Luận văn: Nội suy thời gian đến tại một trạm xe buýt trên bản đồ không gian - thời gian

Khám phá phương pháp nội suy thời gian đến tại trạm xe buýt trên bản đồ không gian thời gian, giúp dự báo chính xác và tối ưu hóa lộ trình di chuyển.

• Tác giả: Đặng Như Phú
• Người hướng dẫn: PGS. Trần Vĩnh Phước
• Trường học: Trường Đại học Thủ Dầu Một
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nội Suy Thời Gian Đến Tại Một Trạm Của Xe Buýt Trên Bản Đồ Không Gian - Thời Gian
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2019
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH, ĐỒ THỊ
• DANH MỤC CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. ĐẶT VẤN ĐỀ NGHIÊN CỨU
• 1.2. PHÁT BIỂU VẤN ĐỀ NGHIÊN CỨU
• 1.3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.5. CÂU HỎI NGHIÊN CỨU ĐẶT RA ĐỂ GIẢI QUYẾT BÀI TOÁN
• 1.6. CẤU TRÚC LUẬN VĂN
• 2. CHƯƠNG 2: TỔNG QUAN VỀ CÁC NGHIÊN CỨU ĐƯỢC LIÊN QUAN
• 2.1. CÁC KHÁI NIỆM ĐƯỢC LIÊN QUAN
• 2.1.1. Trực quan hóa dữ liệu
• 2.2. BẢN ĐỒ KHÔNG GIAN – THỜI GIAN
• 2.3. NỘI SUY SAI PHÂN TIẾN NEWTƠN
• 2.4. Mô hình mạng LSTM
• 2.4.1. Ý tưởng cơ bản của mạng LSTM
• 2.4.2. Trạng thái tế bào (Cell State)
• 2.4.3. Cấu trúc cổng (Gates)
• 2.4.4. Một số biến thể của mạng LSTM
• 3. CHƯƠNG 3: NỘI SUY THỜI GIAN ĐẾN TẠI MỘT TRẠM CỦA XE BUÝT
• 3.1. QUY TRÌNH TỔNG QUÁT
• 3.2. XÂY DỰNG HÀM NỘI SUY SAI PHÂN TIẾN NEWTƠN
• 3.2.1. Chuẩn hóa dữ liệu thời gian đã thu thập
• 3.2.2. Lựa chọn bậc sai phân
• 3.3. SỬ DỤNG MẠNG LSTM ĐỂ DỰ ĐOÁN ĐỘ SAI LỆCH THỜI GIAN
• 3.3.1. Xây dựng bộ dữ liệu huấn luyện và kiểm tra
• 3.3.2. Mô hình mạng LSTM áp dụng để huấn luyện và dự đoán
• 3.3.3. Đánh giá hiệu quả của việc huấn luyện trên mô hình mạng LSTM
• 3.3.4. Các bước thực hiện
• 3.4. BIỂU DIỄN GIÁ TRỊ NỘI SUY TRÊN BẢN ĐỒ KHÔNG GIAN – THỜI GIAN
• 3.5. CÁC GIẢI THUẬT ÁP DỤNG
• 3.5.1. Giải thuật tổng quát
• 3.5.2. Giải thuật chuẩn hóa dữ liệu
• 3.5.3. Giải thuật lựa chọn bậc sai phân
• 3.5.4. Giải thuật huấn luyện dữ liệu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. DỮ LIỆU THU THẬP
• 4.2. CHUẨN HÓA DỮ LIỆU
• 4.3. LỰA CHỌN BẬC SAI PHÂN
• 4.4. ÁP DỤNG MÔ HÌNH LSTM ĐỂ HUẤN LUYỆN VÀ DỰ ĐOÁN KẾT QUẢ
• 4.5. ĐÁNH GIÁ KẾT QUẢ
• 4.5.1. Phương pháp nội suy sai phân tiến Newtơn
• 4.5.2. Phương pháp mạng LSTM
• 4.6. MÔ PHỎNG TRÊN ĐIỆN THOẠI
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. KẾT QUẢ ĐẠT ĐƯỢC
• 5.2. HƯỚNG NGHIÊN CỨU
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Cách Nội suy Thời gian đến trạm xe buýt tối ưu lộ trình

Nội suy thời gian đến trạm xe buýt là một phương pháp toán học tiên tiến nhằm ước tính thời điểm chính xác một chiếc xe buýt sẽ tới một trạm dừng cụ thể. Phương pháp này không chỉ dựa vào lịch trình cố định mà còn phân tích dữ liệu không gian-thời gian lịch sử và thời gian thực. Bằng cách xây dựng một hàm nội suy từ các điểm dữ liệu đã biết (thời gian đến thực tế trong quá khứ), hệ thống có thể dự đoán một điểm dữ liệu chưa biết (thời gian đến trong tương lai gần). Trong bối cảnh giao thông thông minh, kỹ thuật này đóng vai trò nền tảng. Nó giúp cải thiện trải nghiệm của hành khách, giảm thời gian chờ đợi và cho phép các nhà quản lý vận hành tối ưu hóa lộ trình xe buýt hiệu quả hơn. Nghiên cứu của Đặng Như Phú (2019) tại Trường Đại học Thủ Dầu Một đã đi sâu vào việc áp dụng các thuật toán nội suy kết hợp với học máy để nâng cao độ chính xác cho bài toán này, đặc biệt trong môi trường giao thông phức tạp như tại các thành phố lớn ở Việt Nam. Việc trực quan hóa các dữ liệu này trên bản đồ không gian-thời gian mang lại cái nhìn tổng thể, giúp cả hành khách và nhà quản lý đưa ra quyết định tốt hơn.

1.1. Giới thiệu về bản đồ không gian thời gian trong giao thông

Bản đồ không gian-thời gian là một mô hình trực quan hóa dữ liệu ba chiều. Nó không chỉ thể hiện vị trí địa lý (không gian) mà còn tích hợp thêm trục thời gian. Theo luận văn của Đặng Như Phú, mô hình này được biểu diễn như một hình khối, trong đó mặt phẳng (x,y) là bản đồ thành phố, còn trục t biểu diễn thời gian. Mỗi hành trình của xe buýt được thể hiện như một đường cong liên tục, nối các điểm không gian-thời gian. Mỗi điểm này tương ứng với một trạm dừng tại một thời điểm cụ thể. Việc sử dụng hệ thống thông tin địa lý (GIS) để xây dựng mô hình này cho phép các nhà phân tích theo dõi và đánh giá trực quan sự di chuyển của các phương tiện. Nó biến những con số khô khan từ dữ liệu GPS xe buýt thành một biểu đồ sinh động, giúp nhận diện các quy luật, sự chậm trễ và các điểm nóng về giao thông một cách dễ dàng. Đây là công cụ cơ bản để triển khai các giải pháp dự đoán thời gian xe buýt đến.

1.2. Tầm quan trọng của việc ước tính thời gian đến ETA chính xác

Việc ước tính thời gian đến (ETA) một cách chính xác mang lại lợi ích to lớn cho cả hệ thống giao thông công cộng và người dùng. Đối với hành khách, thông tin ETA đáng tin cậy giúp họ chủ động lên kế hoạch cho chuyến đi, giảm thiểu thời gian chờ đợi vô ích tại trạm xe buýt và tăng sự hài lòng đối với dịch vụ. Đối với nhà quản lý, dữ liệu ETA chính xác là đầu vào quan trọng cho việc điều phối và vận hành. Nó cho phép họ giám sát hiệu suất của từng tuyến, phát hiện sớm các sự cố gây chậm trễ (như tắc đường, tai nạn) và điều chỉnh lịch trình kịp thời. Hơn nữa, việc phân tích dữ liệu ETA lịch sử còn giúp nhận diện các mẫu hình giao thông, từ đó hỗ trợ công tác tối ưu hóa lộ trình xe buýt và cải thiện cơ sở hạ tầng. Một hệ thống Bus Arrival Time Prediction hiệu quả là yếu tố cốt lõi của một đô thị thông minh, góp phần giảm ùn tắc và nâng cao chất lượng sống.

II. Top thách thức khi dự đoán thời gian xe buýt đến ở đô thị

Dù mang lại nhiều lợi ích, việc dự đoán thời gian xe buýt đến một cách chính xác phải đối mặt với nhiều thách thức, đặc biệt trong môi trường giao thông đô thị phức tạp. Các yếu tố bất định như mật độ phương tiện thay đổi đột ngột, tai nạn giao thông, điều kiện thời tiết xấu, hay các công trình xây dựng đều ảnh hưởng trực tiếp đến thời gian di chuyển. Các mô hình dự báo truyền thống thường dựa trên lịch trình cố định hoặc dữ liệu lịch sử trung bình, do đó không đủ linh hoạt để phản ứng với các biến động trong thời gian thực. Hơn nữa, chất lượng và độ trễ của dữ liệu GPS xe buýt cũng là một rào cản. Tín hiệu GPS có thể bị nhiễu hoặc mất ở các khu vực có nhiều nhà cao tầng, gây ra sai số trong việc xác định vị trí và vận tốc của xe. Việc xử lý và tích hợp các nguồn dữ liệu giao thông thời gian thực khác nhau (như từ camera giao thông, cảm biến) đòi hỏi một hệ thống phức tạp và chi phí cao. Đây là những vấn đề mà các nhà nghiên cứu luôn tìm cách khắc phục.

2.1. Sự biến động của dữ liệu giao thông thời gian thực

Một trong những khó khăn lớn nhất là sự biến động liên tục của dữ liệu giao thông thời gian thực. Tình trạng giao thông có thể thay đổi trong vài phút. Một tuyến đường thông thoáng có thể nhanh chóng trở nên tắc nghẽn do một sự cố nhỏ. Luận văn gốc chỉ ra rằng, thời gian đến trạm thực tế của xe buýt thường xuyên sai lệch so với lịch trình quy định. Sự sai lệch này không tuân theo một quy luật cố định, khiến các mô hình dự báo giao thông đơn giản trở nên kém hiệu quả. Các yếu tố như giờ cao điểm, ngày trong tuần, hay các sự kiện đặc biệt trong thành phố đều tạo ra những mẫu hình di chuyển phức tạp. Để dự báo chính xác, mô hình cần có khả năng học và thích ứng với những thay đổi tức thời này, đòi hỏi các thuật toán nội suy và học máy phải đủ mạnh mẽ để xử lý các chuỗi dữ liệu động và phi tuyến tính.

2.2. Hạn chế của các phương pháp dự báo truyền thống

Các phương pháp dự báo truyền thống thường gặp nhiều hạn chế. Mô hình thống kê đơn giản như lấy trung bình lịch sử không thể nắm bắt được các xu hướng bất thường. Một số phương pháp dựa trên lý thuyết tập mờ, như được đề cập trong phần đặt vấn đề của tài liệu gốc, tuy biểu diễn được sự không chắc chắn nhưng lại phụ thuộc vào dữ liệu thống kê từ 30 ngày trước đó, dẫn đến việc dự đoán cho thời điểm hiện tại không tối ưu. Các mô hình dự báo giao thông này thiếu khả năng cập nhật và học hỏi từ những dữ liệu mới nhất. Chúng không thể tự điều chỉnh khi có một yếu tố bất thường xảy ra. Do đó, cần có một cách tiếp cận mới, kết hợp giữa phân tích chuỗi thời gian và các kỹ thuật học máy hiện đại để tạo ra một hệ thống dự báo linh hoạt và chính xác hơn, có khả năng xử lý dữ liệu không gian-thời gian một cách hiệu quả.

III. Hướng dẫn Nội suy Thời gian đến bằng sai phân tiến Newton

Để giải quyết những hạn chế của phương pháp cũ, nghiên cứu của Đặng Như Phú (2019) đề xuất áp dụng phương pháp Nội suy sai phân tiến Newton. Đây là một thuật toán nội suy mạnh mẽ, cho phép ước tính giá trị tại một điểm chưa biết dựa trên một chuỗi các điểm dữ liệu đã biết cách đều nhau. Trong bài toán này, các điểm dữ liệu chính là thời gian đến trạm thực tế của xe buýt trong những ngày trước đó. Quy trình bắt đầu bằng việc thu thập và chuẩn hóa dữ liệu. Sau đó, thuật toán sẽ xây dựng một đa thức nội suy đi qua các điểm dữ liệu này. Bằng cách sử dụng đa thức đó, hệ thống có thể ngoại suy ra thời gian đến dự kiến cho ngày hiện tại. Một trong những điểm mấu chốt của phương pháp này là việc lựa chọn bậc sai phân. Bậc sai phân quyết định mức độ phức tạp của đa thức nội suy và ảnh hưởng trực tiếp đến độ chính xác của kết quả. Phương pháp này cung cấp một giá trị ước tính thời gian đến (ETA) ban đầu, làm cơ sở cho các bước tinh chỉnh sau này bằng học máy.

3.1. Quy trình chuẩn hóa dữ liệu GPS xe buýt trước khi nội suy

Trước khi áp dụng thuật toán nội suy, dữ liệu thô cần được xử lý và chuẩn hóa. Dữ liệu GPS xe buýt thường được ghi nhận dưới dạng thời gian hh:mm:ss. Tuy nhiên, các công thức toán học yêu cầu dữ liệu ở dạng số. Tài liệu nghiên cứu đề xuất một quy trình chuẩn hóa hiệu quả: đầu tiên, xác định thời gian đến sớm nhất trong toàn bộ tập dữ liệu làm mốc t_const. Sau đó, mỗi giá trị thời gian thực tế tr_i sẽ được trừ đi mốc này. Kết quả chênh lệch thời gian sau đó được chuyển đổi hoàn toàn sang đơn vị giây. Ví dụ, t_i = (tr_i - t_const) sẽ được tính thành hh*3600 + mm*60 + ss. Quá trình này đảm bảo rằng tất cả các điểm dữ liệu đều nằm trên một thang đo nhất quán và có thể được sử dụng trực tiếp trong công thức nội suy sai phân tiến Newton, loại bỏ sự phức tạp của định dạng thời gian và tăng cường hiệu quả tính toán.

3.2. Lựa chọn bậc sai phân tối ưu để tăng độ chính xác

Việc lựa chọn bậc sai phân k là một bước cực kỳ quan trọng, quyết định sự thành công của phương pháp nội suy. Một bậc sai phân quá thấp có thể không nắm bắt được sự phức tạp của chuỗi dữ liệu, trong khi một bậc quá cao có thể gây ra hiện tượng quá khớp (overfitting). Luận văn đề xuất một phương pháp thực nghiệm để tìm ra bậc tối ưu. Cụ thể, hệ thống sẽ lần lượt thử nghiệm nội suy với các bậc sai phân khác nhau (ví dụ từ 2 đến n). Với mỗi bậc k, mô hình sẽ tính toán sai lệch trung bình giữa thời gian nội suy và thời gian thực tế. Bậc sai phân k_select được chọn là bậc cho ra giá trị sai lệch trung bình nhỏ nhất. Quy trình này đảm bảo rằng mô hình nội suy có sự cân bằng tốt nhất giữa độ phức tạp và khả năng tổng quát hóa, từ đó đưa ra dự đoán ban đầu chính xác nhất có thể trước khi được tinh chỉnh bởi các mô hình học máy cho dự đoán ETA.

IV. Tối ưu dự đoán ETA bằng Mạng LSTM và phân tích chuỗi thời gian

Mặc dù Nội suy sai phân tiến Newton cung cấp một ước tính ban đầu, kết quả này vẫn tồn tại một độ sai lệch nhất định so với thực tế. Để khắc phục điều này, nghiên cứu đề xuất một giải pháp đột phá: sử dụng Mạng nơ-ron hồi quy LSTM (Long Short-Term Memory). LSTM là một kiến trúc học sâu chuyên dụng cho việc phân tích chuỗi thời gian và xử lý các phụ thuộc dài hạn. Thay vì trực tiếp dự đoán thời gian đến, mô hình LSTM được huấn luyện để dự đoán chính độ sai lệch giữa thời gian nội suy và thời gian thực tế. Bằng cách này, LSTM hoạt động như một bộ hiệu chỉnh thông minh. Nó học các mẫu hình ẩn trong dữ liệu sai lệch, những yếu tố mà phương pháp nội suy toán học thuần túy có thể bỏ qua. Sự kết hợp này tạo ra một hệ thống học máy cho dự đoán ETA hai giai đoạn, tận dụng sức mạnh của cả nội suy cổ điển và học máy hiện đại, mang lại độ chính xác vượt trội.

4.1. Xây dựng mô hình mạng LSTM để dự đoán độ sai lệch

Mô hình mạng LSTM được xây dựng với một mục tiêu cụ thể: dự đoán giá trị Δt = t' – t, trong đó t' là thời gian từ phương pháp nội suy và t là thời gian thực tế. Dữ liệu đầu vào để huấn luyện mô hình này là một tập hợp các cặp (t'_i, Δ_i) được tạo ra từ dữ liệu lịch sử. Trong đó, t'_i là thời gian dự đoán bằng nội suy cho ngày thứ i, và Δ_i là sai lệch thực tế quan sát được trong ngày đó. Mô hình LSTM chuẩn được sử dụng, bao gồm các khối tế bào có khả năng ghi nhớ thông tin qua các chuỗi thời gian dài. Bằng cách huấn luyện trên bộ dữ liệu này, mạng học được mối quan hệ phức tạp giữa giá trị nội suy và độ sai lệch tương ứng của nó. Khi có một giá trị nội suy mới t'_new, mô hình LSTM có thể dự đoán độ sai lệch Δ_new tương ứng với độ tin cậy cao. Thời gian dự đoán cuối cùng sẽ là t'_new - Δ_new.

4.2. Huấn luyện và đánh giá hiệu quả mô hình dự đoán

Quá trình huấn luyện mô hình LSTM yêu cầu chia bộ dữ liệu thành hai phần: tập huấn luyện và tập kiểm tra. Tập huấn luyện được sử dụng để điều chỉnh các trọng số của mạng nơ-ron. Hiệu quả của mô hình được đánh giá trên tập kiểm tra, là những dữ liệu mà mô hình chưa từng thấy trước đây. Để đo lường hiệu suất, nghiên cứu sử dụng chỉ số Sai số toàn phương trung bình gốc (RMSE - Root Mean Square Error). RMSE cho biết mức độ chênh lệch trung bình giữa các giá trị sai lệch do LSTM dự đoán và các giá trị sai lệch thực tế. Một giá trị RMSE càng thấp cho thấy mô hình dự đoán càng chính xác. Quá trình này được lặp lại với các tham số khác nhau (như tỷ lệ chia dữ liệu, số epoch) để tìm ra mô hình Bus Arrival Time Prediction tốt nhất, đảm bảo khả năng dự báo đáng tin cậy khi triển khai trong thực tế.

V. Ứng dụng Nội suy Thời gian vào hệ thống giao thông thông minh

Sự kết hợp giữa nội suy và mạng LSTM không chỉ là một bài toán lý thuyết mà còn có tiềm năng ứng dụng thực tiễn to lớn trong các hệ thống giao thông thông minh. Kết quả cuối cùng của mô hình là một bộ dữ liệu dự báo có độ chính xác cao, bao gồm thời gian dự kiến đến trạm và độ tin cậy của dự báo đó. Thông tin này có thể được tích hợp vào các ứng dụng di động cho hành khách, hiển thị trên các bảng thông tin điện tử tại trạm dừng, hoặc cung cấp cho trung tâm điều hành giao thông. Việc trực quan hóa các hành trình và thời gian dự báo trên một bản đồ không gian-thời gian giúp người dùng dễ dàng theo dõi. Dựa trên nghiên cứu thực nghiệm tại Thành phố Hồ Chí Minh, phương pháp này cho thấy khả năng cải thiện đáng kể trải nghiệm người dùng và hỗ trợ hiệu quả cho công tác quản lý vận tải công cộng, từng bước hiện thực hóa mục tiêu xây dựng một hệ thống giao thông bền vững và hiệu quả.

5.1. Trực quan hóa kết quả trên hệ thống thông tin địa lý GIS

Một trong những ứng dụng quan trọng là biểu diễn kết quả dự đoán trên hệ thống thông tin địa lý (GIS). Thay vì chỉ hiển thị một con số, hệ thống có thể trực quan hóa toàn bộ hành trình xe buýt trên bản đồ. Mỗi trạm dừng sẽ là một điểm không gian-thời gian. Tài liệu nghiên cứu đề xuất biểu diễn thời gian dự báo tại mỗi trạm dưới dạng một bộ giá trị <t, ε>, trong đó t là thời gian dự kiến (t = t' - Δt) cộng trừ sai số σ_test, và ε là độ chính xác của dự báo. Khi xe buýt chưa đến, điểm này sẽ hiển thị thông tin dự báo. Khi xe buýt đã đi qua, nó sẽ cập nhật thời gian thực tế. Cách biểu diễn này cung cấp một cái nhìn toàn diện và trực quan, giúp hành khách không chỉ biết khi nào xe đến mà còn hiểu được độ tin cậy của thông tin đó, tạo ra sự minh bạch và tin tưởng vào hệ thống giao thông thông minh.

5.2. Kết quả nghiên cứu thực nghiệm tại Thành phố Hồ Chí Minh

Để kiểm chứng tính hiệu quả, phương pháp đã được áp dụng trên bộ dữ liệu thực tế thu thập tại 5 trạm xe buýt ở Thành phố Hồ Chí Minh trong 30 ngày liên tục. Kết quả thực nghiệm cho thấy sự vượt trội của mô hình kết hợp so với các phương pháp truyền thống. Việc lựa chọn bậc sai phân tối ưu giúp giảm thiểu sai số của bước nội suy ban đầu. Sau đó, mô hình LSTM đã chứng tỏ khả năng dự đoán và hiệu chỉnh độ sai lệch một cách hiệu quả, làm giảm đáng kể chỉ số RMSE. Những kết quả này khẳng định rằng mô hình Spatiotemporal data interpolation kết hợp với học máy là một hướng đi đầy hứa hẹn để giải quyết bài toán dự đoán thời gian xe buýt đến trong điều kiện giao thông phức tạp, mở ra tiềm năng triển khai rộng rãi cho hệ thống xe buýt của thành phố.

VI. Tương lai của Nội suy Thời gian Tối ưu hóa lộ trình xe buýt

Phương pháp nội suy thời gian kết hợp học máy đã đặt một nền móng vững chắc cho thế hệ tiếp theo của các hệ thống dự báo giao thông. Trong tương lai, công nghệ này sẽ tiếp tục được cải tiến và phát triển. Việc tích hợp thêm nhiều nguồn dữ liệu thời gian thực hơn, như dữ liệu từ camera AI, cảm biến IoT trên đường, và thông tin từ cộng đồng người dùng, sẽ giúp mô hình trở nên chính xác và linh hoạt hơn nữa. Các kiến trúc học máy mới, ngoài LSTM, cũng có thể được khám phá để nắm bắt các mối quan hệ phức tạp hơn trong dữ liệu. Xa hơn nữa, dữ liệu dự báo chính xác không chỉ phục vụ hành khách mà còn là công cụ đắc lực cho việc tối ưu hóa lộ trình xe buýt động. Hệ thống có thể tự động đề xuất các tuyến đường thay thế khi phát hiện ùn tắc, hoặc điều chỉnh tần suất chuyến đi dựa trên nhu cầu thực tế, góp phần xây dựng một mạng lưới giao thông công cộng thông minh, hiệu quả và bền vững.

6.1. Tổng kết những kết quả đạt được của phương pháp mới

Nghiên cứu đã thành công trong việc xây dựng một quy trình hoàn chỉnh để ước tính thời gian đến (ETA) của xe buýt với độ chính xác cao. Phương pháp đã giải quyết được hai vấn đề cốt lõi: (1) đề xuất kỹ thuật nội suy sai phân tiến Newton với cơ chế chọn bậc tối ưu để đưa ra ước tính ban đầu và (2) ứng dụng mạng LSTM để học và dự đoán độ sai lệch, qua đó tinh chỉnh kết quả cuối cùng. Mô hình này đã chứng minh hiệu quả qua thực nghiệm trên dữ liệu thực tế. Đồng thời, nghiên cứu cũng đề xuất một phương pháp trực quan hóa thông tin trên bản đồ không gian-thời gian, giúp truyền tải kết quả một cách trực quan và dễ hiểu. Đây là một đóng góp quan trọng, mang tính ứng dụng cao cho lĩnh vực giao thông thông minh tại Việt Nam.

6.2. Hướng nghiên cứu và phát triển trong tương lai

Dựa trên những kết quả đã đạt được, có nhiều hướng phát triển tiềm năng. Như được đề xuất trong luận văn, một hướng đi là khám phá các hàm toán học khác, ví dụ như xây dựng hàm Gauss, để mô hình hóa sự không chắc chắn của thời gian đến. Một hướng khác là tích hợp các loại hình nội suy không gian như Kriging interpolation để dự đoán tình hình giao thông tại những điểm không có dữ liệu. Về mặt học máy, có thể thử nghiệm các kiến trúc tiên tiến hơn như Transformer hay Gated Recurrent Unit (GRU) để so sánh hiệu quả với LSTM. Cuối cùng, việc mở rộng mô hình để dự báo cho toàn bộ mạng lưới xe buýt thay vì từng tuyến riêng lẻ sẽ là một bước tiến quan trọng, hướng tới một hệ thống quản lý và tối ưu hóa lộ trình xe buýt toàn diện.

Trích đoạn nội dung tài liệu

Chương 1 – Giới thiệu: Trình bày mục tiêu và động lực để nghiên cứu mô hình nội suy thời gian đến trạm của xe buýt trên bản đồ không gian – thời gian, cũng như đối tượng, phạm vi và phương pháp nghiên cứu và cách thức tiếp cận đề tài theo phương pháp phân tích từ trên xuống thông qua việc tự đặt câu hỏi và trả lời.  Chương 2 – Tổng quan về các nghiên cứu được liên quan: Giới thiệu tổng quan về các lý thuyết nghiên cứu được áp dụng trong luận văn: lý thuyết về trực quan hóa dữ liệu, lý thuyết nội suy, máy học và các bài báo tham chiếu.  Chương 3 – Nội suy thời gian đến tại một trạm của xe buýt: Trình bày các quy trình áp dụng để thực hiện việc nội suy thời gian đến trạm của xe buýt và cách thức trực quan hóa thông tin, dữ liệu trên bản đồ không gian – thời gian. Phương pháp xây dựng hàm nội suy sai phân tiến Newtơn cho bộ dữ liệu đã thu thập và ứng dụng phương pháp mạng LSTM để huấn luyện dữ liệu, đồng thời trình bày các giải thuật áp dụng.

 Chương 4 – Kết quả nghiên cứu và đánh giá kết quả: Mô tả kết quả thực nghiệm bằng phương pháp nội suy và mô hình mạng LSTM để ước lượng thời gian mà xe buýt sẽ đến trạm dựa trên bộ dữ liệu 5 thu thập được và cách thức biểu diễn dữ liệu trên bản đồ không gian – thời gian.  Chương 5 – Kết luận và hướng phát triển: Trong chương này, luận văn đã tóm tắt các kết quả đạt được thông qua việc đề xuất phương pháp nội suy và mô hình mạng LSTM để ước lượng thời gian đến trạm của xe buýt và phương pháp trực quan hóa thông, dữ liệu trên bản đồ không gian – thời gian. Luận văn cũng đề xuất hướng nghiên cứu mới để ước lượng thời gian đến trạm của xe buýt thông qua việc xây dựng hàm Gauss. 6 Chương 2 TỔNG QUAN VỀ CÁC NGHIÊN CỨU ĐƯỢC LIÊN QUAN 2.

GIỚI THIỆU Luận văn vận dụng lý thuyết nội suy để ước lượng thời gian đến trạm của xe buýt với các mốc nội suy là thời gian đến trạm thực tế của xe buýt đã được thu thập. Lý thuyết DeepLearning, Mạng Nơron được nghiên cứu để dự đoán độ sai lệch giữa thời gian nội suy với thời gian thực tế mà xe buýt sẽ đến trạm. Lý thuyết về trực quan hóa dữ liệu được ứng dụng để biểu diễn trực quan hóa bản đồ xe buýt và thời gian mà xe buýt sẽ đến trạm. Bên cạnh đó, luận văn cũng được phát triển và xây dựng dựa trên nền tảng nghiên cứu của Thầy PGS.TS Trần Vĩnh Phước và các cộng sự bao gồm: - Visualization of Spatio-temporal Data of Bus Trips - Representing Uncertain Time on Space-time - An Approach to Representing Movement Data - Visualization Cube for Tracking Moving Object 2.

CÁC KHÁI NIỆM ĐƯỢC LIÊN QUAN Bản đồ không gian – thời gian là một hình khối không gian – thời gian trên hệ tọa độ Đề-các ba chiều nhằm biểu diễn các đối tượng không gian, các đối tượng không-gian thời gian và các đường cong không gian-thời gian có thứ tự nhằm kết nối các đối tượng không gian – thời gian lại với nhau, đây chính là đường biểu diễn sự dịch chuyển của các đối tượng không gian – thời gian. 7 Độ sai lệch thời gian Δt chính là sự sai lệch giữa thời gian t’ được ước lượng từ phương pháp nội suy sai phân tiến Newtơn với thời gian thực tế t mà xe buýt sẽ đến trạm, giá trị này được tính bằng: Δt = t’ – t. Thời gian đến là thời gian thực tế mà xe buýt đến trạm dừng xe buýt. Thời gian thực tế t là thời gian mà xe buýt đến trạm dừng theo thực tế.

Thời gian nội suy t’ là thời gian ước lượng mà xe buýt đến trạm dừng thông qua phương pháp nội suy sai phân tiến Newtơn. Sai số toàn phương trung bình (MSE) là một phương pháp dùng để đánh giá các sai số trong các mô hình ước lượng. Sai số này được xác định bằng trung bình cộng của các bình phương sai số giữa giá trị ước lượng với giá trị đánh giá. Sai số toàn phương trung bình gốc (RMSE) được tính bằng căn bậc hai sai số MSE, RMSE được sử dụng để nghiên cứu về khuynh hướng sai số, biên độ sai số tuyệt đối và giá trị sai số thực.

Bộ lọc Kalman là một tập hợp các phương trình toán học nhằm cung cấp một phương pháp tính toán đệ quy (recursively) hiệu quả để ước lượng trạng thái của một quá trình, theo cách tối thiểu hóa giá trị trung bình của bình phương lỗi (phương sai: mean squared error). Bộ lọc rất hiệu quả trên các khía cạnh sau: Nó cho phép ước lượng trạng thái quá khứ, hiện tại thậm chí cả tương lai, và bộ lọc có thể hoạt động ngay cả khi độ chính xác thực sự của mô hình hệ thống là chưa biết. Tổng quan Theo Kaizen [3], trực quan hóa là một trong những kỹ thuật biến đổi thông tin thành những hình ảnh, biểu đồ hoặc hoạt động diễn hoạt để con người có thể quan sát bằng mắt ở bất kỳ thời điểm nào, từ đó thể đưa ra những nhận định, phán đoán tùy theo góc độ, kiến thức, sự hiểu biết… của người quan sát về thông tin đó. 8 Trực quan hóa được phân thành nhiều nhánh để nghiên cứu và phát triển như: + Trực quan hóa khoa học; + Trực quan hóa thông tin; + Trực quan hóa giáo dục; + Trực quan hóa tri thức; + Trực quan hóa dữ liệu; + Trực quan hóa sản phẩm; + Phân tích trực quan; + Truyền thông trực quan; Để phân tích tình hình dân số thế giới hay cụ thể ở một quốc gia nào đó, một số nhà nghiên cứu đã sử dụng phương pháp trực quan hóa thông tin để biểu diễn.1, các nhà nghiên cứu đã mô tả dân số nước Mỹ năm 1999 thông qua bản đồ để phân tích và so sánh với tình hình dân số với các nước Canada và Áo [4].

Mô hình trực quan hóa thông tin biểu diễn dân số nước Mỹ năm 1999 Để trực quan hóa hồ sơ công việc hay sơ yếu lý lịch của nhân viên trong công ty, mô hình trực quan hóa dữ liệu được sử dụng để biểu diễn trực quan thông tin của nhân viên trong công ty như ở hình 2.2: Mô hình trực quan hóa dữ liệu để biểu diễn sơ yếu lý lịch1 Tác giả Charles Joseph Minard đã sử dụng mô hình phân tích trực quan để biểu diễn cuộc hành quân của Napoleon năm 1812 – 1813 khi rút quân ra khỏi Mowcow, hình 2.3 biểu diễn biến động số lượng quân của khi rút khỏi Mowcow theo thời gian.3: Bản đồ hành quân của Napoleon khi rút quân khỏi Mowcow (1812- 1813)2 1 Hình ảnh tham chiếu tại: https://venngage.com/blog/dos-donts-infographic-resumes/ 2 Hình ảnh tham chiếu tại: https://www. Trực quan hóa dữ liệu Trực quan hóa dữ liệu là một nhánh thuộc trực quan hóa, là một thuật ngữ mô tả cho việc biểu diễn trực quan dữ liệu nhằm giúp mọi người dễ hiểu bộ dữ liệu đó thông qua phương pháp trực quan. Qua mô hình trực quan hóa, mỗi người xem sẽ cho một đánh giá khác nhau tùy thuộc vào trình độ, chuyên môn của người xem. Hiện nay, có nhiều công cụ hỗ trợ trực quan hóa bộ dữ liệu mà nó vượt xa các biểu đồ, bảng biểu thống kê thông thường như bộ công cụ văn phòng của Microsoft: Word, Excel, các công cụ này cho phép biểu diễn và tra cứu thông tin, dữ liệu nhiều mức và nhiều chiều.

Dữ liệu được hiển thị một cách tinh vi sinh động trên infographics, bản đồ địa lý, biểu đồ thu nhỏ, bản đồ nhiệt và biểu đồ chi tiết, biểu đồ cột,…. Các hình ảnh, đối tượng được trực quan có khả năng tương tác với người dùng để thực hiện các thao tác truy vấn và phân tích. BẢN ĐỒ KHÔNG GIAN – THỜI GIAN Bản đồ không gian – thời gian là một hình khối không gian trên hệ tọa độ Đề-các ba chiều nhằm biểu diễn các đối tượng không gian, các đối tượng không gian - thời gian và các đường cong không gian – thời gian có thứ tự nhằm kết nối các đối tượng không gian lại với nhau, đây chính là đường biểu diễn sự dịch chuyển của các đối tượng không gian-thời gian. Trong khuôn khổ luận văn này, bản đồ không gian – thời gian chính là sự kết giữa mặt phẳng bản đồ của thành phố với trục thời gian được biểu diễn vuông góc với mặt phẳng bản đồ.

Các đối tượng không gian là các trạm dừng xe buýt và lộ trình mà các xe buýt đi qua các trạm được cố định trên mặt phẳng bản đồ; thời gian đến trạm của các xe buýt được biểu diễn trên trục thời gian. Điểm không gian – thời gian trên bản đồ không gian – thời gian là điểm được kết hợp giữa thời gian được tham chiếu từ trục thời gian t và vị trí khi chiếu vuông góc xuống mặt phẳng bản đồ chính là trạm dừng xe buýt. [5] [6] [7] [8] [9] [10] [11] Một tuyến xe buýt bắt đầu từ điểm xuất phát đến trạm cuối cùng phải đi qua các trạm dừng để đón và trả khách theo quy định. Một tuyến xe buýt được đặt tên bởi tên của điểm đầu và điểm cuối.

Trong một ngày, có nhiều hành trình xe buýt 11 chạy trên tuyến đó với các thời điểm khác nhau, mỗi hành trình được quy định thời gian xuất phát và thời gian sẽ đến các điểm dừng để đón và trả khách, các hành trình chạy trên một tuyến được đánh số thứ tự theo thời điểm xuất phát của nó.[1][2] Một hành trình xe buýt biểu diễn trên bản đồ không gian-thời gian là một đường cong không gian-thời gian nối các điểm không gian-thời gian theo thứ tự tăng dần, giá trị biểu diễn trên trục thời gian t chính là thời gian thực tế mà xe buýt đến trạm của hành trình đó, đường cong này khi chiếu lên mặt phẳng bản đồ ta thu được tuyến xe buýt tương ứng của hành trình.4: Biểu diễn sự di chuyển của xe buýt trên hình khối không gian-thời gian Trong hình 2.4, mặt phẳng (x, y) biểu diễn bản đồ thành phố, trục t biểu diễn thời gian; các trạm dừng xe buýt được đánh số trên mặt phẳng bản đồ có màu đỏ chính là các trạm dừng mà xe buýt phải đi qua, A là trạm xuất phát và B là trạm 12 dừng cuối cùng, các trạm dừng bố trí trên bản đồ được gọi là các điểm không gian; đường màu cam nối từ trạm xuất phát đi qua các trạm dừng và kết thúc tại trạm cuối gọi là một hành trình của xe buýt.