Tổng quan nghiên cứu

Tình trạng ùn tắc giao thông tại các đô thị lớn của Việt Nam như Hà Nội và Thành phố Hồ Chí Minh ngày càng nghiêm trọng, gây ảnh hưởng tiêu cực đến kinh tế và môi trường. Với tốc độ gia tăng nhanh chóng của phương tiện và nhu cầu di chuyển, hạ tầng giao thông hiện tại không thể đáp ứng được yêu cầu trong tương lai. Giải pháp xây dựng tuyến metro được xem là phương án tối ưu nhằm giảm thiểu ùn tắc, ô nhiễm và nâng cao hiệu quả vận tải công cộng. Tuy nhiên, chi phí xây dựng tuyến metro rất lớn, thường vượt xa dự toán ban đầu, dẫn đến nhiều khó khăn trong quản lý và triển khai dự án.

Mục tiêu nghiên cứu là phát triển mô hình lai ghép mới sử dụng mạng thần kinh nhân tạo (ANN) kết hợp logic mờ (Fuzzy) và thuật toán sói xám (GWO) để ước tính chính xác chi phí xây dựng tuyến metro tại Việt Nam. Nghiên cứu tập trung khảo sát các yếu tố ảnh hưởng đến chi phí xây dựng, thu thập ý kiến chuyên gia, xây dựng và thử nghiệm mô hình trên dữ liệu thực tế từ các dự án metro trong nước và quốc tế. Phạm vi nghiên cứu bao gồm các tuyến metro tại Hà Nội và TP. Hồ Chí Minh, với dữ liệu thu thập từ năm 2010 đến 2020.

Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp công cụ dự báo chi phí xây dựng metro chính xác hơn, giúp các nhà quản lý lập kế hoạch tài chính, kiểm soát chi phí và giảm thiểu rủi ro phát sinh trong quá trình thi công. Mô hình cũng góp phần nâng cao hiệu quả đầu tư công trình giao thông trọng điểm quốc gia, đồng thời hỗ trợ phát triển bền vững hệ thống giao thông đô thị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên ba lý thuyết và mô hình chính:

  • Mạng thần kinh nhân tạo (ANN): Là mô hình học máy mô phỏng cấu trúc và chức năng của mạng nơ-ron sinh học, có khả năng xử lý dữ liệu phức tạp, phi tuyến và không chắc chắn. ANN được sử dụng để dự báo chi phí xây dựng dựa trên các biến đầu vào đa chiều.

  • Logic mờ (Fuzzy Logic): Được phát triển bởi Zadeh (1965), cho phép xử lý các thông tin không chính xác, không rõ ràng bằng cách sử dụng các hàm thành viên và tập mờ. Logic mờ giúp mô hình hóa các yếu tố ảnh hưởng chi phí có tính chất mơ hồ, không ràng buộc cứng nhắc.

  • Thuật toán sói xám (Grey Wolf Optimizer - GWO): Thuật toán tối ưu dựa trên hành vi săn mồi và phân cấp xã hội của bầy sói xám, được dùng để tối ưu tham số mô hình ANN và logic mờ nhằm giảm thiểu sai số dự báo.

Các khái niệm chính bao gồm: hàm thành viên Gaussian, hàm thành viên tam giác, mô hình ANFIS (Adaptive Neuro Fuzzy Inference System) – sự kết hợp giữa ANN và logic mờ, và các phép toán trên tập mờ như hợp, giao, bổ sung.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ khảo sát ý kiến của 150 chuyên gia có kinh nghiệm trong lĩnh vực xây dựng và quản lý dự án metro tại Việt Nam, cùng với dữ liệu thực tế từ các dự án metro trong nước và quốc tế như Tokyo, Singapore, Novi Sad. Dữ liệu khảo sát được xử lý bằng phần mềm SPSS để đảm bảo độ tin cậy và tính chính xác.

Phương pháp phân tích bao gồm xây dựng mô hình ANFIS kết hợp thuật toán GWO trên nền tảng Matlab. Cỡ mẫu 150 chuyên gia được chọn theo phương pháp lấy mẫu thuận tiện với tỷ lệ mẫu đảm bảo theo quy tắc 5:1. Quá trình nghiên cứu gồm các bước: khảo sát, xử lý dữ liệu, xây dựng mô hình, huấn luyện và kiểm định mô hình trên bộ dữ liệu thử nghiệm.

Timeline nghiên cứu kéo dài từ tháng 2/2019 đến tháng 6/2020, bao gồm thu thập dữ liệu, phát triển mô hình, thử nghiệm và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xác định các yếu tố ảnh hưởng chính đến chi phí xây dựng metro: Qua khảo sát 150 chuyên gia, có 26 yếu tố được xác định ảnh hưởng trực tiếp đến chi phí, trong đó các yếu tố như loại kết cấu đường ray, số lượng ga, điều kiện thi công, chi phí tài chính và chi phí dự phòng được đánh giá có mức ảnh hưởng cao (trên 80% ý kiến đồng thuận).

  2. Hiệu quả mô hình ANFIS kết hợp GWO: Mô hình lai ghép mới cho sai số trung bình tuyệt đối (MAPE) dưới 5%, thấp hơn đáng kể so với các mô hình ANN truyền thống (MAPE khoảng 7-25%) và các mô hình SVM (MAPE khoảng 7%). Thời gian huấn luyện mô hình giảm 30% so với ANN thuần túy nhờ tối ưu tham số bằng GWO.

  3. So sánh với dữ liệu thực tế: Mô hình dự báo chi phí xây dựng tuyến metro Cát Linh - Hà Đông và tuyến metro số 1 TP. Hồ Chí Minh cho kết quả dự báo sát với chi phí thực tế, sai số dưới 3%, thể hiện tính ứng dụng cao trong thực tiễn.

  4. Khả năng mở rộng mô hình: Mô hình có thể áp dụng cho các dự án metro khác và các công trình giao thông đô thị có cấu trúc phức tạp, nhờ khả năng xử lý dữ liệu phi tuyến và mơ hồ.

Thảo luận kết quả

Nguyên nhân mô hình mới đạt hiệu quả cao là do sự kết hợp giữa ANN và logic mờ giúp mô hình vừa có khả năng học từ dữ liệu vừa xử lý được các yếu tố không chắc chắn, trong khi thuật toán GWO tối ưu hóa tham số mạng thần kinh, giảm thiểu sai số và tăng tốc độ huấn luyện. Kết quả này phù hợp với các nghiên cứu quốc tế về ứng dụng ANFIS và GWO trong dự báo chi phí xây dựng.

Việc khảo sát chuyên gia giúp thu thập dữ liệu đầu vào đầy đủ và chính xác, góp phần nâng cao độ tin cậy của mô hình. Các biểu đồ phân tích tần suất ý kiến chuyên gia và bảng so sánh sai số dự báo minh họa rõ ràng sự vượt trội của mô hình mới.

Ý nghĩa của kết quả là cung cấp công cụ dự báo chi phí xây dựng metro hiệu quả, giúp giảm thiểu rủi ro tài chính và nâng cao hiệu quả quản lý dự án, đồng thời góp phần phát triển bền vững hệ thống giao thông đô thị tại Việt Nam.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình ANFIS-GWO trong giai đoạn lập dự toán: Các cơ quan quản lý dự án metro nên sử dụng mô hình này để dự báo chi phí xây dựng ngay từ giai đoạn chuẩn bị dự án nhằm nâng cao độ chính xác và giảm thiểu sai lệch dự toán. Thời gian áp dụng: ngay trong các dự án metro đang triển khai và các dự án mới.

  2. Tăng cường thu thập và cập nhật dữ liệu chuyên gia: Định kỳ tổ chức khảo sát ý kiến chuyên gia và cập nhật dữ liệu thực tế để mô hình luôn phản ánh chính xác các yếu tố ảnh hưởng chi phí trong điều kiện thực tế thay đổi. Chủ thể thực hiện: các viện nghiên cứu, trường đại học và cơ quan quản lý giao thông.

  3. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo về mô hình ANFIS và thuật toán GWO cho cán bộ kỹ thuật, quản lý dự án nhằm nâng cao năng lực ứng dụng công nghệ mới trong quản lý chi phí xây dựng. Thời gian: trong vòng 12 tháng tới.

  4. Mở rộng nghiên cứu ứng dụng mô hình cho các công trình giao thông khác: Nghiên cứu tiếp tục phát triển mô hình để áp dụng cho các loại công trình hạ tầng giao thông khác như đường cao tốc, cầu cống nhằm tối ưu hóa chi phí đầu tư toàn ngành. Chủ thể thực hiện: các tổ chức nghiên cứu và trường đại học chuyên ngành xây dựng.

Đối tượng nên tham khảo luận văn

  1. Các nhà quản lý dự án giao thông đô thị: Giúp nâng cao khả năng dự báo và kiểm soát chi phí xây dựng metro, từ đó lập kế hoạch tài chính hiệu quả và giảm thiểu rủi ro phát sinh.

  2. Chuyên gia tư vấn và thiết kế công trình giao thông: Cung cấp công cụ hỗ trợ đánh giá chi phí dự án chính xác, phục vụ cho việc thiết kế và đề xuất giải pháp kỹ thuật phù hợp.

  3. Các nhà nghiên cứu và sinh viên ngành quản lý xây dựng, kỹ thuật giao thông: Là tài liệu tham khảo quý giá về ứng dụng mạng thần kinh nhân tạo, logic mờ và thuật toán tối ưu trong lĩnh vực xây dựng hạ tầng giao thông.

  4. Cơ quan quản lý nhà nước về giao thông và đầu tư công: Hỗ trợ trong việc xây dựng chính sách, quy chuẩn và hướng dẫn lập dự toán chi phí xây dựng các dự án metro và công trình giao thông trọng điểm.

Câu hỏi thường gặp

  1. Mô hình ANFIS-GWO có ưu điểm gì so với các mô hình truyền thống?
    Mô hình kết hợp ANN và logic mờ giúp xử lý dữ liệu phi tuyến và không chắc chắn hiệu quả, trong khi thuật toán GWO tối ưu tham số mạng thần kinh, giảm sai số và tăng tốc độ huấn luyện, cho kết quả dự báo chính xác hơn.

  2. Dữ liệu khảo sát chuyên gia được thu thập như thế nào?
    Nghiên cứu thu thập ý kiến của 150 chuyên gia trong lĩnh vực xây dựng và quản lý dự án metro tại Việt Nam thông qua bảng câu hỏi chi tiết, sau đó xử lý bằng phần mềm SPSS để đảm bảo độ tin cậy.

  3. Mô hình có thể áp dụng cho các dự án metro khác không?
    Có, mô hình được thiết kế linh hoạt, có thể mở rộng áp dụng cho các dự án metro khác và các công trình giao thông đô thị phức tạp nhờ khả năng xử lý đa biến và dữ liệu mơ hồ.

  4. Sai số dự báo của mô hình là bao nhiêu?
    Mô hình đạt sai số trung bình tuyệt đối (MAPE) dưới 5%, thấp hơn nhiều so với các mô hình ANN truyền thống và SVM, thể hiện độ chính xác cao trong dự báo chi phí xây dựng.

  5. Thuật toán sói xám (GWO) đóng vai trò gì trong mô hình?
    GWO được sử dụng để tối ưu hóa các tham số của mạng thần kinh và logic mờ, giúp giảm thiểu sai số dự báo và rút ngắn thời gian huấn luyện mô hình, nâng cao hiệu quả tổng thể.

Kết luận

  • Nghiên cứu đã xác định được 26 yếu tố chính ảnh hưởng đến chi phí xây dựng tuyến metro tại Việt Nam dựa trên khảo sát chuyên gia và dữ liệu thực tế.
  • Mô hình lai ghép ANFIS kết hợp thuật toán GWO cho kết quả dự báo chi phí chính xác với sai số MAPE dưới 5%, vượt trội so với các phương pháp truyền thống.
  • Mô hình được thử nghiệm thành công trên dữ liệu các dự án metro tại Hà Nội và TP. Hồ Chí Minh, có khả năng mở rộng ứng dụng cho các dự án giao thông đô thị khác.
  • Đề xuất áp dụng mô hình trong công tác lập dự toán, đào tạo cán bộ và mở rộng nghiên cứu nhằm nâng cao hiệu quả quản lý chi phí xây dựng.
  • Các bước tiếp theo bao gồm triển khai mô hình trong thực tế dự án, cập nhật dữ liệu liên tục và phát triển thêm các công cụ hỗ trợ quản lý chi phí xây dựng.

Hành động ngay: Các cơ quan quản lý và nhà nghiên cứu nên phối hợp triển khai áp dụng mô hình để nâng cao hiệu quả đầu tư và quản lý dự án metro tại Việt Nam.