Tổng quan nghiên cứu

Ngành hàng không hiện nay phát triển mạnh mẽ, phục vụ nhu cầu đi lại và giao thương quốc tế. Theo Hiệp hội Vận tải Hàng không Quốc tế (IATA), lượng hành khách sử dụng dịch vụ hàng không dự kiến đạt 7,2 tỷ lượt vào năm 2035, tăng gần gấp đôi so với 3,8 tỷ lượt năm 2019. Khu vực châu Á - Thái Bình Dương được dự báo là nơi có nhu cầu di chuyển bằng đường hàng không cao nhất thế giới. Trước bối cảnh này, việc dự đoán chính xác lượng hành khách đi máy bay quốc tế trở nên cấp thiết để các hãng hàng không có thể chuẩn bị và tối ưu hóa dịch vụ.

Luận văn tập trung nghiên cứu ứng dụng công nghệ mạng nơ-ron hồi quy dài ngắn hạn (LSTM) để giải quyết bài toán dự đoán lượng hành khách đi máy bay quốc tế. Mục tiêu chính là phát triển mô hình dự báo chuỗi thời gian dựa trên dữ liệu thực tế của hãng American Airlines từ tháng 7/2005 đến tháng 3/2016 với 129 quan sát. Nghiên cứu nhằm nâng cao độ chính xác dự báo, giúp các hãng hàng không và các nhà quản lý có cơ sở dữ liệu tin cậy để hoạch định kế hoạch khai thác và phát triển dịch vụ.

Phạm vi nghiên cứu giới hạn trong việc áp dụng công nghệ LSTM cho bài toán dự báo chuỗi thời gian lượng hành khách quốc tế, không bao gồm các yếu tố kinh tế, thời tiết hay sự kiện bên ngoài. Ý nghĩa nghiên cứu được thể hiện qua việc giảm sai số dự báo, từ đó nâng cao hiệu quả vận hành và đáp ứng nhu cầu thị trường hàng không ngày càng tăng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

  • Mạng nơ-ron nhân tạo (ANN): Mô hình xử lý thông tin dựa trên cấu trúc và hoạt động của hệ thần kinh sinh vật, gồm các nơ-ron kết nối với nhau qua trọng số. ANN có khả năng học từ dữ liệu và khái quát hóa cho dữ liệu chưa từng gặp.

  • Mạng nơ-ron hồi quy (RNN): Mạng có khả năng xử lý dữ liệu chuỗi nhờ bộ nhớ trạng thái ẩn, giúp ghi nhớ thông tin các bước thời gian trước đó. Tuy nhiên, RNN truyền thống gặp khó khăn trong việc ghi nhớ thông tin dài hạn.

  • Mạng bộ nhớ dài ngắn hạn (LSTM): Phiên bản cải tiến của RNN, sử dụng các cổng (gate) để kiểm soát thông tin được lưu giữ hoặc loại bỏ, giúp giải quyết vấn đề phụ thuộc dài hạn trong chuỗi dữ liệu. LSTM gồm các thành phần chính như trạng thái tế bào, cổng vào, cổng quên và cổng ra.

  • Các kỹ thuật LSTM áp dụng:

    • LSTM hồi quy đơn giản.
    • LSTM hồi quy sử dụng phương thức cửa sổ (windowing).
    • LSTM hồi quy sử dụng bước thời gian (time steps).
    • LSTM sử dụng bộ nhớ giữa các bước.
    • LSTM xếp chồng sử dụng bộ nhớ giữa các bước (stacked LSTM).

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Tập dữ liệu số lượng hành khách đi máy bay quốc tế của hãng American Airlines từ tháng 7/2005 đến tháng 3/2016, gồm 129 quan sát, được lấy từ trang web dữ liệu mở.

  • Phương pháp phân tích:

    • Tiền xử lý dữ liệu, chuẩn hóa và chuyển đổi thành dạng ma trận phù hợp cho mô hình LSTM.
    • Xây dựng và huấn luyện các mô hình LSTM với 5 kịch bản kỹ thuật khác nhau.
    • Đánh giá hiệu quả dự báo dựa trên sai số trung bình căn bậc hai (RMSE) trên tập huấn luyện và tập kiểm thử.

  • Timeline nghiên cứu:

    • Thu thập và xử lý dữ liệu.
    • Xây dựng mô hình và thử nghiệm các kỹ thuật LSTM.
    • Đánh giá kết quả và so sánh hiệu quả các mô hình.
    • Phát triển ứng dụng dự báo trên nền tảng Windows sử dụng Python, TensorFlow, Keras và PyCharm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  • LSTM hồi quy: Mô hình đạt sai số RMSE khoảng 14.528 hành khách trên tập huấn luyện và 11.019 hành khách trên tập kiểm thử, tương ứng với tỷ lệ lỗi 0,087% và 0,066%.

  • LSTM hồi quy sử dụng phương thức cửa sổ: Giảm sai số xuống còn khoảng 14.157 trên tập huấn luyện và 10.186 trên tập kiểm thử, tỷ lệ lỗi lần lượt 0,085% và 0,061%, là mức thấp nhất trong các mô hình thử nghiệm.

  • LSTM hồi quy sử dụng bước thời gian: Sai số tăng nhẹ với RMSE khoảng 15.010 trên tập huấn luyện và 9.636 trên tập kiểm thử, tỷ lệ lỗi 0,09% và 0,058%.

  • LSTM sử dụng bộ nhớ giữa các bước: Sai số RMSE khoảng 15.152 trên tập huấn luyện và 10.315 trên tập kiểm thử, tỷ lệ lỗi 0,09% và 0,062%.

  • LSTM xếp chồng sử dụng bộ nhớ giữa các bước: Sai số cao nhất với RMSE khoảng 15.520 trên tập huấn luyện và 9.260 trên tập kiểm thử, tỷ lệ lỗi 0,093% và 0,055%.

Thảo luận kết quả

Kết quả cho thấy phương pháp LSTM hồi quy sử dụng phương thức cửa sổ có hiệu quả dự báo tốt nhất với sai số thấp nhất trên cả tập huấn luyện và kiểm thử. Điều này có thể do phương pháp này tận dụng được thông tin từ nhiều bước thời gian gần nhất để dự đoán bước tiếp theo, giúp mô hình nắm bắt xu hướng chuỗi thời gian chính xác hơn.

Các kỹ thuật khác như LSTM xếp chồng tuy có khả năng mô hình hóa phức tạp hơn nhưng lại cho sai số cao hơn, có thể do quá trình huấn luyện chưa tối ưu hoặc dữ liệu chưa đủ lớn để khai thác hết tiềm năng của mô hình sâu.

Dữ liệu có thể được trình bày qua biểu đồ so sánh đường cong thực tế và dự đoán, cũng như bảng tổng hợp sai số RMSE từng mô hình, giúp trực quan hóa hiệu quả các phương pháp.

So với các nghiên cứu khác trong lĩnh vực dự báo chuỗi thời gian, việc áp dụng LSTM với phương thức cửa sổ cho thấy tiềm năng ứng dụng cao trong dự báo lượng hành khách hàng không, góp phần nâng cao chất lượng dịch vụ và quản lý vận tải.

Đề xuất và khuyến nghị

  • Phát triển mô hình dự báo: Tiếp tục tối ưu các tham số của mô hình LSTM hồi quy sử dụng phương thức cửa sổ để giảm sai số dự báo, hướng tới tỷ lệ lỗi dưới 0,05% trong vòng 1-2 năm tới.

  • Mở rộng dữ liệu: Thu thập và tích hợp thêm các yếu tố ảnh hưởng như kinh tế, thời tiết, sự kiện lễ hội để cải thiện độ chính xác dự báo, thực hiện trong 2 năm tiếp theo bởi các trung tâm nghiên cứu và hãng hàng không.

  • Triển khai hệ thống ứng dụng: Xây dựng hệ thống dự báo tự động tích hợp vào quy trình vận hành của các hãng hàng không, với giao diện thân thiện và khả năng cập nhật dữ liệu liên tục, hoàn thành trong 1 năm.

  • Nâng cao hiệu suất xử lý: Nghiên cứu áp dụng các kỹ thuật học sâu nâng cao và tăng tốc xử lý dữ liệu lớn bằng GPU hoặc TPU, nhằm đáp ứng nhu cầu dự báo thời gian thực, triển khai trong 3 năm tới.

  • Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo chuyên sâu về công nghệ LSTM và ứng dụng trong dự báo chuỗi thời gian cho cán bộ kỹ thuật và quản lý ngành hàng không, thực hiện định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

  • Các nhà nghiên cứu và sinh viên ngành công nghệ thông tin, trí tuệ nhân tạo: Nắm bắt kiến thức về mạng nơ-ron hồi quy và LSTM, áp dụng vào các bài toán dự báo chuỗi thời gian.

  • Chuyên gia và quản lý ngành hàng không: Sử dụng kết quả dự báo để hoạch định kế hoạch khai thác, nâng cao hiệu quả vận hành và dịch vụ khách hàng.

  • Các nhà phát triển phần mềm và kỹ sư dữ liệu: Tham khảo mô hình và phương pháp xây dựng hệ thống dự báo dựa trên LSTM, phát triển ứng dụng thực tế.

  • Các tổ chức nghiên cứu thị trường và phân tích dữ liệu: Áp dụng mô hình dự báo để phân tích xu hướng hành khách, hỗ trợ ra quyết định chiến lược.

Câu hỏi thường gặp

  1. LSTM là gì và tại sao được chọn cho bài toán dự báo lượng hành khách?
    LSTM là mạng nơ-ron hồi quy có khả năng ghi nhớ thông tin dài hạn trong chuỗi dữ liệu, phù hợp với bài toán dự báo chuỗi thời gian như lượng hành khách đi máy bay, giúp cải thiện độ chính xác so với các mô hình truyền thống.

  2. Dữ liệu sử dụng trong nghiên cứu có đặc điểm gì?
    Dữ liệu gồm 129 quan sát số lượng hành khách quốc tế theo tháng từ 07/2005 đến 03/2016 của hãng American Airlines, được chuẩn hóa và xử lý để phù hợp với mô hình LSTM.

  3. Phương pháp nào cho kết quả dự báo tốt nhất?
    Phương pháp LSTM hồi quy sử dụng phương thức cửa sổ cho sai số thấp nhất với RMSE khoảng 10.186 hành khách trên tập kiểm thử, tương đương tỷ lệ lỗi 0,061%.

  4. Sai số dự báo có ý nghĩa như thế nào trong thực tế?
    Sai số thấp giúp các hãng hàng không dự đoán chính xác hơn lượng hành khách, từ đó tối ưu hóa lịch bay, nhân sự và dịch vụ, giảm thiểu chi phí và nâng cao trải nghiệm khách hàng.

  5. Luận văn có đề xuất hướng nghiên cứu tiếp theo nào không?
    Có, nghiên cứu đề xuất mở rộng dữ liệu đầu vào, áp dụng các kỹ thuật học sâu nâng cao, tăng tốc xử lý dữ liệu lớn và xây dựng hệ thống dự báo hoàn chỉnh trên nhiều nền tảng.

Kết luận

  • Luận văn đã trình bày thành công ứng dụng công nghệ LSTM trong dự báo lượng hành khách đi máy bay quốc tế, với dữ liệu thực tế từ hãng American Airlines.
  • Đã phát triển và thử nghiệm 5 kỹ thuật LSTM khác nhau, trong đó phương pháp sử dụng phương thức cửa sổ cho kết quả dự báo chính xác nhất.
  • Xây dựng ứng dụng dự báo trên nền tảng Windows với các công cụ Python, TensorFlow, Keras và PyCharm.
  • Nhận diện hạn chế về phạm vi dữ liệu và đề xuất nghiên cứu mở rộng, nâng cao hiệu suất và độ chính xác trong tương lai.
  • Khuyến nghị triển khai hệ thống dự báo tự động và đào tạo chuyển giao công nghệ cho các bên liên quan trong ngành hàng không.

Hành động tiếp theo là mở rộng nghiên cứu với dữ liệu đa chiều và phát triển hệ thống dự báo tích hợp, nhằm hỗ trợ các quyết định chiến lược trong ngành hàng không ngày càng phát triển.