Khóa luận: Ứng dụng mạng neuron nhân tạo nhận dạng trong GIS - ĐH Nông Lâm

Nghiên cứu ứng dụng mạng neuron nhân tạo trong bài toán nhận dạng GIS, giúp nâng cao độ chính xác và tự động hóa xử lý dữ liệu không gian hiệu quả.

• Tác giả: Nguyễn Ngọc Minh Tiến
• Người hướng dẫn: Th.S Khưu Minh Cảnh
• Trường học: Trường Đại học Nông Lâm Thành phố Hồ Chí Minh
• Chuyên ngành: Hệ thống Thông tin Địa lý
• Đề tài: Nghiên cứu áp dụng mạng neuron nhân tạo phục vụ bài toán nhận dạng trong GIS
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2016
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về mạng neuron nhân tạo và bài toán nhận dạng trong GIS

Hệ thống thông tin địa lý (GIS) lưu trữ và phân tích dữ liệu không gian phức tạp. Công nghệ này quản lý đồng thời cả thuộc tính hình học và dữ liệu mô tả theo thời gian. Tuy nhiên, khối lượng dữ liệu địa không gian ngày càng lớn. Nhu cầu xử lý tự động và phát hiện quy luật phi tuyến tính trở nên cấp thiết. Mạng neuron nhân tạo (ANN) xuất hiện như một giải pháp tính toán vượt trội. ANN mô phỏng mạng lưới thần kinh sinh học để học hỏi từ các tập mẫu quan sát. Mô hình này đóng vai trò cơ chế xấp xỉ hàm tùy ý với tốc độ cao. Khi tích hợp vào GIS, mạng neuron giúp mở rộng năng lực nhận dạng không gian. Thuật toán phân tích các mối liên hệ ngầm giữa các lớp bản đồ. Quá trình phân loại đối tượng địa lý diễn ra nhanh chóng và chính xác. Sự kết hợp giữa GIS và trí tuệ nhân tạo tạo ra công cụ đắc lực cho phân tích địa lý định lượng. Kỹ thuật này giải quyết triệt để các hạn chế của phương pháp thống kê truyền thống trên dữ liệu lớn.

1.1. Khái niệm cơ bản về hệ thống GIS và mạng neuron nhân tạo

GIS đóng vai trò nền tảng thu thập và biểu diễn không gian địa lý. Hệ thống xử lý đồng bộ tọa độ không gian và các trường thuộc tính đi kèm. Trong khi đó, mạng neuron nhân tạo là cấu trúc xử lý thông tin song song. Cấu trúc này bao gồm các nút neuron liên kết chặt chẽ qua các trọng số. Mỗi neuron tiếp nhận tín hiệu đầu vào, tính toán tổng trọng số và áp dụng hàm kích hoạt. Mạng neuron có khả năng tự điều chỉnh thông qua quá trình huấn luyện mẫu. Nhờ đó, mô hình tự học quy luật ẩn bên trong các phân bố địa lý phức tạp. Sự kết hợp giữa hai công cụ tạo nên hệ thống nhận dạng không gian thông minh.

1.2. Vai trò của nhận dạng không gian trong hệ thống thông tin địa lý

Nhận dạng không gian là bài toán phân loại và xác định quy luật của các hiện tượng địa lý. Bài toán này bao gồm phân vùng nguy cơ, nhận diện điểm nóng và phân nhóm không gian. Dữ liệu địa lý thực tế thường chứa nhiễu và mối quan hệ phi tuyến. Các phương pháp thống kê cổ điển thường gặp khó khăn khi số chiều dữ liệu tăng cao. Mạng neuron nhân tạo giải quyết thách thức này bằng cách ánh xạ dữ liệu đa biến. Mô hình tự động trích xuất các đặc trưng không gian quan trọng mà không cần giả định phân phối chuẩn. Kết quả nhận dạng hỗ trợ đắc lực cho công tác quản lý tài nguyên và quy hoạch hạ tầng.

II. Thách thức phân tích tương quan và nhận dạng dữ liệu trong GIS

Quá trình phân tích dữ liệu không gian trong GIS thường đối mặt với nhiều thách thức phức tạp. Hiện tượng tai nạn giao thông tại đô thị lớn là một ví dụ điển hình. Các vụ tai nạn xảy ra phụ thuộc vào nhiều yếu tố như thời gian, địa điểm, mật độ giao cắt và loại phương tiện. Ban đầu, các nhà nghiên cứu thường sử dụng phương pháp đánh giá hệ số tương quan để lọc biến số. Tuy nhiên, hệ số tương quan tuyến tính giữa các yếu tố không gian thường đạt giá trị rất thấp. Các yếu tố này không phản ánh mối quan hệ đơn tuyến với nguy cơ tai nạn. Phương pháp tương quan tuyến tính vì vậy không thể cung cấp cơ sở tin cậy để lựa chọn biến đầu vào cho mô hình học máy. Hơn nữa, việc xác định tính lặp lại của các sự kiện không gian gặp sai số do định vị GPS. Sự trùng lắp vị trí đòi hỏi các thuật toán xử lý không gian chuyên biệt. Khi các tiêu chí tuyến tính thất bại, nghiên cứu buộc phải chuyển hướng sang tiếp cận phi tuyến tính bằng mạng neuron.

2.1. Giới hạn của phương pháp đánh giá tương quan tuyến tính

Trong phân tích GIS, việc đánh giá tương quan thường dùng để sàng lọc 8 yếu tố chính gồm số người, thời gian, thứ, khu vực, vị trí giao cắt, tính lặp lại, phương tiện và tình trạng tai nạn. Thực tế chứng minh các hệ số tương quan thu được đều có giá trị rất thấp. Các hiện tượng địa lý mang đặc trưng phức tạp và phi tuyến. Một yếu tố đơn lẻ không thể tạo ra biến động rõ rệt trên kết quả chung. Việc loại bỏ biến dựa trên tương quan thấp sẽ làm mất các thông tin giá trị. Do đó, mô hình cần cơ chế tổ hợp toàn diện hơn.

2.2. Khó khăn trong nhận diện điểm nóng tai nạn có tính lặp lại

Xác định các vụ tai nạn có tính lặp lại tại cùng một vị trí là yêu cầu then chốt trong phân tích không gian. Tọa độ thực tế thu thập bằng GPS thường có độ lệch từ 10m đến 50m. Sai số này khiến các vụ tai nạn cùng điểm không trùng khớp hoàn toàn trên bản đồ số. Để giải quyết, kỹ thuật tạo vùng đệm (buffer) với bán kính 25m được áp dụng. Các vụ tai nạn có vùng đệm giao cắt nhau sẽ được gộp thành điểm nóng lặp lại. Quá trình này tạo tiền đề dữ liệu sạch cho mạng neuron huấn luyện.

III. Phương pháp mạng lan truyền ngược giải quyết bài toán trong GIS

Mạng neuron truyền thẳng huấn luyện bằng thuật toán lan truyền ngược (Backpropagation) là giải pháp tối ưu cho bài toán nhận dạng GIS. Cấu trúc mạng gồm ba thành phần: lớp đầu vào, các lớp ẩn và lớp đầu ra. Thuật toán hoạt động theo nguyên lý lan truyền tín hiệu về phía trước và lan truyền sai số ngược lại. Quá trình này sử dụng phương pháp giảm độ dốc (Gradient Descent) để cập nhật trọng số liên kết. Về mặt cấu trúc, các nghiên cứu chứng minh chỉ cần một lớp ẩn là đủ để xấp xỉ hầu hết các hàm phi tuyến thực tế. Việc sử dụng quá nhiều lớp ẩn làm tăng nguy cơ rơi vào cực trị địa phương và kéo dài thời gian huấn luyện. Hàm kích hoạt Sigmoid và Bipolar Sigmoid (tansig) đóng vai trò quyết định trong việc phi tuyến hóa dữ liệu. Hàm Sigmoid giới hạn tín hiệu trong khoảng [0,1], trong khi hàm tansig chuẩn hóa trong khoảng [-1,1]. Đạo hàm đơn giản của các hàm này giúp giảm thiểu đáng kể chi phí tính toán khi xử lý dữ liệu GIS quy mô lớn.

3.1. Thuật toán lan truyền ngược và cách chọn cấu trúc lớp ẩn

Thuật toán lan truyền ngược điều chỉnh trọng số mạng theo hướng giảm thiểu sai số bình phương trung bình. Trong thiết kế mạng neuron cho GIS, số lượng lớp ẩn giữ vai trò then chốt. Mạng có một lớp ẩn duy nhất được ưu tiên lựa chọn. Cấu trúc này vừa đảm bảo khả năng xấp xỉ hàm tùy ý, vừa tránh hiện tượng bùng nổ gradient sai số. Ngoài ra, việc hạn chế lớp ẩn giúp thuật toán tránh mắc kẹt tại các điểm cực trị địa phương. Tốc độ hội tụ của mô hình được cải thiện rõ rệt khi huấn luyện trên tập dữ liệu lớn.

3.2. Vai trò của các hàm kích hoạt Sigmoid và Bipolar Sigmoid

Hàm kích hoạt quyết định mức độ phát tín hiệu của mỗi neuron ra lớp tiếp theo. Hàm Sigmoid tiêu chuẩn phù hợp cho các bài toán phân loại nhị phân với đầu ra thuộc đoạn [0,1]. Trong khi đó, hàm Sigmoid lưỡng cực (tansig) mở rộng miền giá trị sang đoạn [-1,1]. Cả hai hàm đều có tính chất liên tục và đạo hàm trơn tru. Đặc tính này giúp tối ưu hóa thuật toán gradient trong pha lan truyền ngược sai số. Việc lựa chọn hàm kích hoạt phù hợp giúp mô hình nhận dạng chính xác các mối quan hệ không gian phi tuyến.

IV. Ứng dụng thực tiễn mạng neuron nhân tạo và định hướng phát triển

Sự kết hợp giữa mạng neuron nhân tạo và hệ thống GIS mở ra giải pháp đột phá trong phân tích không gian đô thị. Việc chuyển hướng từ sàng lọc tương quan đơn thuần sang tổ hợp đa yếu tố giúp tối ưu hóa cấu trúc mạng ANN. Mô hình mạng lan truyền ngược chứng minh độ chính xác cao trong nhận dạng điểm đen tai nạn giao thông tại Thành phố Hồ Chí Minh. Các nhà quản lý có thể sử dụng kết quả dự báo để thiết kế phương án phân luồng giao thông hợp lý. Ngoài ra, giải pháp này còn hỗ trợ xác định vị trí lắp đặt biển báo và đèn tín hiệu tại các nút giao cắt nguy hiểm. Trong tương lai, mô hình có thể tích hợp dữ liệu cảm biến thời gian thực và ảnh viễn thám độ phân giải cao. Sự phát triển của các kiến trúc học sâu (Deep Learning) sẽ nâng cao hơn nữa năng lực nhận dạng không gian. Tích hợp AI vào GIS là xu thế tất yếu của đô thị thông minh hiện đại.

4.1. Hiệu quả nhận dạng điểm nóng tai nạn giao thông tại đô thị

Ứng dụng mạng neuron trong GIS giúp nhận diện chính xác các nút giao có tần suất tai nạn cao. Mô hình phân loại các mức độ nguy hiểm dựa trên tổ hợp dữ liệu phương tiện, thời gian và địa bàn. Kết quả trực quan hóa trên bản đồ GIS tạo góc nhìn chi tiết cho các cơ quan chức năng. Bản đồ điểm nóng cung cấp bằng chứng thực nghiệm để triển khai các biện pháp công trình kịp thời. Việc cải tạo hạ tầng đúng trọng điểm góp phần giảm thiểu đáng kể thiệt hại về người và tài sản cho cộng đồng.

4.2. Tiềm năng mở rộng ứng dụng mạng neuron trong phân tích GIS

Nghiên cứu mở ra triển vọng ứng dụng rộng rãi cho nhiều lĩnh vực quản lý tài nguyên và môi trường. Mô hình mạng neuron có thể mở rộng để phân tích nguy cơ sạt lở đất, ngập lụt đô thị và phân vùng ô nhiễm không khí. Sự kết hợp với dữ liệu viễn thám đa phổ cho phép nhận dạng biến động sử dụng đất tự động. Việc kết hợp dữ liệu chuỗi thời gian cùng thuật toán thông minh sẽ tạo nên các hệ thống cảnh báo sớm hiệu quả. Đây là bước tiến quan trọng trong xây dựng chính quyền số và phát triển đô thị bền vững.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ 1.1 Tính cấp thiết của đề tài Sự phát triển của giao thông đƣờng bộ là một biểu hiện của sự tiến bộ của nhân loại, nhƣng một trong những mặt trái của nó là tình trạng mất an toàn và tai nạn giao thông (TNGT). Hiện nay tình trạng giao thông ngày càng gia tăng do số lƣơng phƣơng tiện cá nhân tăng theo nhu cầu của con ngƣời. Theo báo cáo của Tổ chức Y tế Thế giới (WHO) công bố năm 2013, mỗi năm, trên thế giới có khoảng 1,25 triệu ngƣời chết vì tai nạn giao thông, trung bình mỗi ngày khoảng 3.400 ngƣời chết vì TNGT trên đƣờng bộ. Tại Việt Nam, tình hình tai nạn giao thông cũng vô cùng nghiêm trọng.

Phó thủ tƣớng Nguyễn Xuân Phúc khi nói về tình trạng tai nạn giao thông phải thốt lên rằng, nhiều nƣớc đang xảy ra chiến tranh trên thế giới cũng không có nhiều ngƣời chết nhƣ ở nƣớc ta. Số liệu từ Ủy ban An toàn giao thông quốc gia cho thấy trong năm 2014, cả nƣớc xảy ra 25.322 vụ tai nạn, làm chết 8.996 ngƣời, bị thƣơng 24. Riêng tại TPHCM đã xảy ra 2.587 vụ TNGT từ ít nghiêm trọng trở lên, làm chết 2.435 ngƣời và làm 1.186 ngƣời bị thƣơng. Trung bình mỗi năm trên địa bàn thành phố xảy ra 952 vụ, làm 811 ngƣời chết và làm 395 ngƣời bị thƣơng.

Trong quá trình nghiên cứu đặc điểm phân bố TNGT trên phạm vi toàn cầu dựa trên tiêu chí mức thu nhập, các nhà khoa học đã thấy rằng các nƣớc có mức thu nhập trung bình có tỉ lệ ngƣời chết do TNGT cao nhất (20,1 ngƣời chết/100.000 dân), thấp nhất là các nƣớc có mức thu nhập cao (8,7 ngƣời chết/100.000 dân), trong khi tỉ lệ ngƣời chết do TNGT trung bình trên thế giới hiện là 18 ngƣời chết/100. Trên thực tế các nƣớc có mức thu nhập trung bình có số lƣợng phƣơng tiện giao thông chiếm 52% tổng số toàn cầu, còn các nƣớc có mức thu nhập cao chiếm 47%, nhƣ vậy số lƣợng gần ngang nhau. Điều đó cho thấy, số ngƣời chết do TNGT không tỉ lệ với số lƣợng phƣơng tiện mà do các nguyên nhân quan trọng khác nhƣ: trình độ dân trí, hiểu biết luật giao thông, ý 1 thức tham gia giao thông và kết cấu hạ tầng giao thông, độ tuổi, nghề nghiệp, loại phƣơng tiện. Chính vì vậy luận văn với đề tài “Nghiên cứu áp dụng mạng neuron nhân tạo phục vụ bài toán nhận dạng trong GIS” đã đi sâu nghiên cứu và áp dụng mạng neural nhân tạo cùng với công nghệ GIS nhằm xây dựng hệ thống giúp các nhà quản lý nhận dạng đƣợc các vụ TNGT tại thành phố Hồ Chí Minh (TPHCM) một cách nhanh chóng, hiệu quả mà chi phí thấp để từ đó các nhà quản lý có thể nắm bắt và đề ra phƣơng hƣớng cũng nhƣ kế hoạch giảm thiểu, ứng phó với tình hình TNGT hiện nay.

Đồng thời ứng dụng của đề tài có thể giúp ngƣời dân nhận thấy mối liên hệ giữa các nguyên nhân xảy ra TNGT.2 Mục tiêu của đề tài  Mục tiêu chung Sử dụng mạng neuron nhân tạo để nhận dạng tai nạn giao thông tại TPHCM.  Mục tiêu cụ thể  Phân tích đặc điểm không gian các vụ TNGT.  Đánh giá sai số sau khi chạy mạng neural.  Tìm cấu hình mạng phù hợp với bộ dữ liệu TNGT tại TPHCM.3 Kết quả mong đợi  Xây dựng đƣợc dữ liệu không gian và thuộc tính các vụ TNGT tại TPHCM.

 Đánh giá đƣợc khả năng nhận diện dữ liệu các vụ TNGT tại TPCHM bằng mạng neuron nhân tạo.4 Đối tƣợng và phạm vi nghiên cứu Thời gian thực hiện đề tài là 3 tháng từ ngày 01/03/2016 đến ngày 07/06/2016 Đối tƣợng nghiên cứu của đề tài là các vụ TNGT xảy ra tại TPHCM. Phạm vi nghiên cứu của đề tài đƣợc giới hạn tại TPHCM.5 Ý nghĩa khoa học và thực tiễn 1.1 Ý nghĩa khoa học Kết quả của đề tài cung cấp cơ sở để đánh giá việc áp dụng trí tuệ nhân tạo và khả năng khai phá thông tin vào dữ liệu TNGT tại TPHCM nói riêng cũng nhƣ dữ liệu TNGT 2 cả nƣớc nói chung trong việc nâng cao khả năng đánh giá các vụ TNGT. Đồng thời xem xét khả năng phân tích nhận diện các dạng dữ liệu khác có tính tƣơng đồng nhƣ: Nhận dạng dữ liệu các vụ trộm cắp, nhận dạng dữ liệu tình trạng kẹt xe, nhận dạng dữ liệu phòng cháy chữa cháy.2 Ý nghĩa thực tiễn Kết quả nghiên cứu của đề tài là tài liệu tham khảo hữu ích cho các cơ quan quản lý trong việc ứng dụng các công nghệ mới để nâng cao mức độ hiệu quả trong việc khai thác thông tin các vụ TNGT tại TPHCM. 3 CHƢƠNG 2 TỔNG QUAN ĐỀ TÀI 2.1 Khái quát khu vực nghiên cứu 2.1 Vị trí địa lý Hình 2.1: Bản đồ ranh giới hành chính TPHCM Thành phố Hồ Chí Minh nằm trong toạ độ địa lý khoảng 100 10’ – 100 38’ vĩ độ bắc và 1060 22’ – 1060 54’ kinh độ đông.

Thành phố Hồ Chí Minh giáp 6 tỉnh gồm:  Phía Bắc giáp tỉnh Bình Dƣơng  Tây Bắc giáp tỉnh Tây Ninh  Đông và Đông Bắc giáp tỉnh Đồng Nai 4  Đông Nam giáp tỉnh Bà Rịa -Vũng Tàu  Tây và Tây Nam giáp tỉnh Long An và Tiền Giang. Thành phố cách thủ đô Hà Nội gần 1.730km đƣờng bộ, nằm ở ngã tƣ quốc tế giữa các con đƣờng hàng hải từ Bắc xuống Nam, từ Ðông sang Tây, là tâm điểm của khu vực Đông Nam Á. Tính theo đƣờng chim bay thì trung tâm thành phố cách bờ biển Đông 50 km, sân bay quốc tế Tân Sơn Nhất cách trung tâm thành phố 7km, chiều dài của thành phố theo hƣớng Tây Bắc – Đông Nam khoảng 100 km và chiều ngang nơi rộng nhất là hơn 40 km. Thành phố Hồ Chí Minh gồm có bốn điểm cực:  Cực Bắc là xã Phú Mỹ Hƣng, huyện Củ Chi.  Cực Tây là xã Thái Mỹ, huyện Củ Chi.  Cực Nam là xã Long Hòa, huyện Cần Giờ.  Cực Đông là xã Thạnh An, huyện Cần Giờ.2 Tình hình tai nạn giao thông tại TPHCM Theo số liệu thống kê của Phòng Cảnh sát giao thông đƣờng bộ, đƣờng sắt Công an thành phố Hồ Chí Minh, trong ba năm (từ 2011 đến 2013) trên địa bàn thành phố đã xảy ra 2.587 vụ TNGT từ ít nghiêm trọng trở lên, làm chết 2.435 ngƣời và làm 1.186 ngƣời bị thƣơng. Trung bình mỗi năm trên địa bàn thành phố xảy ra 952 vụ, làm 811 ngƣời chết và làm 395 ngƣời bị thƣơng.

Trong 10 tháng đầu năm 2015 trên địa bàn TPHCM đã xảy ra 3.050 vụ tai nạn giao thông, làm bị thƣơng 2.657 ngƣời và 596 ngƣời chết. nguyên nhân gây ra tai nạn giao thông trong 10 tháng đầu năm chủ yếu do lái xe cơ giới lƣu thông không đúng phần đƣờng gây ra 113 vụ, đối tƣợng gây ra tai nạn phần lớn là xe 2 bánh gắn máy với 480 vụ chiếm 75%. Và tính đến quý 1 năm nay toàn thành phố xảy ra 823 vụ TNGT. Các vụ tai nạn này làm 199 ngƣời chết, tăng 15 ngƣời (tƣơng đƣơng mức tăng 8,15%), làm 664 ngƣời bị thƣơng (giảm 21,33% so với cùng kỳ năm ngoái).

Có 10 quận, huyện giảm đƣợc số ngƣời 5 chết vì TNGT; 11 quận, huyện tăng số ngƣời chết vì TNGT, trong đó đáng ngại nhất là ở địa bàn quận 5 và quận Tân Bình vì có tình hình TNGT tăng cao. Theo kết quả phân tích cho thấy:  Địa bàn xảy ra tai nạn: TNGT xảy ra trên tất cả các tuyến đƣờng trong đó: Quốc lộ: chiếm 8% số vụ, 17% ngƣời chết và 13% số ngƣời bị thƣơng; Tỉnh lộ: chiếm 3% số vụ, 5% ngƣời chết và 6% số ngƣời bị thƣơng; Đƣờng nội thành: chiếm 71% số vụ, 51% ngƣời chết và 59% số ngƣời bị thƣơng; Đƣờng ngoại thành: chiếm 10% số vụ, 19% ngƣời chết và 15% số ngƣời bị thƣơng.  Đối tƣợng gây tai nạn: Đối tƣợng gây TNGT rất đa dạng, trong đó Xe tải: chiếm 8,38% (tổng số vụ); Xe khách: chiếm 1,21%; Xe taxi: 0,52%; Xe buýt: chiếm 1%; Xe đầu kéo (container): chiếm 1,80%; Xe ba bánh, gắn máy: 0,42%; Xe hai bánh, gắn máy: 75,16%; Xe hai, ba bánh đạp điện: 0,94%; Bộ hành: 7,66%. Nhƣ vậy, đối tƣợng gây ra vụ TNGT đƣờng bộ chủ yếu là xe hai bánh, gắn máy (75,16%), xe tải (8,38%), bộ hành (7,66%), xe du lịch (1,8%) và xe khách (1,52%).

 Thời gian xảy ra tai nạn: Kết quả phân tích cho thấy TNGT trên địa bàn thành phố xảy ra ở tất cả các giờ trong ngày nhƣng nhiều nhất vào lúc 15h, 18h, 19h, 20h, 21h và 23h; 19h - 23h là thời gian TNGT nhiều nhất trong ngày, trong đó 18h - 21h mật độ TNGT xảy ra cao nhất; khung giờ xảy ra tai nạn thấp nhất là từ 3h đến 5h và từ 7h đến 9h. Thời điểm 6h sáng TNGT xảy ra nhiều trong khung giờ này.  Độ tuổi, giới tính thƣơng vong do TNGT: Kết quả phân tích cho thấy nam giới chết và bị thƣơng do TNGT chiếm tỉ lệ cao, cụ thể: Chết do TNGT: nam giới chiếm 83%, nữ giới chiếm 17%; Bị thƣơng do TNGT: nam giới chiếm 79%, nữ giới chiếm 21%.  Độ tuổi thƣơng vong chiếm tỉ lệ cao nhất lần lƣợt là: từ 25 - 30 tuổi (chết chiếm 17,12%, bị thƣơng chiếm 15,04%), từ 31 - 40 tuổi (chết chiếm 16,23%, bị thƣơng chiếm 42,30%), từ 19 - 24 tuổi (chết chiếm 15,06%, bị thƣơng chiếm 15,38%), từ 6 41 - 50 tuổi (chết chiếm 13,36%, bị thƣơng chiếm 10,25%), từ 51 - 60 tuổi (chết chiếm 10,29%, bị thƣơng chiếm 6,2%) và trên 60 tuổi (chiếm 9,32%, bị thƣơng chiếm 6,66%).

Điều này cho thấy, ngƣời bị thƣơng vong do tai nạn giao thông chiếm tỉ lệ cao chủ yếu là thanh niên, ngƣời trong độ tuổi lao động và đủ độ tuổi cấp giấy phép lái xe mô tô và ô tô theo luật định.2 Trí tuệ nhân tạo 2.1 Định nghĩa về trí tuệ nhân tạo Khái niệm trí tuệ nhân tạo (Artificial Intelligence- viết tắt là AI) đƣợc hiểu một cách đơn giản, trí tuệ nhân tạo là một lĩnh vực của khoa học và công nghệ nhằm làm cho máy có những khả năng trí tuệ của con ngƣời nhƣ: biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn ngữ và tiếng nói, biết học và tự thích nghi, … Một vài định nghĩa khác nhau về trí tuệ nhân tạo:  Bellman (1978) định nghĩa: Trí tuệ nhân tạo là tự động hoá các hoạt động phù hợp với suy nghĩ con ngƣời, chẳng hạn các hoạt động ra quyết định, giải bài toán.  Rich và Knight (1991) cho rằng trí tuệ nhân tạo là lĩnh vực nghiên cứu để làm cho máy tính làm đƣợc những việc mà con ngƣời đang làm tốt hơn.