Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của công nghệ thông tin, các hệ thống bản đồ số đóng vai trò thiết yếu trong đời sống hiện đại. Tại Việt Nam, nền tảng bản đồ số VMap đã được ra mắt với hơn 23,4 triệu dữ liệu địa chỉ trên toàn quốc, phục vụ nhu cầu tìm kiếm vị trí, địa điểm và chỉ đường. Tuy nhiên, chức năng chỉ đường của VMap hiện nay vẫn còn nhiều hạn chế, đặc biệt trong việc ước tính thời gian di chuyển thực tế do thiếu dữ liệu tín hiệu và lưu lượng giao thông. Tình trạng ùn tắc giao thông tại các thành phố lớn như Hà Nội làm cho tốc độ di chuyển thay đổi theo thời gian và địa điểm, gây khó khăn cho việc dự báo chính xác thời gian đi lại.

Mục tiêu nghiên cứu của luận văn là phát triển thuật toán tìm đường đi nhanh nhất theo thời gian cho nền tảng VMap, sử dụng dữ liệu lưu lượng giao thông từ Google Traffic Tiles. Nghiên cứu tập trung vào xây dựng công cụ thu thập dữ liệu, phát triển thuật toán ước lượng thời gian di chuyển thực tế, triển khai và đánh giá hiệu quả trên nền tảng VMap. Phạm vi nghiên cứu tập trung tại 12 quận nội thành Hà Nội với hơn 15.000 tile dữ liệu giao thông được thu thập và xử lý.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác của chức năng chỉ đường, giúp người dùng lựa chọn tuyến đường tối ưu về thời gian, góp phần giảm thiểu ùn tắc và nâng cao hiệu quả giao thông đô thị. Kết quả nghiên cứu cũng mở ra hướng phát triển các ứng dụng dân sinh dựa trên bản đồ số tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Lý thuyết đồ thị và thuật toán định tuyến: Sử dụng mô hình đồ thị để biểu diễn mạng lưới đường bộ, trong đó các đỉnh là giao điểm và các cạnh là đoạn đường. Thuật toán Dijkstra và các biến thể được áp dụng để tìm đường đi ngắn nhất hoặc nhanh nhất dựa trên trọng số thời gian di chuyển.

  • Chuẩn Web Map Tile Service (WMTS): Tiêu chuẩn của tổ chức OGC cho phép chia bản đồ số thành các mảnh (tile) để tải và xử lý nhanh chóng, phục vụ cho việc thu thập dữ liệu giao thông từ Google Traffic Tiles.

  • Mô hình học máy (Machine Learning): Áp dụng các thuật toán hồi quy tuyến tính và mạng nơ-ron hồi quy (RNN) để xây dựng mô hình ước lượng thời gian di chuyển dựa trên dữ liệu giao thông thu thập được.

Các khái niệm chính bao gồm: node, way, relation trong dữ liệu OpenStreetMap; các mức độ giao thông (xanh, cam, đỏ, nâu) trong Google Traffic Tiles; polyline mã hóa đường đi; và các chỉ số đánh giá mô hình như hệ số xác định R2 và sai số RMSE.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm:

  • Dữ liệu địa chỉ và đường bộ của VMap với hơn 23,4 triệu địa chỉ và dữ liệu đường theo chuẩn OpenStreetMap.
  • Dữ liệu giao thông thời gian thực từ Google Traffic Tiles, thu thập tại 12 quận nội thành Hà Nội với tổng số 15.128 tile.
  • Dữ liệu thử nghiệm gồm 3.401 bộ dữ liệu chỉ đường, trong đó 3.000 dùng để huấn luyện và 401 để kiểm thử.

Phương pháp phân tích:

  • Thu thập dữ liệu Google Traffic Tiles bằng công cụ viết trên NodeJS, sử dụng thư viện polygon-lookup để xác định tile thuộc khu vực nghiên cứu.
  • Xây dựng thuật toán tìm đường đi nhanh nhất theo thời gian dựa trên kết quả chỉ đường của VMap, kết hợp với dữ liệu giao thông để ước lượng thời gian di chuyển chính xác hơn.
  • Áp dụng mô hình học máy (Linear Regression và RNN) để dự đoán thời gian di chuyển dựa trên đặc trưng giao thông trích xuất từ tile.
  • Đánh giá mô hình bằng hệ số R2 và sai số RMSE, lựa chọn mô hình tối ưu để triển khai.
  • Triển khai thuật toán trên nền tảng VMap sử dụng Python, Flask và cấu hình proxy Nginx để thay thế dịch vụ chỉ đường cũ.

Timeline nghiên cứu kéo dài từ tháng 10/2019 đến 09/2020, tập trung vào thu thập dữ liệu, phát triển thuật toán, thử nghiệm và triển khai thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Thu thập dữ liệu giao thông hiệu quả: Tổng số 15.128 tile Google Traffic Tiles được tải về trong khoảng 133,46 giây, bao phủ 12 quận nội thành Hà Nội, cung cấp dữ liệu giao thông thời gian thực với độ phân giải cao (zoom 18).

  2. Mô hình học máy ước lượng thời gian di chuyển: So sánh hai mô hình hồi quy tuyến tính và RNN trên bộ dữ liệu thử nghiệm 3.401 mẫu, mô hình RNN đạt hệ số xác định R2 cao hơn và giảm sai số RMSE tới 27% so với hồi quy tuyến tính, cho thấy khả năng dự đoán chính xác hơn.

  3. Cải thiện độ chính xác chỉ đường: Thử nghiệm thực tế trên các tuyến đường tại Hà Nội cho thấy thuật toán mới của VMap cho kết quả ước lượng thời gian di chuyển gần sát với thực tế hơn so với phiên bản cũ và tương đương với Google Map. Ví dụ, tuyến 144 Xuân Thủy → 716 Láng, thời gian thực tế là 17 phút, VMap mới ước lượng đúng 17 phút, trong khi VMap cũ chỉ 10 phút.

  4. Triển khai thành công dịch vụ mới: Thuật toán được tích hợp vào nền tảng VMap, chạy ổn định trên cổng 8000 với proxy Nginx, phục vụ cả nền tảng web và di động, đáp ứng yêu cầu thời gian thực và khả năng mở rộng.

Thảo luận kết quả

Nguyên nhân cải thiện độ chính xác là do việc sử dụng dữ liệu giao thông thời gian thực từ Google Traffic Tiles, cho phép mô hình ước lượng thời gian di chuyển phản ánh đúng tình trạng ùn tắc và mật độ phương tiện tại từng đoạn đường. Việc chia nhỏ tuyến đường thành các đoạn nhỏ (~5,96m) và trích xuất đặc trưng giao thông chi tiết giúp mô hình học máy nắm bắt được biến động giao thông theo thời gian.

So với các nghiên cứu trước đây sử dụng dữ liệu vị trí phương tiện hoặc đo trực tiếp, phương pháp sử dụng Google Traffic Tiles có ưu điểm chi phí thấp, độ bao phủ rộng và cập nhật nhanh. Mô hình RNN tận dụng khả năng ghi nhớ chuỗi dữ liệu giúp dự đoán thời gian di chuyển chính xác hơn so với hồi quy tuyến tính đơn giản.

Dữ liệu có thể được trình bày qua biểu đồ so sánh thời gian di chuyển thực tế, VMap cũ, VMap mới và Google Map trên các tuyến đường thử nghiệm, cũng như bảng thống kê chỉ số R2 và RMSE của các mô hình học máy. Điều này minh chứng rõ ràng hiệu quả của thuật toán mới trong việc nâng cao chất lượng dịch vụ chỉ đường.

Đề xuất và khuyến nghị

  1. Mở rộng thu thập dữ liệu giao thông: Triển khai công cụ thu thập Google Traffic Tiles trên toàn bộ các quận, huyện của các thành phố lớn trong vòng 12 tháng để nâng cao độ chính xác và bao phủ dữ liệu giao thông.

  2. Cải tiến mô hình học máy: Nghiên cứu áp dụng các mô hình học sâu tiên tiến hơn như LSTM hoặc Transformer để tăng khả năng dự đoán thời gian di chuyển, đặc biệt trong các tình huống giao thông phức tạp, dự kiến hoàn thành trong 6 tháng tiếp theo.

  3. Tích hợp dữ liệu tín hiệu giao thông: Phối hợp với các cơ quan quản lý để thu thập và cập nhật dữ liệu đèn tín hiệu và biển báo giao thông tự động, giúp mô hình ước lượng thời gian di chuyển chính xác hơn, thực hiện trong vòng 18 tháng.

  4. Phát triển API mở cho nhà phát triển: Cung cấp API tìm đường và ước lượng thời gian di chuyển dựa trên thuật toán mới cho các nhà phát triển ứng dụng dân sinh, doanh nghiệp trong và ngoài nước, nhằm thúc đẩy hệ sinh thái ứng dụng bản đồ số tại Việt Nam, triển khai trong 3 tháng tới.

  5. Tăng cường trải nghiệm người dùng: Cải thiện giao diện và tính năng trên ứng dụng VMap, cung cấp thông tin giao thông thời gian thực, cảnh báo ùn tắc và đề xuất tuyến đường thay thế, nâng cao sự hài lòng của người dùng trong 6 tháng tới.

Đối tượng nên tham khảo luận văn

  1. Các nhà phát triển phần mềm bản đồ số và ứng dụng giao thông: Có thể áp dụng thuật toán và công cụ thu thập dữ liệu để nâng cao chất lượng dịch vụ chỉ đường, cải thiện trải nghiệm người dùng.

  2. Cơ quan quản lý giao thông đô thị: Tham khảo phương pháp thu thập và phân tích dữ liệu giao thông để hỗ trợ công tác quy hoạch, điều phối giao thông hiệu quả hơn.

  3. Các nhà nghiên cứu trong lĩnh vực khoa học máy tính và trí tuệ nhân tạo: Tìm hiểu ứng dụng mô hình học máy trong dự đoán thời gian di chuyển và xử lý dữ liệu không gian địa lý.

  4. Doanh nghiệp cung cấp dịch vụ vận tải và logistics: Sử dụng kết quả nghiên cứu để tối ưu hóa lộ trình vận chuyển, giảm chi phí và thời gian giao hàng.

Câu hỏi thường gặp

  1. Tại sao cần sử dụng dữ liệu Google Traffic Tiles thay vì dữ liệu vị trí phương tiện?
    Dữ liệu Google Traffic Tiles cung cấp thông tin giao thông thời gian thực với độ phân giải cao và cập nhật liên tục, không phụ thuộc vào số lượng người dùng như dữ liệu vị trí phương tiện. Điều này giúp ước lượng thời gian di chuyển chính xác hơn trong điều kiện giao thông phức tạp.

  2. Mô hình RNN có ưu điểm gì so với hồi quy tuyến tính trong bài toán này?
    RNN có khả năng xử lý chuỗi dữ liệu và ghi nhớ thông tin trước đó, phù hợp với dữ liệu giao thông có tính thời gian và không gian liên tục. Kết quả thử nghiệm cho thấy RNN giảm sai số RMSE tới 27% so với hồi quy tuyến tính.

  3. Làm thế nào để thuật toán xử lý sự không khớp giữa hệ thống đường của VMap và Google?
    Thuật toán mở rộng cửa sổ lấy dữ liệu trên tile Google Traffic để bù đắp sự khác biệt về vị trí đường, đồng thời sử dụng kỹ thuật nội suy và chuẩn hóa dữ liệu màu sắc để trích xuất chính xác mức độ giao thông.

  4. Thuật toán có thể áp dụng cho các thành phố khác ngoài Hà Nội không?
    Có thể áp dụng, tuy nhiên cần thu thập dữ liệu Google Traffic Tiles tương ứng khu vực đó và huấn luyện lại mô hình để đảm bảo độ chính xác phù hợp với đặc điểm giao thông địa phương.

  5. Làm thế nào để tích hợp thuật toán vào hệ thống VMap hiện tại?
    Thuật toán được triển khai dưới dạng API sử dụng Python và Flask, cấu hình proxy Nginx để thay thế dịch vụ chỉ đường cũ, đảm bảo tương thích và dễ dàng mở rộng trên nền tảng web và di động.

Kết luận

  • Luận văn đã phát triển thành công thuật toán tìm đường đi nhanh nhất theo thời gian cho nền tảng VMap, sử dụng dữ liệu Google Traffic Tiles để ước lượng thời gian di chuyển thực tế.
  • Mô hình học máy RNN được chứng minh hiệu quả hơn hồi quy tuyến tính với sai số RMSE giảm 27%, nâng cao độ chính xác dự đoán.
  • Thuật toán mới được triển khai và thử nghiệm thực tế tại 12 quận Hà Nội, cho kết quả ước lượng thời gian di chuyển sát với thực tế và tương đương Google Map.
  • Công cụ thu thập dữ liệu và dịch vụ API được xây dựng trên nền tảng NodeJS và Python, đảm bảo khả năng mở rộng và tích hợp dễ dàng.
  • Định hướng phát triển tiếp theo bao gồm mở rộng thu thập dữ liệu, cải tiến mô hình học máy, tích hợp dữ liệu tín hiệu giao thông và phát triển API mở cho cộng đồng.

Để nâng cao hiệu quả dịch vụ bản đồ số và chỉ đường tại Việt Nam, các nhà phát triển và cơ quan quản lý được khuyến nghị áp dụng kết quả nghiên cứu này, đồng thời tiếp tục đầu tư vào thu thập và xử lý dữ liệu giao thông thời gian thực.