Tổng quan nghiên cứu

Ùn tắc giao thông và tai nạn đường bộ đang là thách thức nghiêm trọng đối với các đô thị hiện đại trên toàn cầu. Theo báo cáo hiện trạng an toàn giao thông của Tổ chức Y tế Thế giới, mỗi năm có khoảng 1,35 triệu người tử vong do tai nạn giao thông, đồng thời các tổn thất ngoại ứng từ ùn tắc chiếm từ 1% đến 2% GDP tại các quốc gia Liên minh châu Âu. Trong đó, khoảng 50% đến 80% tổng thời gian trễ của phương tiện phát sinh trực tiếp tại các nút giao có điều khiển bằng đèn tín hiệu. Tối ưu hóa chu kỳ đèn, tỷ lệ đèn xanh và độ lệch pha là giải pháp then chốt của Hệ thống Giao thông Thông minh (ITS) nhằm giảm thiểu tổn thất kinh tế và ô nhiễm môi trường.

Mục tiêu cốt lõi của nghiên cứu là xây dựng và đánh giá hai thuật toán tối ưu hóa tiến hóa đa mục tiêu cải tiến: thuật toán kết hợp tìm kiếm cục bộ (NS-LS) và thuật toán hỗ trợ mô hình đại diện mạng nơ-ron (SA-LS). Đề tài tập trung giải quyết bài toán điều khiển tín hiệu đèn giao thông thích ứng với các tiêu chí xung đột gồm tối đa hóa lưu lượng thông hành và tối thiểu hóa tổng thời gian trễ của phương tiện.

Phạm vi thực nghiệm được triển khai trên hai hành lang giao thông thực tế tại thành phố Bologna (Ý) là mạng lưới Andrea Costa và Pasubio thông qua nền tảng mô phỏng vi mô SUMO. Nghiên cứu mang ý nghĩa thực tiễn lớn khi nâng cao chất lượng hành vi tức thời (anytime behavior) của thuật toán trong điều kiện thời gian tính toán thực tế bị giới hạn, giúp cắt giảm từ 40% đến 60% số lần chạy mô phỏng vi mô vốn tiêu tốn 25 giây cho mỗi lần đánh giá trên cấu hình phần cứng tiêu chuẩn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên ba trụ cột lý thuyết chuyên ngành:

  • Lý thuyết tối ưu hóa đa mục tiêu (MOOP): Định hình không gian quyết định và không gian mục tiêu nhằm tìm kiếm tập nghiệm Pareto tối ưu (Pareto-optimal set) và đường biên Pareto (Pareto front), giải quyết mối quan hệ đánh đổi giữa thời gian tổn thất trung bình và lưu lượng dòng xe.
  • Giải thuật tiến hóa đa mục tiêu (MOEA): Kế thừa nền tảng của thuật toán di truyền sắp xếp không bị thống trị thế hệ hai (NSGA-II) và giải thuật phân rã (MOEA/D), sử dụng toán tử lai ghép nhị phân mô phỏng (SBX) kết hợp toán tử đột biến đa thức (Polynomial Mutation) để duy trì tính đa dạng quần thể.
  • Mô hình đại diện học máy (Surrogate Models): Ứng dụng Mạng nơ-ron truyền thẳng đa tầng (Multilayer Feedforward Perceptrons - MLP) với hàm kích hoạt phi tuyến Sigmoid và thuật toán lan truyền ngược thích ứng RPROP, cho phép xấp xỉ chính xác giá trị hàm thích nghi với chi phí tính toán thấp.

Các chỉ số đo lường hiệu năng chuyên sâu gồm có: Chỉ số Siêu thể tích (Hypervolume - HV), Chỉ số bao phủ tập nghiệm (C-metric), Độ phân tán khoảng cách Schott (S-metric) và Độ trải rộng tối đa (Maximum Spread - MS).

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu luồng giao thông thực nghiệm thu thập liên tục trong 3 ngày tại thành phố Bologna kết hợp bản đồ không gian mạng lưới trích xuất từ OpenStreetMap. Quy trình chuyển đổi và cấu hình mạng lưới được thực hiện chuẩn xác thông qua công cụ Netconvert và Netedit của phần mềm mô phỏng vi mô SUMO.

Về cỡ mẫu và chiến lược thực nghiệm, tác giả thiết lập 20 lần chạy độc lập cho từng thuật toán để triệt tiêu yếu tố ngẫu nhiên của các toán tử di truyền, đồng thời khảo sát trên 4 mức quy mô quần thể khác nhau gồm 20, 40, 60 và 80 cá thể. Phương pháp chọn mẫu phân tầng theo các kịch bản lưu lượng phương tiện cao điểm và thấp điểm đảm bảo tính bao quát toàn diện.

Lý do lựa chọn phương pháp mô phỏng vi mô SUMO kết hợp giao tiếp thời gian thực TraCI thay vì các mô hình giải tích toán học truyền thống (như mô hình Webster hay HCM 2000) xuất phát từ bản chất phi tuyến phức tạp của dòng giao thông. Các công thức giải tích giải định phân phối Poisson đơn giản không thể mô phỏng chính xác hiện tượng xung đột rẽ nhánh, tắc nghẽn lan truyền ngược (queue spillback) và tương tác vi mô giữa các phương tiện trên từng làn đường.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên các hàm thử nghiệm chuẩn ZDT1, ZDT2 và hai mạng lưới giao thông thực tế mang lại những phát hiện quan trọng:

  • Tối ưu hóa hành vi tức thời vượt bậc: Thuật toán NS-LS đạt giá trị Hypervolume cao hơn NSGA-II từ 15% đến 25% ngay ở các thế hệ tiến hóa đầu tiên, chứng minh khả năng tìm kiếm nghiệm tiệm cận biên Pareto nhanh hơn khoảng 35% thời gian xử lý ban đầu.
  • Cắt giảm đột phá tài nguyên tính toán: Giải thuật SA-LS kết hợp mô hình đại diện mạng nơ-ron MLP giúp giảm thiểu từ 40% đến 60% số lần gọi phần mềm mô phỏng vi mô SUMO, qua đó rút ngắn thời gian tối ưu hóa tổng thể từ hơn 8 giờ xuống dưới 3,5 giờ cho một tiến trình tìm kiếm nghiệm.
  • Hiệu quả vượt trội ở quy mô quần thể nhỏ: Khi vận hành với quy mô quần thể giới hạn (20 cá thể), thuật toán SA-LS đạt độ bao phủ tập nghiệm C-metric vượt trội hoàn toàn so với MOEA/D và NSGA-II, duy trì chỉ số Maximum Spread cao hơn từ 18% đến 28%.
  • Cải thiện trực tiếp các chỉ số lưu thông đô thị: Trên hai kịch bản Andrea Costa và Pasubio, giải pháp pha đèn tối ưu hóa giúp giảm thời gian trễ trung bình của phương tiện từ 18,5% đến 24,2%, đồng thời nâng cao lưu lượng phương tiện thông hành qua nút giao thêm khoảng 12% so với chương trình đèn chu kỳ cố định hiện hữu.

Thảo luận kết quả

Nguyên nhân chính giúp NS-LS và SA-LS đạt hiệu năng vượt trội là nhờ cơ chế tích hợp toán tử tìm kiếm cục bộ định hướng, cho phép dự đoán chính xác không gian nghiệm lân cận tiềm năng trước khi phân bổ tài nguyên tính toán. Bên cạnh đó, lược đồ đánh giá hàm thích nghi thông minh dựa trên sai số bình phương trung bình (MSE) và khoảng cách mờ giữa các nghiệm đã ngăn chặn triệt để nguy cơ rơi vào các điểm tối ưu cục bộ giả (false optima).

So với các công trình nghiên cứu trước đây vốn chỉ áp dụng mô hình toán học đơn mục tiêu hoặc sử dụng MOEA nguyên bản với chi phí mô phỏng đắt đỏ, giải pháp đề xuất thể hiện tính tương thích hoàn hảo với các bộ điều khiển tín hiệu cục bộ phân tán tại nút giao.

Dữ liệu kết quả được minh họa trực quan thông qua các đường cong hội tụ Hypervolume theo số lượng thế hệ, biểu đồ phân tán hai chiều thể hiện đường biên Pareto giữa hai mục tiêu thời gian trễ và lưu lượng dòng xe, cùng các bảng tổng hợp giá trị trung bình kèm độ lệch chuẩn qua 20 lần chạy độc lập.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, tác giả đề xuất 4 nhóm giải pháp chiến lược nhằm ứng dụng công nghệ tối ưu hóa tín hiệu giao thông vào thực tiễn:

  • Tích hợp thuật toán SA-LS vào hệ thống điều khiển giao thông khu vực (UTC): Đơn vị quản lý vận hành cần phối hợp với các kỹ sư công nghệ tích hợp thuật toán SA-LS vào các hệ thống như SCOOT hoặc SCATS để tự động điều chỉnh chu kỳ đèn theo thời gian thực, hướng tới mục tiêu giảm 20% thời gian chờ tại 30 nút giao thông huyết mạch trong vòng 12 tháng tới. Chủ thể thực hiện: Sở Giao thông Vận tải và các trung tâm điều hành giao thông đô thị.
  • Hiện đại hóa hạ tầng thu thập dữ liệu giao thông: Triển khai lắp đặt bổ sung hệ thống cảm biến vòng từ và camera giám sát AI tại các nhánh rẽ để cung cấp dữ liệu huấn luyện liên tục cho mô hình đại diện mạng nơ-ron theo chu kỳ định kỳ 6 tháng một lần, đảm bảo độ chính xác dự báo luôn đạt trên 90%. Chủ thể thực hiện: Ban Quản lý Dự án Giao thông Đô thị.
  • Xây dựng nền tảng mô phỏng số song sinh (Digital Twin): Phát triển môi trường mô phỏng trực tuyến dựa trên SUMO và giao diện TraCI nhằm kiểm thử tự động các kịch bản phân luồng trước khi áp dụng thực địa, hoàn thành triển khai thử nghiệm trên 10 tuyến đường chính trong giai đoạn 2026-2027. Chủ thể thực hiện: Các viện nghiên cứu giao thông và doanh nghiệp công nghệ ITS.
  • Ban hành quy chuẩn đánh giá hiệu năng tín hiệu đèn đa tiêu chí: Cơ quan quản lý nhà nước cần chuẩn hóa khung tiêu chuẩn kỹ thuật về đánh giá hiệu năng nút giao, bổ sung chỉ số phát thải khí nhà kính và mức độ phục vụ người đi bộ bên cạnh chỉ số độ trễ phương tiện cơ giới trong vòng 2 năm tới. Chủ thể thực hiện: Bộ Giao thông Vận tải và các cơ quan thẩm định tiêu chuẩn.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng chuyên sâu, đặc biệt hữu ích cho các nhóm đối tượng sau:

  • Kỹ sư giao thông và chuyên viên quy hoạch đô thị: Tiếp cận phương pháp luận khoa học và các thông số thiết lập chu kỳ đèn tối ưu (green splits, offsets) để giải quyết các điểm nghẽn giao thông thực tế tại các nút giao phức hợp.
  • Nhà nghiên cứu khoa học máy tính và trí tuệ nhân tạo: Khai thác cấu trúc lai ghép giữa thuật toán tiến hóa đa mục tiêu và mô hình học máy đại diện (Surrogate-assisted MOEA) để giải quyết các bài toán tối ưu hóa có chi phí tính toán hàm mục tiêu đắt đỏ.
  • Doanh nghiệp phát triển giải pháp giao thông thông minh (ITS): Ứng dụng quy trình tích hợp mô phỏng SUMO - TraCI và thuật toán tìm kiếm cục bộ để nâng cấp các phần mềm điều khiển đèn giao thông thương mại thích ứng thời gian thực.
  • Giảng viên và học viên cao học khối ngành Kỹ thuật: Sử dụng làm tài liệu tham khảo chuyên khảo chuẩn mực về phương pháp nghiên cứu thực nghiệm, cách thiết kế kịch bản vi mô và quy trình đánh giá thống kê đa chỉ số trong luận văn học thuật.

Câu hỏi thường gặp

Tại sao mô hình giải tích truyền thống không còn tối ưu cho điều khiển tín hiệu đèn hiện đại?
Các mô hình giải tích kinh điển như Webster hay HCM dựa trên giả định dòng xe tĩnh và phân phối đơn giản, không phản ánh được hiện tượng tràn hàng đợi hay xung đột vi mô giữa các làn. Nghiên cứu thực nghiệm chứng minh mô hình vi mô SUMO kết hợp thuật toán tối ưu giúp giảm sai số ước tính độ trễ hơn 30% so với công thức giải tích.

Thuật toán NS-LS tạo ra sự khác biệt gì so với giải thuật NSGA-II tiêu chuẩn?
NS-LS tích hợp cơ chế tìm kiếm cục bộ định hướng, giúp dự báo và khai thác ngay các vùng nghiệm lân cận tiềm năng. Điều này cải thiện vượt bậc hành vi tức thời (anytime behavior), tạo ra các giải pháp phân bổ đèn chất lượng cao ngay từ 10 thế hệ đầu tiên với giá trị Hypervolume tăng hơn 20%.

Mô hình đại diện mạng nơ-ron trong SA-LS giải quyết bài toán thời gian tính toán như thế nào?
Mỗi lượt mô phỏng SUMO tiêu tốn khoảng 25 giây trên bộ xử lý máy tính. Mô hình đại diện mạng nơ-ron MLP được huấn luyện từ các thế hệ trước để ước lượng trực tiếp giá trị thích nghi của cá thể mới, giúp cắt giảm từ 40% đến 60% số lần chạy SUMO mà vẫn duy trì sai số bình phương trung bình ở mức an toàn.

Giải thuật đề xuất có hoạt động hiệu quả khi quy mô quần thể bị giới hạn không?
Có. Đề tài đã thử nghiệm chặt chẽ trên các quy mô quần thể 20, 40, 60 và 80 cá thể. Kết quả khẳng định ngay cả với quần thể nhỏ gồm 20 cá thể, SA-LS và NS-LS vẫn duy trì độ bao phủ biên Pareto vượt trội và tính đa dạng nghiệm cao hơn đáng kể so với NSGA-II truyền thống.

Độ tin cậy của kết quả nghiên cứu được kiểm chứng qua những kịch bản thực tế nào?
Thuật toán đã được kiểm thử toàn diện trên dữ liệu giao thông thực tế của 2 hành lang trọng điểm tại thành phố Bologna (Ý) là Andrea Costa và Pasubio. Mọi đánh giá đều dựa trên 20 lần chạy độc lập với các chỉ số đo lường chuẩn mực quốc tế như Hypervolume, C-metric và Maximum Spread.

Kết luận

  • Đề xuất thành công hai giải thuật tiến hóa đa mục tiêu đột phá NS-LS và SA-LS chuyên biệt cho bài toán điều khiển tín hiệu giao thông đô thị.
  • Tiết kiệm từ 40% đến 60% tài nguyên tính toán mô phỏng vi mô nhờ ứng dụng mô hình đại diện mạng nơ-ron truyền thẳng đa tầng MLP.
  • Cải thiện vượt bậc chất lượng nghiệm tức thời (anytime behavior), hoạt động ổn định và chính xác ngay cả với quy mô quần thể nhỏ 20 cá thể.
  • Chứng minh hiệu quả thực tế trên hai mạng lưới Andrea Costa và Pasubio với thời gian trễ giảm trung bình trên 20% và lưu lượng xe tăng 12%.
  • Hoàn thiện khung phương pháp luận kết nối linh hoạt giữa phần mềm mô phỏng SUMO, giao diện TraCI và các giải thuật tối ưu hóa thông minh.

Lộ trình tiếp theo trong giai đoạn 2026-2027 sẽ tập trung mở rộng giải thuật cho mạng lưới quy mô lớn hơn 100 nút giao liên kết và tích hợp học tăng cường sâu (Deep Reinforcement Learning). Hãy tham khảo ngay toàn bộ công trình luận văn để tiếp cận chi tiết mô hình toán học, mã nguồn thuật toán và dữ liệu mô phỏng vi mô phục vụ cho các dự án giao thông thông minh.