffic Flow 800 veh/h:.9 Trường hop Traffic Flow 900 veh/h:.10 Trường hợp Traffic Flow 1000 veh/h:.11 Trường hợp Traffic Flow 1100 veh/h:.3 So sánh giữa hệ thống thủ công truyền thống và hệ thống tự động đẻ xuắt.1 Lưu lượng dưới 700 veh/h.2 Lưu lượng ở mức 700-800 vehi/h.3 Lưu lượng ở mức 900-1100 veh/h.-- -----s<<s<+ 82 Chương 5 TONG KET VÀ HƯỚNG PHAT TRIÉN. 83 51 Kết quả đạt QUOC .2 Hướng phát triỂn.-----¿ + ©+z+x++E£ExtzEEerkrrkerkerrrrrei 84 TÀI LIEU THAM KHÁO. - 2: 2 Sk‡EE‡E+EEEEEEEEEEEEEEEEEkrkerkerkee 85 DANH MỤC HÌNH ẢNH Hình 2-1 NodeMCU ESP8266. G22 2v 9 ghe 37 Hình 2-2 Raspberry ÏPI.-- c5 + 11+ 111k HH KH HH kg 38 Hình 2-3 MobileNet Body Architecture.-- ------c<++s<++<cxesess 40 Hình 2-4 Depthwise Separable ConvolutiOn.- --« «<< c+ec<s 41 Hình 2-5 Bang so sánh MobileNet với các State-of-the Art khác.

ó5 ch TH TH TH TH HH Hàn Hàn44 Hình 2-7 Mô hình hồi quy tuyến tính .--- 2:2 5¿2s+cxz+zxczsz 50 Hình 3-1 Mô hình chung hệ thống .------ 2 5© z+E£+z+£xezzxcrsz 51 Hình 3-2 Traffic SimulatIOH. - s5 2 +22 £+3*‡++EE+eeeeesreeresererers 52 Hình 3-3 Dataset.- - HH ng tt 54 Hình 3-4 Mô hình tuyến tính .cecceccceccccsesssesseessesseessesssesseessesseessesseesseess 57 Hình 3-5 Mô hình dự đoán.---- + x12 2 2 9 ng ngư 58 Hình 3-6 Điều khiến thủ công thời gian các đèn .----- 60 Hình 3-7 Thu thập lưu lượng giao thông .--- --- 5 +s++<£++++ 61 Hình 3-8 Prediction Model tính toán đữ liệu .------ -----<55- + 62 Hình 3-9 Server tra dit liệu đầu ra đến Simulation System. 63 Hình 4-1 Các trạng thái Traffic Jam.- 255555 <£+++seessseeeses 64 Hình 4-2 Biéu đồ thông số đèn giao thông ở mức 100 veh/h. 65 Hình 4-3 Tình trạng giao thông ở mức 100 veh/h.-- --‹-- 65 Hình 4-4 Biéu đồ thông số đèn giao thông ở mức 200 veh/h.

66 Hình 4-5 Tinh trạng giao thông ở mức 200 veh/h.-- ----- 67 Hình 4-6 Biéu đồ thông số đèn giao thông ở mức 300 veh/h. 68 Hình 4-7 Tình trạng giao thông ở mức 300 veh/h.--- --‹-- 68 Hình 4-8 Biéu đồ thông số đèn giao thông ở mức 400 veh/h. 69 Hình 4-9 Tinh trang giao thông ở mức 400 veh/h. «5 70 Hình 4-10 Biểu đồ thông số đèn giao thông ở mức 500 veh/h.

71 Hình 4-11 Tinh trạng giao thông ở mức 500 veh/h.- -- 71 Hình 4-12 Biéu đồ thông số đèn giao thông ở mức 600 veh/h. 72 Hình 4-13 Tinh trạng giao thông ở mức 600 veb/h .- ---- 73 Hình 4-14 Biểu đồ thông số đèn giao thông ở mức 700 veh/h. 74 Hình 4-15 Tình trạng giao thông ở mức 700 veh/h.-- -- 74 Hình 4-16 Biểu đồ thông số đèn giao thông ở mức 800 veh/h. 75 Hình 4-17 Tinh trạng giao thông ở mức 800 veh/h.

---‹-- 76 Hình 4-18 Biểu đồ thông số đèn giao thông ở mức 900 veh/h. 71 Hình 4-19 Tình trạng giao thông ở mức 1000 veh/h.- -- 77 Hình 4-20 Biéu đồ thông số đèn giao thông ở mức 1000 veh/h. 78 Hình 4-21 Tinh trạng giao thông ở mức 1000 veh/h.- -- 79 Hình 4-22 Biéu đồ thông số đèn giao thông ở mức 1100 veh/h. 80 Hình 4-23 Tình trạng giao thông ở mức 1100 veh/h.

-- 80 Hình 4-24 So sánh 2 hệ thống ở lưu lượng dưới 700 veh/h. 81 Hình 4-25 So sánh 2 hệ thống ở lưu lượng 700-800 veh/h. 82 Hình 4-26 So sánh 2 hệ thống ở lưu lượng 900-1100 veh/h. 83 DANH MỤC THUẬT NGỮ TỪ VIET TAT DIEN GIAI Artificial Intelligence AI Trí tuệ nhân tạo Machine Learning ML May hoc Deep Learning DL Hoc sau Asynchronous Server ASGI Giao diện công vào máy chủ không đồng bộ Gateway Interface Web Server Gateway WSGI Giao diện công máy chủ web Interface Simulation Gia lap Function Hàm chức năng Client/Server May khach/May chu TOM TAT KHÓA LUẬN Đất nước chúng ta đang ngày càng phát triển, cùng với đó là sự phát triển nhanh chóng của các đô thị lớn như Hà Nội, thành phó Hồ Chi Minh, Da Nang, Hải Phòng,.

Song song với sự phát triển đô thị ấy là sự gia tăng của người cũng như phương tiện di chuyền trong các thành phô lớn. Điều này đã gây ra tinh trạng ùn tắc giao thông vô cùng nghiêm trọng tại các đô thị ở cả nước ta hiện nay. Sau khi đánh giá về vấn đề này, nhóm chúng tôi bắt đầu xây dựng một hệ thống thông minh điều khién giao thông tại các ngã tư. Dựa vào lưu lượng giao thông trên một tuyến đường trong ngã tư, từ đó xác định thời gian đèn xanh — đỏ trên con đường đó.

Kết quả chạy thực nghiệm trên hệ thống Simulation cho thấy giải pháp chúng tôi đề xuât có những kêt quả chính xác trong nhiêu ngữ cảnh. Dựa trên kết quả nghiên cứu của khóa luận, hệ thống sẽ được tiếp tục xây dựng và hoàn thiện, phương pháp đề xuất sẽ được đánh giá chính xác và khách quan hơn, hệ thống sẽ đươc mở rộng đề giảm ùn tắc giao thông. Tiến tới xây dựng một hệ thống điều khiến giao thông thông minh với ngân sách hợp lý. 26 Chuong 1 MO DAU 1.1 Tén đề tài HƯỚNG TỚI XÂY DỰNG HỆ THÓNG ĐÈN GIAO THÔNG THÔNG MINH DỰA TRÊN MÁY HỌC.2 Dat vấn đề Un tắc giao thông van đang là một van dé nan giải đối với các đô thị lớn trên thé giới trong đó có Việt Nam.

Tình trạng ùn tắc sẽ dẫn tới nhiều hậu quả đáng tiếc nếu như không có biện pháp đúng đắn để giải tỏa vấn đề này. Tính đến nay, tình trạng ùn tắc của nước ta đang ở con số đáng báo động, hiện trạng ùn tắc đã đạt mức trở thành một trong những vấn nạn nhức nhối trong xã hội. Theo thống kê được báo cáo năm 2012, tình trạng ùn tắc ở nước ta vô cùng nghiêm trọng và phức tạp, đặc biệt là hai thành phố trọng điểm Hà Nội và thành phố Hồ Chí Minh. Cũng theo báo cáo trên, năm 2012, Hà Nội có sáu mươi bảy điểm ùn tắc trong khi đó thành phố Hồ Chí Minh sở hữu bảy mươi sáu điểm ùn tắc giao thông, gây ra nhiều hậu quả xấu.

Đến năm 2014, tình trạng ùn tắc điểm được giảm thiểu thì tình trạng ùn tắc cục bộ lại diễn ra khiến cho người dân vô cùng bức xúc cũng như gây thiệt hại lớn tới nền kinh tế nước nhà. Theo thống kê của Cơ quan Hợp tác quốc tế Nhật Bản đáng giá, ùn tắc giao thông ở nước ta là vô cùng trầm trọng đặc biệt vào những giờ cao điểm như sáng sớm và chiều tối. Nếu chú ý nghe đài báo hoặc xem tivi, chúng ta không khó dé bắt gặp những hình ảnh ùn tắc kéo dài khi tham gia giao thông của các phương tiện. Ở Hà Nội, một số tuyến đường chính, nội đô luôn thường xuyên lâm vào tình trạng tắc nghẽn kéo dài, tram trọng như Dé La Thanh, Minh Khai, Kim Liên, Giải Phóng,.

Những cuộc ùn tắc này đôi khi kéo dài hàng giờ đồng hồ gây ảnh hưởng không nhỏ tới người dân cũng 28 như kinh tế của đất nước. Mặc dù, các đồng chí cảnh sát giao thông liên tục điều tiết thế nhưng tình trạng tắc nghẽn vẫn diễn ra liên tục. Tính từ năm 2008 đến nay, đã có hon 1.379 vụ ùn tac giao thông kéo dài trên một giờ đồng hồ, và trong đó, thủ đô Ha Nội góp 336 vụ, chiếm 24.4%, Sài Gòn là 227 vụ chiếm 16. Có thê nói, ùn tắc giao thông đang khiến cho toàn thê người dân lo lắng mỗi khi bước chân ra khỏi nhà.

Nguyên nhân được chỉ ra ở đây là do ý thức của người tham gia giao thông khi lưu thông trên đường. Như chúng ta thấy, phương tiện chính chủ yếu của người dân Việt tham gia giao thông là xe máy khá nhỏ, điều này khiến cho người dân thường xuyên chiếm làn, lách làn của xe ô tô, gây nên tình hình tắc cục bộ, không thé di chuyền. Nguyên nhân thứ hai được cho là cơ cấu tỷ lệ phương tiện giao thông ở nước ta vô cùng mắt cân đối. Nếu như ở Hà Nội, theo thống kê được báo cáo, năm 2013, xe máy chiếm tới 75.4%, con số này ở Hồ Chí Minh là 91.3%, Hải Phòng là 92.

đều là những con số vô cùng lớn. Sự mất cân đôi này gây ra nhiều hậu quả nghiêm trọng như phương tiện di chuyên hỗn hợp, không tách làn đường, gây ra tai nạn cũng như gây ùn tắc nêu có quá nhiều phương tiện cùng tham gia giao thông tại cùng thời điểm. Thế nhưng, nguyên nhân chính ở đây được cho là cơ sở hạ tầng của Việt Nam còn khá thấp kém, chưa đáp ứng được nhu cầu tham gia giao thông của người dân, chưa được cải tạo, nâng cấp đúng mức với số lượng người dân. Đồng thời, như chúng ta thấy, tại Hà Nội và Sài Gòn, mạng lưới đường xá đô thị liên tục cắt nhau với nhiều nút giao nhau, điều này cũng một phần gây nên sự ùn tắc khi người dân tham gia giao thông.

Cùng với đó, công tác tuyên truyền, giáo dục người dân chưa được quan tâm đúng mức, còn yếu kém, chưa sâu sát cũng như được diễn ra liên tục, bền bỉ.