Khám Phá Dữ Liệu Từ Đại Học Quốc Gia Hà Nội: Nghiên Cứu Về Mô Hình Dự Đoán

Luận văn phân tích và mô phỏng tình trạng giao thông dựa vào khai phá dữ liệu, giúp cải thiện hiệu quả quản lý vận tải và giảm ùn tắc.

• Người hướng dẫn: PTS. Phạm Xuân Hiếu
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Khoa học máy tính
• Đề tài: Khám Phá Dữ Liệu Từ Đại Học Quốc Gia Hà Nội: Nghiên Cứu Về Mô Hình Dự Đoán
• Loại tài liệu: luận văn
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: KHÁI QUÁT BÀI TOÁN KHAI PHÁ DỮ LIỆU PHƯƠNG TIỆN VẬN TẢI
• 1.1. TỔNG QUAN VỀ DỮ LIỆU GPS
• 1.2. DỮ LIỆU PHƯƠNG TIỆN VẬN TẢI
• 1.3. ỨNG DỤNG CỦA KHAI PHÁ DỮ LIỆU PHƯƠNG TIỆN VẬN TẢI
• 2. CHƯƠNG 2: MỘT SỐ NGHIÊN CỨU VỀ PHÂN TÍCH, MÔ PHỎNG TÌNH TRẠNG GIAO THÔNG
• 2.1. THUẬT TOÁN PHÂN VÙNG TRACLUS
• 2.2. MÔ HÌNH GIAO THÔNG DỰA TRÊN "Pagerank"
• 2.3. SỬ DỤNG MÔ HÌNH MARKOV TRONG DỰ ĐOÁN ĐIỂM ĐẾN TIẾP THEO
• 2.4. SỬ DỤNG N-MMĐ ĐỂ DỰ ĐOÁN ĐIỂM ĐẾN TIẾP THEO
• 3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG PHÂN TÍCH, MÔ PHỎNG TÌNH TRẠNG GIAO THÔNG
• 3.1. TỔNG QUAN VỀ DỮ LIỆU SỬ DỤNG TRONG ĐỀ TÀI
• 3.2. ĐỊNH DẠNG DỮ LIỆU
• 3.3. DỮ LIỆU TỪ THIẾT BỊ GIÁM SÁT HÀNH TRÌNH
• 3.4. DỮ LIỆU TỪ ỨNG DỤNG ĐẶT TAXI, ĐIỀU PHỐI TAXI
• 3.5. CƠ SỞ DỮ LIỆU MONGODB
• 3.6. TÌNH HÌNH XẢN XUẤT CỦA DỮ LIỆU DỰ ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới Thiệu Khám Phá Dữ Liệu Từ ĐHQGHN Tổng Quan Chủ Đề

Bài toán khám phá dữ liệu giao thông ngày càng trở nên quan trọng. Các đơn vị quản lý và nhà khoa học đều quan tâm đến việc ứng dụng phân tích dữ liệu để giải quyết các vấn đề thực tiễn. Phân tích dữ liệu giao thông hỗ trợ nhiều ngành: vận tải (vận chuyển an toàn, tiết kiệm), giao thông (điều phối, tránh ùn tắc), quy hoạch đô thị (giải pháp quy hoạch tuyến đường, nhà ga). Gần đây, các đối tượng kinh doanh vận tải bắt buộc gắn thiết bị giám sát hành trình và hiện đại hóa bằng công nghệ thông tin, đặc biệt là thiết bị di động thông minh. Dữ liệu lớn từ các hệ thống giám sát hành trình cho phép biết vị trí hiện tại của phương tiện vận tải, thông tin đi kèm (vận tốc, người lái, sai phạm). Tuy nhiên, việc khai thác dữ liệu gặp nhiều thách thức do lượng dữ liệu lớn và nhiễu nhiều. Luận văn này đề xuất phương pháp phân vùng, mô phỏng, xếp hạng, dự đoán và gợi ý di chuyển.

1.1. Tổng quan về dữ liệu GPS Nền tảng cho khám phá dữ liệu

GPS (Hệ thống định vị toàn cầu) xác định vị trí dựa trên vị trí vệ tinh. Bộ Quốc phòng Hoa Kỳ thiết kế, xây dựng, vận hành và quản lý. Tại cùng thời điểm, tọa độ điểm trên mặt đất được xác định nếu xác định được khoảng cách từ điểm đó đến ít nhất ba vệ tinh. GPS sử dụng nguyên tắc hướng thẳng tương đối của hình học và lượng giác học. Mỗi vệ tinh liên tục phát và truyền dữ liệu trong quỹ đạo, do đó, mỗi thiết bị GPS liên tục thu thập dữ liệu quỹ đạo chính xác từ vị trí của tất cả vệ tinh. Từ tín hiệu hoặc sóng vô tuyến di chuyển ở vận tốc hằng số (thường bằng vận tốc ánh sáng), thiết bị GPS thu có thể tính khoảng cách liên quan từ GPS đến các vệ tinh khác bằng cách so sánh thời gian tín hiệu được phát đi từ vệ tinh với thời gian thiết bị GPS thu nhận tín hiệu.

1.2. Dữ liệu phương tiện vận tải Nguồn thông tin cho mô hình dự đoán

Dữ liệu phương tiện vận tải chính là một loại dữ liệu GPS, có thể có từ các thiết bị giám sát hành trình sử dụng công nghệ có sẵn (hệ thống định vị ô tô, GPSylon, Open GTS), dữ liệu từ thiết bị di động thông minh dùng trong giải quyết bài toán nghiệp vụ (ứng dụng gọi xe). Nguồn dữ liệu được lấy từ chính bài toán kinh doanh của các công ty, cá nhân kinh doanh vận tải nên thường bao gồm thêm một số thông tin hữu ích có thể khai thác (thông tin cảm biến: đóng mở cửa, điều hòa, xăng dầu, mắt thần trên taxi). Khái quát về dữ liệu của một phương tiện vận tải: thời gian, kinh độ, vĩ độ, cao độ, vận tốc, hướng di chuyển, trạng thái.

II. Thách Thức Khám Phá Dữ Liệu Giao Thông ĐHQGHN Vấn Đề Nan Giải

Việc khám phá dữ liệu giao thông đối mặt nhiều thách thức. Thứ nhất, lượng dữ liệu thu thập từ các phương tiện vận tải là rất lớn, yêu cầu khả năng xử lý và lưu trữ dữ liệu hiệu quả. Thứ hai, dữ liệu thường chứa nhiều nhiễu và sai sót do lỗi thiết bị, mất kết nối, hoặc sai lệch trong quá trình truyền dẫn. Làm sạch và tiền xử lý dữ liệu là bước quan trọng nhưng tốn thời gian. Thứ ba, dữ liệu giao thông có tính chất động và thay đổi liên tục theo thời gian, không gian và điều kiện khác nhau, đòi hỏi các mô hình dự đoán có khả năng thích ứng và học hỏi. Luận văn này tập trung vào các vấn đề này và đề xuất giải pháp để vượt qua các thách thức trong việc khai thác dữ liệu giao thông.

2.1. Lượng dữ liệu lớn Big Data từ phương tiện vận tải Bài toán xử lý

Số lượng phương tiện vận tải ngày càng tăng, dẫn đến sự bùng nổ về lượng dữ liệu thu thập được. Các hệ thống giám sát hành trình liên tục ghi lại vị trí, vận tốc, hướng di chuyển và nhiều thông tin khác của phương tiện. Big Data này đòi hỏi các công cụ và kỹ thuật xử lý dữ liệu tiên tiến để có thể khai thác thông tin hữu ích. Các phương pháp truyền thống thường không đủ khả năng xử lý lượng dữ liệu lớn như vậy, do đó cần áp dụng các giải pháp dựa trên Data Mining và Machine Learning để giải quyết.

2.2. Nhiễu và sai sót trong dữ liệu GPS Vấn đề làm sạch và tiền xử lý

Dữ liệu GPS thường không hoàn hảo và chứa nhiều nhiễu do nhiều yếu tố như điều kiện thời tiết, tín hiệu yếu, hoặc lỗi thiết bị. Những sai sót này có thể ảnh hưởng đến độ chính xác của các mô hình dự đoán và phân tích. Do đó, việc làm sạch và tiền xử lý dữ liệu là bước quan trọng để đảm bảo chất lượng dữ liệu. Các kỹ thuật lọc dữ liệu, loại bỏ giá trị ngoại lai và điền giá trị thiếu có thể được sử dụng để giảm thiểu tác động của nhiễu và sai sót.

III. Mô Hình Dự Đoán Giao Thông Dựa Trên Khai Phá Dữ Liệu ĐHQGHN

Luận văn tập trung vào xây dựng mô hình dự đoán giao thông dựa trên khám phá dữ liệu từ phương tiện vận tải. Phương pháp tiếp cận bao gồm phân vùng và phân cụm các cung đường di chuyển theo thời gian, mô phỏng luồng di chuyển của phương tiện theo vùng, xếp hạng các khu vực đón trả khách, dự đoán luồng giao thông trong các vùng, và đưa ra gợi ý di chuyển cho tài xế dựa trên mật độ giao thông và kết quả xếp hạng. Cách tiếp cận phân tích dữ liệu giao thông, cụ thể là phân tích dữ liệu hành trình thu thập từ taxi theo thời gian thực và gần thời gian thực. Mục tiêu là giúp cải thiện hiệu quả vận tải, giảm ùn tắc giao thông và hỗ trợ quy hoạch đô thị.

3.1. Phân vùng và phân cụm cung đường Kỹ thuật quan trọng trong phân tích dữ liệu

Để tìm ra quy luật di chuyển của phương tiện, việc phân vùng và phân cụm các cung đường là rất quan trọng. Luận văn sử dụng phương pháp không giám sát, cụ thể là mô hình và thuật toán Trajectory Clustering của Jae-Gil Lee và cộng sự. Các thuật toán này cho phép phân tích dữ liệu từ nhiều taxi trong cùng một ngày, trong một khoảng thời gian nhất định để tìm ra các cụm (các cung đường chung), loại bỏ dữ liệu nhiễu, cụm không đặc trưng, phục vụ cho bài toán mô phỏng luồng di chuyển, tìm ra đường đi chung, đường đi tối ưu phục vụ cho bài toán gợi ý di chuyển.

3.2. Mô phỏng luồng di chuyển theo vùng Phương pháp tiếp cận hiệu quả

Nhằm khái quát hóa và tăng hiệu năng tính toán, luận văn sử dụng tư tưởng chia vùng theo công trình của Naoto và cách chia cung thời gian theo công trình của Xiaomeng Wang và cộng sự và đề xuất cách biểu diễn mật độ theo vận tốc. Việc mô phỏng luồng di chuyển giúp hiểu rõ hơn về tình hình giao thông trong các khu vực khác nhau, từ đó có thể đưa ra các giải pháp điều chỉnh và tối ưu hóa luồng giao thông. Mô hình này cũng cho phép dự đoán được các điểm nóng giao thông và đưa ra cảnh báo sớm để giảm thiểu ùn tắc.

IV. Ứng Dụng Khám Phá Dữ Liệu ĐHQGHN Gợi Ý Tuyến Đường

Dựa trên mô hình dự đoán và phân tích dữ liệu lớn, luận văn đề xuất ứng dụng gợi ý tuyến đường cho tài xế taxi. Ứng dụng này sử dụng thông tin về mật độ giao thông, xếp hạng khu vực đón khách và kết quả dự đoán luồng giao thông để đưa ra các gợi ý di chuyển tối ưu. Tài xế có thể lựa chọn tuyến đường phù hợp nhất dựa trên các thông tin được cung cấp, giúp tiết kiệm thời gian di chuyển và tăng hiệu quả kinh doanh. Ứng dụng này có tiềm năng lớn trong việc cải thiện trải nghiệm của tài xế và hành khách, đồng thời góp phần giảm ùn tắc giao thông.

4.1. Xếp hạng khu vực đón trả khách Tiêu chí quan trọng cho gợi ý

Việc xếp hạng các khu vực đón trả khách dựa trên tần suất và số lượng khách hàng giúp tài xế có thông tin hữu ích để lựa chọn địa điểm di chuyển. Luận văn thực hiện khái quát hóa khu vực đón, trả khách theo tư tưởng chia vùng trong công trình của Naoto và cách chia cung thời gian trong công trình của Xiaomeng Wang và cộng sự. Việc này giúp tài xế có thể lựa chọn các khu vực có tiềm năng cao để đón khách, từ đó tăng thu nhập và giảm thời gian chờ đợi.

4.2. Dự đoán luồng giao thông trong vùng Nền tảng của gợi ý

Luận văn thực hiện dự đoán vùng đến kế tiếp theo công trình của Sebastián Gambs và cộng sự với cách gán nhãn dựa trên xếp hạng và mật độ, phục vụ cho bài toán gợi ý di chuyển tiếp theo. Dựa trên bài toán dự đoán luồng giao thông và xếp hạng đón khách, luận văn thực hiện đưa ra các gợi ý di chuyển cho tài xế, sử dụng các cung đường đã phân cụm để gợi ý cung đường tốt nhất. Việc dự đoán chính xác luồng giao thông giúp tài xế tránh được các khu vực ùn tắc và lựa chọn các tuyến đường thông thoáng hơn.

V. Kết Quả Nghiên Cứu Mô Hình Dự Đoán ĐHQGHN Đánh Giá Chi Tiết

Luận văn trình bày kết quả nghiên cứu mô hình dự đoán giao thông dựa trên khám phá dữ liệu từ phương tiện vận tải. Kết quả cho thấy mô hình có độ chính xác cao trong việc dự đoán luồng giao thông và gợi ý tuyến đường cho tài xế. Ứng dụng thực tế của mô hình có tiềm năng lớn trong việc cải thiện hiệu quả vận tải, giảm ùn tắc giao thông và hỗ trợ quy hoạch đô thị. Tuy nhiên, vẫn còn nhiều vấn đề cần được nghiên cứu và cải thiện, như khả năng xử lý dữ liệu thời gian thực, tích hợp thêm các yếu tố ảnh hưởng đến giao thông, và mở rộng phạm vi ứng dụng của mô hình.

5.1. Độ chính xác của mô hình dự đoán Thước đo hiệu quả

Việc đánh giá độ chính xác của mô hình dự đoán là rất quan trọng để đảm bảo tính tin cậy của kết quả. Luận văn sử dụng các chỉ số đánh giá phù hợp để đo lường khả năng dự đoán luồng giao thông và gợi ý tuyến đường. Kết quả cho thấy mô hình có độ chính xác cao, tuy nhiên vẫn còn một số trường hợp dự đoán sai do các yếu tố ngẫu nhiên hoặc dữ liệu không đầy đủ.

5.2. Khả năng ứng dụng thực tế của mô hình Tiềm năng phát triển

Mô hình dự đoán có tiềm năng lớn trong việc ứng dụng vào thực tế để giải quyết các vấn đề giao thông. Ứng dụng gợi ý tuyến đường cho tài xế taxi là một ví dụ điển hình. Ngoài ra, mô hình có thể được sử dụng để hỗ trợ quy hoạch đô thị, điều khiển giao thông thông minh và cung cấp thông tin giao thông cho người dân.

VI. Kết Luận Hướng Phát Triển Khám Phá Dữ Liệu ĐHQGHN

Luận văn đã trình bày một nghiên cứu toàn diện về khám phá dữ liệu giao thông từ phương tiện vận tải, xây dựng mô hình dự đoán hiệu quả và đề xuất ứng dụng gợi ý tuyến đường cho tài xế. Nghiên cứu này đóng góp vào việc giải quyết các vấn đề giao thông, cải thiện hiệu quả vận tải và hỗ trợ quy hoạch đô thị. Hướng phát triển trong tương lai bao gồm tích hợp dữ liệu thời gian thực, xem xét các yếu tố ảnh hưởng đến giao thông và áp dụng các kỹ thuật học máy tiên tiến để tăng cường độ chính xác của mô hình dự đoán.

6.1. Tích hợp dữ liệu thời gian thực Nâng cao tính chính xác

Việc tích hợp dữ liệu thời gian thực từ các nguồn khác nhau (camera giao thông, cảm biến, mạng xã hội) có thể giúp mô hình dự đoán cập nhật thông tin mới nhất về tình hình giao thông. Điều này sẽ giúp tăng cường độ chính xác của dự đoán và đưa ra các gợi ý tuyến đường phù hợp hơn.

6.2. Áp dụng kỹ thuật học máy tiên tiến Tối ưu hóa mô hình

Áp dụng các kỹ thuật Machine Learning (Học máy) tiên tiến như mạng nơ-ron sâu, học tăng cường có thể giúp cải thiện khả năng học hỏi và dự đoán của mô hình. Các kỹ thuật này có thể tự động tìm ra các đặc trưng quan trọng và điều chỉnh các tham số của mô hình để đạt được độ chính xác cao nhất. Ngoài ra, việc áp dụng các kỹ thuật trí tuệ nhân tạo khác có thể giúp tự động hóa quá trình phân tích và dự đoán.

Nội dung chính

Tổng quan nghiên cứu

Quá trình đô thị hóa nhanh chóng tại các đô thị lớn tại Việt Nam đã tạo ra áp lực khổng lồ lên hệ thống hạ tầng đường bộ, khiến bài toán tối ưu hóa luồng phương tiện trở nên cấp thiết. Sự phát triển mạnh mẽ của hệ thống định vị toàn cầu gồm 24 vệ tinh hoạt động liên tục kết hợp với cảm biến trên phương tiện đã tạo ra nguồn dữ liệu hành trình khổng lồ. Theo quy chuẩn quản lý vận tải năm 2018, tất cả các đơn vị kinh doanh vận tải hành khách bắt buộc phải lắp đặt thiết bị giám sát hành trình với tần suất truyền dữ liệu định kỳ từ 15 giây khi xe mở khóa điện đến 30 giây khi tắt máy. Tuy nhiên, khối lượng dữ liệu GPS thô khổng lồ thường xuyên đi kèm sai số và độ nhiễu cao, gây khó khăn lớn cho công tác phân tích và điều hành giao thông trực tiếp.

Luận văn thạc sĩ khoa học máy tính này tập trung giải quyết bài toán khai phá dữ liệu không gian - thời gian thu nhận từ các phương tiện vận tải hành khách (xe taxi) trên địa bàn thành phố Hà Nội. Mục tiêu cốt lõi của đề tài là xây dựng hệ thống phân tích, mô phỏng luồng di chuyển và dự báo tình trạng giao thông theo từng khu vực đô thị. Nghiên cứu thực hiện phân cụm các đoạn đường di chuyển phổ biến, thiết lập ma trận chuyển dịch không gian và xếp hạng các điểm nóng đón trả khách nhằm đưa ra gợi ý lộ trình tối ưu cho người lái xe. Kết quả nghiên cứu đóng vai trò quan trọng trong việc hỗ trợ doanh nghiệp vận tải cắt giảm khoảng 15% đến 20% tỷ lệ chạy rỗng, đồng thời cung cấp công cụ mô phỏng hỗ trợ các cơ quan quản lý đô thị phân luồng giao thông hiệu quả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự kết hợp chặt chẽ giữa các lý thuyết khai phá dữ liệu không gian, mô hình xếp hạng đồ thị và quá trình ngẫu nhiên rời rạc:

Thứ nhất, nguyên lý Chiều dài mô tả tối thiểu (Minimum Description Length - MDL) và thuật toán phân cụm quỹ đạo TRACLUS (Trajectory Clustering). Khung lý thuyết này chia tách một hành trình phức tạp thành các phân đoạn thẳng đặc trưng dựa trên sự cân bằng giữa tính súc tích và tính chính xác thông qua khoảng cách góc và khoảng cách vuông góc, sau đó áp dụng thuật toán gom cụm mật độ DBSCAN với hai tham số cơ bản là bán kính lân cận Epsilon và số lượng phân đoạn tối thiểu MinPts để tìm ra các tuyến đường di chuyển tiêu biểu.

Thứ hai, mô hình đồ thị liên kết PageRank có trọng số (Weighted PageRank). Lý thuyết này mở rộng thuật toán xếp hạng web truyền thống sang không gian giao thông bằng cách coi các ô lưới địa lý là các nút đồ thị và luồng di chuyển của xe taxi là các liên kết có hướng (in-link và out-link). Trọng số liên kết được xác định dựa trên lưu lượng phương tiện, số lượt đón trả khách và tỷ lệ vận tốc thực tế so với vận tốc trung bình.

Thứ ba, mô hình Xích Markov di động bậc cao (n-Order Mobility Markov Chain - n-MMC). Khái niệm này mô hình hóa chuỗi chuyển dịch vị trí của phương tiện dưới dạng một quá trình ngẫu nhiên, trong đó xác suất chuyển đến một trạng thái không gian kế tiếp phụ thuộc trực tiếp vào chuỗi n vị trí quá khứ thay vì chỉ một vị trí hiện tại như xích Markov bậc 1 truyền thống.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu thực tế thu thập từ thiết bị giám sát hành trình của Công ty TNHH Phát triển Công nghệ Điện tử Bình Anh và cơ sở dữ liệu nhật ký của ứng dụng điều phối taxi thương mại tại Hà Nội trong giai đoạn năm 2018. Cỡ mẫu nghiên cứu bao gồm hàng trăm nghìn bản ghi định vị GPS liên tục trong 30 ngày, phân tách thành hai tập dữ liệu độc lập giữa ngày làm việc trong tuần và ngày cuối tuần. Phương pháp chọn mẫu theo lát cắt thời gian liên tục được áp dụng nhằm phản ánh đầy đủ quy luật chuyển động của phương tiện theo các khung giờ cao điểm và thấp điểm.

Quy trình phân tích dữ liệu được thực hiện qua các giai đoạn: Tiền xử lý loại bỏ các tọa độ nhiễu và vận tốc bất thường; Phân chia bản đồ mạng lưới đường bộ Hà Nội thành các ô lưới hình chữ nhật đồng nhất theo tọa độ kinh độ và vĩ độ; Huấn luyện mô hình n-MMC với bậc n=2 kết hợp ma trận chuyển dịch trạng thái có gắn nhãn vận tốc (tắc, thấp, trung bình, cao) và nhãn xếp hạng vùng; Kiểm thử độ chính xác dự báo luồng di chuyển trên tập dữ liệu kiểm tra độc lập. Lý do lựa chọn mô hình n-MMC và PageRank có trọng số xuất phát từ khả năng nắm bắt bản chất lan truyền không gian của mạng lưới giao thông đô thị và tính quy luật chu kỳ trong hành vi di chuyển của tài xế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử hệ thống trên tập dữ liệu phương tiện giao thông vận tải tại Hà Nội đã mang lại 4 phát hiện quan trọng:

Một là, thuật toán TRACLUS dựa trên nguyên lý MDL đã chứng minh hiệu quả vượt trội trong việc tinh lọc dữ liệu quỹ đạo thô. Thuật toán đã loại bỏ thành công hơn 92% điểm nhiễu ngoại biên do sai số cảm biến GPS gây ra, đồng thời nén khối lượng dữ liệu tính toán xuống 35% mà vẫn bảo toàn các đặc trưng hình học của các trục đường huyết mạch.

Hai là, thuật toán PageRank có trọng số đã lượng hóa chính xác mức độ quan trọng của các ô lưới không gian đô thị. Kết quả thực nghiệm cho thấy hệ số giảm chấn d=0.85 phản ánh chân thực nhất sự chuyển dịch dòng xe giữa các vùng lân cận. Các ô lưới chứa các trung tâm thương mại lớn, bến xe và nút giao cửa ngõ có điểm số PageRank cao gấp 3 đến 5 lần so với các khu dân cư thuần túy vào khung giờ ban ngày.

Ba là, mô hình dự báo điểm đến tiếp theo 2-MMC tích hợp nhãn vận tốc đạt độ chính xác dự báo trung bình từ 64% đến 84%. Trong đó, khi phương tiện di chuyển ở trạng thái vận tốc cao trên các trục hướng tâm, xác suất chuyển dịch chính xác đến vùng đích kế tiếp đạt mức tối đa 84%, cao hơn 20% so với trường hợp phương tiện di chuyển trong điều kiện ùn tắc.

Bốn là, hiện tượng ùn tắc giao thông có tính quy luật lan truyền không gian rõ nét. Khi vận tốc trung bình tại một ô lưới giảm xuống dưới ngưỡng 10 km/h, khoảng 70% các ô lưới lân cận kết nối trực tiếp trong luồng di chuyển sẽ xuất hiện tình trạng giảm tốc độ tương tự trong khoảng thời gian từ 15 đến 30 phút sau đó.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định tính đúng đắn của việc mô hình hóa mạng lưới giao thông dựa trên chuỗi Markov bậc cao kết hợp phân vùng ô lưới. So với các nghiên cứu truyền thống chỉ sử dụng xích Markov bậc 1 với độ chính xác dao động quanh mức 45% đến 50%, việc mở rộng lên mô hình 2-MMC đã khắc phục triệt để tính chất mất trí nhớ của mô hình cũ, giúp hệ thống ghi nhận chính xác ngữ cảnh lộ trình trước đó của tài xế.

Về phương thức biểu diễn trực quan, kết quả của mô hình được minh họa hiệu quả thông qua hai dạng thức chính:

Bảng ma trận chuyển dịch trạng thái mở rộng: Trình bày chi tiết phân phối xác suất có điều kiện giữa chuỗi hai vùng xuất phát kết hợp trạng thái tốc độ với các vùng đích tiềm năng, chỉ rõ các luồng chuyển động có xác suất vượt trội trên 60%.

Bản đồ nhiệt ô lưới kết hợp biểu đồ vector luồng di chuyển: Mô tả trực quan mật độ phương tiện và dải vận tốc trung bình của từng ô không gian theo 24 khung giờ trong ngày, trong đó các đoạn đường tiêu biểu rút ra từ thuật toán phân cụm TRACLUS được hiển thị bằng các đường trục trực quan hóa hướng di chuyển chính.

Đề xuất và khuyến nghị

Dựa trên các phát hiện thực nghiệm, nghiên cứu đưa ra 4 giải pháp hành động cụ thể nhằm nâng cao hiệu quả quản lý và vận hành giao thông:

Thứ nhất, tích hợp thuật toán phân cụm quỹ đạo TRACLUS và mô hình n-MMC vào hệ thống điều phối xe trực tuyến của các doanh nghiệp vận tải hành khách. Mục tiêu là cắt giảm tối thiểu 25% thời gian chạy xe rỗng đón khách của tài xế trong vòng 6 tháng kể từ khi triển khai, do các công ty công nghệ vận tải và hợp tác xã taxi chủ trì thực hiện.

Thứ hai, ứng dụng giải thuật PageRank có trọng số vào việc phân bổ chu kỳ đèn tín hiệu giao thông thông minh tại các nút giao trọng điểm. Đề xuất Sở Giao thông Vận tải áp dụng thí điểm nhằm giảm 15% thời gian dừng chờ trung bình tại 50 nút giao có mật độ kết nối cao nhất trên địa bàn thành phố trong lộ trình 12 tháng.

Thứ ba, chuẩn hóa và đồng bộ hạ tầng thu nhận dữ liệu giám sát hành trình IoT từ các phương tiện vận tải thương mại. Cơ quan quản lý nhà nước cần ban hành hướng dẫn kỹ thuật nâng tần suất truyền bản tin định vị lên 5 đến 10 giây mỗi lần đối với 100% xe buýt và xe taxi công cộng trong giai đoạn 2024-2025 nhằm tăng độ mịn của dữ liệu không gian.

Thứ tư, xây dựng nền tảng bản đồ số dự báo ùn tắc theo thời gian thực phục vụ cộng đồng. Trung tâm điều hành giao thông đô thị cần phối hợp với các viện nghiên cứu hoàn thiện hệ thống cảnh báo sớm nguy cơ quá tải ô lưới trước 15 đến 20 phút với độ tin cậy đạt trên 80%.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và thực tiễn phong phú cho 4 nhóm đối tượng chính:

Nhóm thứ nhất là các kỹ sư khoa học dữ liệu và chuyên gia phát triển thuật toán AI trong lĩnh vực giao thông thông minh. Nhóm này có thể ứng dụng trực tiếp quy trình xử lý dữ liệu quỹ đạo GPS quy mô lớn, kỹ thuật trích xuất điểm đặc trưng theo nguyên lý MDL và thuật toán phân cụm TRACLUS vào các bài toán định tuyến thực tế.

Nhóm thứ hai là các nhà quản lý điều hành tại các doanh nghiệp vận tải, đơn vị quản lý đội xe taxi và các nền tảng gọi xe công nghệ. Luận văn cung cấp giải pháp giảm thiểu chi phí nhiên liệu, nâng cao hiệu suất phục vụ khách hàng thông qua mô hình gợi ý vùng đón khách có xác suất nhu cầu cao nhất.

Nhóm thứ ba là cán bộ quy hoạch hạ tầng đô thị tại các cơ quan quản lý nhà nước như Sở Giao thông Vận tải và Viện Quy hoạch Đô thị. Kết quả phân hạng vùng không gian và mô phỏng luồng phương tiện là cơ sở khoa học tin cậy để bố trí các điểm dừng đón trả khách cố định và điều chỉnh luồng tuyến xe công cộng.

Nhóm thứ tư là học viên cao học, nghiên cứu sinh và giảng viên chuyên ngành Khoa học máy tính, Hệ thống thông tin. Đề tài là tài liệu tham khảo chất lượng cao về phương pháp áp dụng chuỗi Markov di động bậc cao và các thuật toán đồ thị vào dữ liệu thực tế tại Việt Nam.

Câu hỏi thường gặp

Thuật toán TRACLUS giải quyết bài toán dữ liệu hành trình vượt trội hơn các phương pháp phân cụm truyền thống như thế nào? TRACLUS chia nhỏ quỹ đạo thành các phân đoạn đường đặc trưng dựa trên nguyên lý MDL thay vì gom cụm toàn bộ đường đi, giúp phát hiện chính xác các đoạn đường dùng chung bất kể điểm xuất phát và kết thúc khác nhau, đồng thời triệt tiêu trên 92% độ nhiễu cảm biến.

Tại sao mô hình xích Markov di động bậc cao n-MMC lại cần thiết cho việc dự báo điểm đến của phương tiện? Xích Markov bậc 1 chỉ xét một vị trí hiện tại nên dễ dự báo sai khi phương tiện đi qua các nút giao đa hướng. Mô hình n-MMC với n=2 lưu giữ ngữ cảnh của 2 vị trí liên tiếp trong quá khứ, nâng độ chính xác dự báo luồng di chuyển từ khoảng 45% lên đến 64% - 84%.

Tần suất gửi tín hiệu GPS 15 giây và 30 giây của thiết bị định vị tác động thế nào đến độ chính xác của nghiên cứu? Tần suất 15 giây khi xe bật máy cung cấp mật độ điểm đủ dày để nội suy chính xác vận tốc và hướng di chuyển tức thời, trong khi chu kỳ 30 giây khi tắt máy giúp tiết kiệm năng lượng và giảm tải dữ liệu lưu trữ mà không làm suy giảm độ chính xác của các phân đoạn dừng đỗ.

Làm thế nào để chuyển đổi thuật toán xếp hạng trang web PageRank sang xếp hạng vùng không gian giao thông? Các ô lưới địa lý được ánh xạ thành các trang web, còn luồng xe di chuyển giữa các ô được xem như liên kết siêu văn bản. Trọng số liên kết được tính toán dựa trên số lượt phương tiện, tỷ lệ vận tốc thực tế và số lượng khách đón trả để xác định tầm quan trọng của từng khu vực đô thị.

Hệ thống phân tích và mô phỏng này có khả năng triển khai theo thời gian thực trên quy mô toàn thành phố không? Hệ thống hoàn toàn khả thi khi vận hành thực tế nhờ tách biệt pha huấn luyện ma trận chuyển dịch ngoại tuyến và pha dự báo trực tuyến. Thời gian xử lý truy vấn dự báo vùng tiếp theo cho mỗi phương tiện chỉ mất dưới 50 mili-giây trên máy chủ tiêu chuẩn.

Kết luận

• Đề xuất thành công kiến trúc toàn diện kết hợp giữa thuật toán TRACLUS, PageRank có trọng số và xích Markov di động n-MMC để khai phá dữ liệu vận tải hành khách quy mô lớn. • Tối ưu hóa quá trình làm sạch dữ liệu hành trình thô, loại bỏ 92% nhiễu cảm biến và trích xuất thành công các đoạn tuyến di chuyển tiêu biểu trên mạng lưới đường bộ Hà Nội. • Thiết lập phương pháp phân hạng vùng đón trả khách khách quan dựa trên mật độ phương tiện và tỷ lệ vận tốc với hệ số giảm chấn chuẩn xác d=0.85. • Nâng cao độ chính xác dự báo luồng di chuyển kế tiếp lên khoảng 64% đến 84% nhờ việc gắn nhãn trạng thái vận tốc vào ma trận chuyển dịch không gian. • Mở ra giải pháp ứng dụng thực tế hỗ trợ tài xế định tuyến thông minh và cung cấp công cụ phân tích phục vụ công tác quy hoạch giao thông đô thị hiện đại.

Trong giai đoạn tiếp theo, hệ thống cần được tích hợp thêm các yếu tố thời tiết, sự kiện xã hội đột xuất và mở rộng quy mô dữ liệu sang các loại hình phương tiện vận tải cá nhân. Các tổ chức nghiên cứu và doanh nghiệp vận tải có thể tiếp cận ngay mã nguồn và mô hình thực nghiệm để triển khai giải pháp giao thông thông minh vào thực tiễn đô thị.