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

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.