PHÂN TÍCH TƯƠNG TÁC GIỮA CÁC XE TẠI NÚT GIAO THÔNG BẰNG PHƯƠNG PHÁP AGENT – BASED MODEL

Mục tiêu của đề tài là xây dựng mô hình mô phỏng giao thông cho nút giao thông có đèn tín hiệu với 2 tuyến đường giao nhau, mỗi tuyến có 4 làn xe. Ứng dụng các lý thuyết dòng xe, thu thập số liệu đầu vào cần thiết như kích thước hình học, thời gian đèn tín hiệu, lưu lượng xe. So sánh kết quả mô hình và thực tế để đánh giá độ chính xác. Mô hình hệ thống giao thông được coi là một trong những dạng mô hình phức tạp nhất. Do thời gian và kinh phí có hạn, đề tài chỉ tập trung xây dựng và đánh giá dựa trên một số liệu hạn chế tại TP.HCM, không xem xét điều kiện xe máy chen lấn, luồn lách.

Trong luận văn này trình bày một hướng tiếp cận khác góp phần vào việc ứng dụng các nghiên cứu trong nước và thế giới vào tình hình giao thông cụ thể tại nước ta, đó là mô phỏng giao thông dựa trên phương pháp Agent-Based Model. Việc mô phỏng có thể được thực hiện theo hai hướng mô phỏng vĩ mô hoặc mô phỏng vi mô. Trong mô phỏng vi mô ta xem mỗi một xe tham gia giao thông như là một tác tử, các tác tử có thể tương tác với nhau và tương tác với môi trường quanh nó, chính là hệ thống giao thông nơi tác tử đó tham gia lưu thông. Mỗi tác tử sẽ hoạt động dựa trên những thông số mà nó được yêu cầu và được chia làm ba loại: hành vi tự thân của tác tử, ảnh hưởng hành vi của tác tử này lên các tác tử khác và ảnh hưởng hành vi của tác tử đối với môi trường.

Thông thường đối với các nước phát triển thì mô hình chủ yếu được xây dựng cho xe ô tô, ngược lại đối với những nước vẫn còn sử dụng nhiều xe máy như nước ta, Ấn Độ, Thái Lan thì việc xây dựng mô hình dành cho dòng xe hỗn hợp bao gồm xe ô tô, xe máy là cần thiết. Một trong những hạn chế chính là bỏ qua sự tương tác phức tạp giữa các phương tiện khác nhau, đặc biệt là xe máy, và hành vi lái xe đặc trưng của người Việt. Việc bỏ qua các yếu tố này có thể dẫn đến kết quả mô phỏng không chính xác và không hữu ích trong việc giải quyết các vấn đề giao thông thực tế.

Mô hình hóa giao thông ở nước ta với hai thành phần tham gia giao thông chủ yếu là xe gắn máy và ô tô là cần thiết đặc biệt là nghiên cứu tại nút giao thông nơi mà ảnh hưởng của xe gắn máy là rõ ràng nhất đối với khả năng thông hành của một nút giao. Các mô hình trước đây chưa thể hiện đúng bản chất của dòng xe hỗn hợp, dẫn đến kết quả không chính xác. Việc xây dựng mô hình cho dòng xe hỗn hợp sẽ giúp các nhà quản lý giao thông hiểu rõ hơn về tác động của xe máy đến luồng giao thông và đưa ra các giải pháp phù hợp.

Hành vi lái xe là yếu tố quan trọng ảnh hưởng đến tương tác xe tại nút giao. Việc phân tích tác động của hành vi lái xe giúp xây dựng mô hình mô phỏng chính xác hơn. Cần có những nghiên cứu chuyên sâu về tâm lý người lái, phong tục và thói quen tham gia giao thông để mô hình hóa hành vi này một cách hiệu quả nhất. Các yếu tố như thói quen chen lấn, vượt đèn đỏ, chuyển làn không đúng quy định cần được xem xét kỹ lưỡng.

Xây dựng mô hình mô phỏng giao thông dựa trên phương pháp Agent-Based Model là một quá trình phức tạp đòi hỏi kiến thức về lập trình, giao thông và thống kê. Mô hình cần phải mô tả chính xác các yếu tố như hình học nút giao, thời gian đèn tín hiệu, luồng giao thông, và hành vi của các phương tiện. Việc lựa chọn phần mềm mô phỏng phù hợp cũng rất quan trọng. Netlogo là một trong những lựa chọn phổ biến và hiệu quả.

Các dữ liệu đầu vào cần thiết cho việc thiết lập mô hình mô phỏng như: các điều kiện về kích thước hình học, thời gian đèn tín hiệu giao thông, lưu lượng xe ô tô, xe máy, xe tải, phần trăm xe rẽ trái, phần trăm xe rẽ phải để thực hiện việc mô hình chuyển động và sự ảnh hưởng của các xe trong nút giao thông nghiên cứu. Kiểm định các thông số của mô hình và hiệu chỉnh cho kết quả phù hợp với thực tế rất quan trọng. Điều này giúp đảm bảo độ tin cậy của mô hình và đưa ra các dự đoán chính xác.

Độ chính xác của mô hình ABM phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu đầu vào, độ phức tạp của mô hình, và khả năng mô phỏng hành vi của người lái. Việc đơn giản hóa quá mức có thể dẫn đến kết quả không chính xác. Cần phải cân bằng giữa độ phức tạp và khả năng tính toán để đảm bảo mô hình hoạt động hiệu quả.

Phân tích lưu lượng vào, ra khỏi nút giao được so sánh và hiệu chỉnh với thực tế để đánh giá tính khả thi của việc mô phỏng giao thông theo những cơ sở lý thuyết đã áp dụng. Điều này giúp hiểu rõ hơn về cách xe di chuyển qua nút giao và xác định các điểm nghẽn. Các yếu tố như vận tốc xe, mật độ giao thông, và thời gian chờ đợi có thể được phân tích chi tiết.

So sánh kết quả giữa mô hình và thực tế để đánh giá độ chính xác của mô hình mô phỏng để đánh giá hiệu quả của các biện pháp điều khiển giao thông truyền thống và điều khiển giao thông thích ứng sử dụng agent-based model. ABM cho phép thử nghiệm các giải pháp điều khiển giao thông khác nhau và chọn ra giải pháp tốt nhất. Điều này giúp cải thiện lưu lượng giao thông và giảm thời gian di chuyển.

Mô hình ABM có thể được sử dụng để đánh giá an toàn của các thiết kế nút giao thông khác nhau. Phân tích rủi ro tai nạn giao thông tại nút giao thông dựa trên mô phỏng agent-based từ đó giúp thiết kế các nút giao thông an toàn hơn cho người tham gia giao thông, đặc biệt là người đi bộ và xe máy. Các yếu tố như tầm nhìn, góc độ giao cắt, và chiều rộng làn đường cần được xem xét kỹ lưỡng.

Một hướng tiếp cận khác góp phần vào việc ứng dụng các nghiên cứu trong nước và thế giới vào tình hình giao thông cụ thể tại nước ta, đó là mô phỏng giao thông dựa trên phương pháp Agent-Based Model. Kết hợp với các phương pháp khác (ví dụ: Machine Learning, Deep Learning) để cải thiện độ chính xác và hiệu quả của mô hình.

Cần tích hợp big data in transportation dữ liệu lớn từ các nguồn khác nhau (ví dụ: GPS, camera giao thông, cảm biến) để cải thiện độ chính xác của mô hình và cung cấp thông tin chi tiết hơn về hành vi giao thông. Phân tích độ nhạy của mô hình agent-based đối với các tham số đầu vào khác nhau.

Sử dụng các thuật toán Machine Learning để dự đoán hành vi của người lái và tự động điều chỉnh các tham số của mô hình để phản ánh các thay đổi trong điều kiện giao thông. Ứng dụng machine learning in transportation vào mô hình giao thông trong tương lai.