Giới thiệu dự án

Ùn tắc giao thông (UTGT) tại các đô thị lớn ở Việt Nam đang là một thách thức kinh tế - xã hội nghiêm trọng. Theo đánh giá từ Cơ quan Hợp tác Quốc tế Nhật Bản (JICA), các đô thị hạt nhân như Hà Nội và TP. Hồ Chí Minh chịu tổn thất kinh tế ước tính từ 2% đến 3% tổng sản phẩm quốc nội (GDP) mỗi năm do lãng phí thời gian di chuyển, tiêu hao nhiên liệu và ô nhiễm môi trường. Thống kê năm 2023 cho thấy toàn TP. Hồ Chí Minh xảy ra 4.469 vụ ùn ứ giao thông, xuất phát từ nhu cầu đi lại bình quân từ 2,7 đến 3,0 chuyến/người/ngày, trong khi vận tải hành khách công cộng (VTHKCC) mới chỉ đáp ứng được khoảng 9,2% đến 18% nhu cầu thực tế.

+-------------------------------------------------------------------------+
|                              THỰC TRẠNG                                 |
|  - Tổn thất GDP: 2% - 3% (theo JICA)                                    |
|  - 4.469 vụ ùn ứ giao thông trong năm 2023 tại TP.HCM                   |
|  - Nhu cầu đi lại: 2,7 - 3,0 chuyến/người/ngày                          |
|  - Tỷ lệ đáp ứng VTHKCC: < 10% tại TP.HCM (mục tiêu 2030: 25%)         |
+-------------------------------------------------------------------------+

Vấn đề cốt lõi nằm ở sự mất cân bằng giữa tốc độ đô thị hóa nhanh và năng lực mở rộng hạ tầng giao thông vật lý. Việc can thiệp trực tiếp lên hiện trường để thử nghiệm phân làn hay thay đổi chu kỳ đèn tín hiệu tiềm ẩn rủi ro tê liệt giao thông cục bộ và chi phí thử nghiệm thực địa vô cùng đắt đỏ. Khóa luận tốt nghiệp ngành Kỹ thuật Máy tính (Trường Đại học Công nghệ Thông tin - ĐHQG-HCM) đã đề xuất giải pháp: Thiết kế hệ thống mô phỏng đánh giá mật độ giao thông trong đô thị, tập trung thử nghiệm trên địa bàn TP. Thủ Đức (quy mô 211,56 km²).

Mục tiêu cụ thể của dự án:

  1. Xây dựng quy trình tự động hóa trích xuất và tiền xử lý mạng lưới bản đồ giao thông thực tế quy mô lớn từ OpenStreetMap (OSM) qua QGIS và JOSM sang định dạng mô phỏng SUMO (.net.xml).
  2. Thiết lập mô hình toán học quy đổi từ mật độ dân số (người/km²) và cơ cấu phương tiện sang lưu lượng tương đương đơn vị xe con (Passenger Car Unit - PCU/giờ) theo tiêu chuẩn Việt Nam TCVN 104-2007.
  3. Tự động hóa quá trình phát sinh luồng phương tiện ngẫu nhiên (randomTrips.py) và định tuyến tối ưu (duarouter) theo các kịch bản hiện tại và dự báo quy hoạch đến năm 2030, 2040.
  4. Xây dựng công cụ phân tích tự động ("Speed Extractor") nhằm thu thập, trích xuất dữ liệu vận tốc trung bình và tải trọng trên từng đoạn đường (edge) và nút giao thông trọng điểm.

Dự án giới hạn phạm vi mô phỏng ở mức vi mô (microscopic) trên mạng lưới đường bộ của TP. Thủ Đức, sử dụng các phương tiện cơ giới mặt đất (xe máy, ô tô, xe buýt, xe tải) và đánh giá dựa trên các kịch bản lưu lượng tĩnh và biến thiên theo giờ cao điểm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng hệ thống, các phương pháp đánh giá và kiểm soát giao thông hiện hữu được đưa ra so sánh toàn diện:

Tiêu chí Hệ thống Camera AI & Thị giác máy tính Mô phỏng vi mô thương mại (PTV VISSIM 5.20) Hệ thống mã nguồn mở SUMO kết hợp Python (Giải pháp đề xuất)
Chi phí bản quyền Rất cao (chi phí phần cứng camera + server xử lý GPU) Rất cao (chi phí license độc quyền thương mại) Miễn phí (Mã nguồn mở GPL)
Quy mô mạng lưới Cục bộ tại các góc quay camera Nút giao hoặc phạm vi bán kính nhỏ Quy mô toàn đô thị/thành phố (> 200 km²)
Hiệu năng tính toán Phụ thuộc băng thông video và GPU Nặng, giới hạn số lượng phương tiện đồng thời Nhẹ, đạt tới 700.000 Updates Per Second (UPS)
Khả năng dự báo Chỉ phản ánh quá khứ và hiện tại Mô phỏng kịch bản giả định tốt Mô phỏng linh hoạt theo kịch bản quy hoạch tương lai
Tính mở rộng Khó tích hợp với các thuật toán định tuyến tùy biến Khép kín, giao diện API hạn chế Mở hoàn toàn qua file XML, TraCI API (C++/Python)

Yêu cầu hệ thống được lượng hóa thông qua ma trận MoSCoW:

  • Must have: Trích xuất bản đồ TP. Thủ Đức; chuyển đổi OSM sang mạng lưới SUMO; tính toán lưu lượng PCU từ mật độ dân số; mô phỏng CLI/GUI; xuất dữ liệu thống kê vận tốc từng edge.
  • Should have: Giao diện chọn nhanh kịch bản và khu vực nút giao trọng điểm; tự động hóa luồng sinh file cấu hình .sumocfg.
  • Could have: Tích hợp điều khiển đèn tín hiệu giao thông thích nghi qua giao thức TraCI.
  • Won't have (lần này): Mô phỏng mạng không dây giữa các phương tiện (VANET) theo thời gian thực và mô hình hành vi người đi bộ phức tạp.

Thiết kế hệ thống

Kiến trúc hệ thống vận hành theo chu trình khép kín 5 tầng chức năng:

graph TD
    A[Dữ liệu OSM - OpenStreetMap] -->|QGIS + OSMDownloader| B[File .osm thô]
    B -->|JOSM tiền xử lý & lọc hạ tầng| C[File .osm sạch]
    C -->|SUMO netconvert| D[Mạng lưới giao thông .net.xml]
    E[Mật độ dân số & Tỷ lệ xe] -->|Mô hình toán PCU TCVN 104-2007| F[Tính toán PCU/h]
    F -->|randomTrips.py| G[Tập hành trình .trip.xml]
    D --> H[duarouter]
    G --> H
    H -->|Định tuyến đường đi ngắn nhất| I[Kịch bản luồng xe .rou.xml]
    D --> J[sumo / sumo-gui]
    I --> J
    K[File bổ sung .add.xml - edgeData] --> J
    J -->|Thực thi mô phỏng vi mô| L[Dữ liệu MeanData test_edge.xml]
    L -->|Python Speed Extractor GUI| M[Biểu đồ & Báo cáo vận tốc nút giao]

Technology Stack chi tiết:

  • Mô phỏng vi mô: SUMO (Simulation of Urban MObility) phiên bản 1.20.0 (hỗ trợ C++, Python API, TraCI).
  • Hệ thống thông tin địa lý (GIS): QGIS phiên bản 3.28 LTR kết hợp plugin OSMDownloader để quét trích xuất vùng tọa độ chữ nhật lớn hơn 50.000 nodes.
  • Xử lý dữ liệu không gian: JOSM (Java OpenStreetMap Editor) phiên bản 18822 phục vụ chuẩn hóa layer, xóa tags không thuộc hạ tầng giao thông đường bộ.
  • Môi trường lập trình và phân tích: Python 3.10+, thư viện XML Parser (xml.etree.ElementTree), Tkinter/PyQt hỗ trợ giao diện GUI trích xuất dữ liệu.

Methodology

Quy trình phát triển áp dụng mô hình lặp theo hướng tiếp cận thực nghiệm (Experimental Prototyping) qua 4 mốc quan trọng (Milestones):

  • Milestone 1 (Tuần 1 - 4): Thu thập dữ liệu địa lý, khảo sát giao thông TP. Thủ Đức và làm chủ công cụ netconvert, JOSM.
  • Milestone 2 (Tuần 5 - 8): Xây dựng công thức toán học liên kết mật độ dân số - PCU và sinh dữ liệu hành trình ngẫu nhiên.
  • Milestone 3 (Tuần 9 - 12): Tích hợp bộ thu thập dữ liệu edgeData, chạy thử nghiệm mô phỏng toàn thành phố trên SUMO.
  • Milestone 4 (Tuần 13 - 16): Phát triển module lọc dữ liệu ("Speed Extractor"), đánh giá độ trễ/vận tốc tại 4 tuyến đường và 4 nút giao trọng điểm.

Implementation và kết quả

Development process

Quá trình hiện thực hóa hệ thống bao gồm việc tự động hóa các công đoạn xử lý dữ liệu đầu vào và đầu ra.

1. Chuyển đổi và chuẩn hóa mạng lưới bản đồ

Sau khi tải bản đồ khu vực TP. Thủ Đức từ QGIS và xử lý lọc bỏ các đa giác nhà cửa, đường thủy bằng JOSM, công cụ netconvert được sử dụng để xây dựng cấu trúc topo giao thông:

netconvert --osm-files ThuDucCity_clean.osm -o ThuDucCity.net.xml \
           --geometry.remove --roundabouts.guess \
           --ramps.guess --junctions.join --tls.guess-signals

File cấu trúc .net.xml sinh ra chứa chi tiết toàn bộ các nút (junction), các đoạn đường (edge) và làn đường (lane), kiểm soát vận tốc thiết kế và loại phương tiện được phép lưu thông:

<edge id="-10001038052_1" function="internal">
    <lane id="-10001038052_1_0" index="0" 
          disallow="tram rail_urban rail rail_electric rail_fast ship" 
          speed="13.89" length="12.50"/>
</edge>

2. Mô hình toán học tính toán lưu lượng PCU từ mật độ dân số

Hệ thống sử dụng tỷ lệ phương tiện thực tế tại TP.HCM gồm: Xe máy (86,90%), Ô tô (9,07%), Phương tiện khác (4,03%). Hệ số quy đổi PCU theo tiêu chuẩn TCVN 104-2007 (vận tốc thiết kế 40-50 km/h) lần lượt là: $PCU_{XM} = 0,25$; $PCU_{OT} = 1,0$; $PCU_{PTK} = 3,17$.

Công thức tổng quát tính lưu lượng PCU/giờ ($P$) theo mật độ dân số ($MDDS$ - người/km²) trên diện tích tự nhiên của TP. Thủ Đức ($DT = 211,56 \text{ km}^2$) với số chuyến đi phát sinh theo giờ ($SLCĐPSTG = 0,1276 \text{ chuyến/giờ/người}$):

$$P = MDDS \times DT \times \left( MĐXM \times PCUXM + MĐÔTÔ \times PCUOT + MĐPTK \times PCUPTK \right) \times SLCĐPSTG$$

Thay thế các tham số thực nghiệm:

$$P = MDDS \times 211,56 \times (0,8327 \times 0,25 + 0,0907 \times 1,0 + 0,0374 \times 3,17) \times 0,1276$$ $$P = MDDS \times 11,2686 \quad (\text{PCU/h})$$

Với mật độ dân số năm 2023 là $6.078 \text{ người/km}^2$, lưu lượng PCU đầu vào được xác định: $P_{2023} = 6.078 \times 11,2686 \approx 68.490 \text{ PCU/h}$.

3. Sinh luồng hành trình và định tuyến

Dựa vào tổng lưu lượng $P$ tính toán được, công cụ randomTrips.py và duarouter của SUMO được tự động kích hoạt:

# Sinh các cặp điểm đi - đến ngẫu nhiên (trip)
python $SUMO_HOME/tools/randomTrips.py -n ThuDucCity.net.xml \
       -e 3600 -p 0.0525 -o ThuDucCity.trip.xml --validate

# Tính toán định tuyến tối ưu shortest path dựa trên thuật toán Dijkstra
duarouter -n ThuDucCity.net.xml --route-files ThuDucCity.trip.xml \
          -o ThuDucCity.rou.xml --ignore-errors

File cấu hình tổng thể ThuDucCity.sumocfg kết hợp mạng lưới, kịch bản luồng xe và bộ thu thập dữ liệu edgeData:

<?xml version="1.0" encoding="iso-8859-1"?>
<configuration xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 
               xsi:noNamespaceSchemaLocation="http://sumo.dlr.de/xsd/sumoConfiguration.xsd">
    <input>
        <net-file value="ThuDucCity.net.xml"/>
        <route-files value="ThuDucCity.rou.xml"/>
        <additional-files value="ThuDucCity.add.xml"/>
    </input>
    <time>
        <begin value="0"/>
        <end value="3600"/>
    </time>
</configuration>

File bổ sung ThuDucCity.add.xml định nghĩa việc trích xuất thông số giao thông trung bình sau mỗi chu kỳ 3600 giây:

<additional>
    <edgeData id="edge_dump_3600" file="test_edge.xml" freq="3600"/>
    <laneData id="lane_dump_3600" file="test_lane.xml" freq="3600"/>
</additional>

4. Xử lý và trích xuất dữ liệu vận tốc (Speed Extractor)

Module Python thực hiện quét danh sách các mã định danh edge đại diện cho các trục giao thông trọng điểm từ file kết quả test_edge.xml:

import xml.etree.ElementTree as ET

def extract_traffic_metrics(edge_xml_path, target_edge_ids):
    tree = ET.parse(edge_xml_path)
    root = tree.getroot()
    total_speed = 0.0
    sampled_edges = 0
    total_travel_time = 0.0
    
    for interval in root.findall('interval'):
        for edge in interval.findall('edge'):
            edge_id = edge.get('id')
            if edge_id in target_edge_ids:
                # speed (m/s) = length / (sampledSeconds / vehicle_count)
                speed = float(edge.get('speed', 0.0))
                traveltime = float(edge.get('traveltime', 0.0))
                total_speed += speed
                total_travel_time += traveltime
                sampled_edges += 1
                
    avg_speed_kmh = (total_speed / sampled_edges) * 3.6 if sampled_edges > 0 else 0
    return avg_speed_kmh, total_travel_time

Testing và validation

Hệ thống được kiểm thử hiệu năng trên cấu hình máy trạm tầm trung (Intel Core i5-11400, 16GB RAM, Ubuntu 22.04 LTS).

Thông số kiểm thử Môi trường mô phỏng SUMO CLI (sumo) Môi trường giao diện đồ họa (sumo-gui)
Số lượng phương tiện đồng thời 68.490 vehicles 68.490 vehicles
Thời gian thực thi 1 giờ mô phỏng (3600s) 42,5 giây 185,2 giây (tùy thuộc tốc độ render đồ họa)
Hiệu năng xử lý (Updates Per Second - UPS) ~710.000 UPS ~160.000 UPS
Dung lượng RAM chiếm dụng 480 MB 1.150 MB
Tỷ lệ lỗi hành trình không tìm được đường 0,02% (bị loại bỏ an toàn qua --ignore-errors) 0,02%

Kết quả đạt được

Hệ thống mô phỏng đã hoàn thành đánh giá thực nghiệm trên 4 trục lộ chính và 4 nút giao điểm nóng tại TP. Thủ Đức với mật độ dân số hiện tại (2023) và dự báo tương lai (2025: 6.500 người/km², 2030: 8.976 người/km², 2040: 14.180 người/km²):

Vị trí khảo sát Vận tốc TB hiện tại 2023 (km/h) Vận tốc dự báo 2030 (km/h) Vận tốc dự báo 2040 (km/h) Đánh giá mức độ phục vụ (LOS)
Trục Phạm Văn Đồng 44,2 36,8 24,5 Suy giảm từ C xuống E
Trục Xa Lộ Hà Nội 41,8 32,5 18,2 Nguy cơ tắc nghẽn nghiêm trọng (F)
Trục Võ Văn Ngân 22,4 14,2 7,6 Ùn tắc nghiêm trọng giờ cao điểm
Trục Kha Vạn Cân 26,1 18,5 9,8 Quá tải mặt đường
Nút giao Vòng xoay Mỹ Thủy 16,5 9,4 4,2 Điểm nghẽn nghiêm trọng (xe container)
Nút giao An Phú 14,8 8,1 3,8 Điểm nghẽn nút thắt cổ chai
Ngã tư Thủ Đức 21,5 13,6 8,5 Cần tối ưu lại pha đèn tín hiệu
Ngã tư Bình Thái 23,2 15,1 9,1 Quá tải nhánh rẽ vào Đỗ Xuân Hợp

Đổi mới và đóng góp

  1. Thiết lập công thức toán học chuyển đổi trực tiếp Mật độ dân số $\rightarrow$ PCU động: Thay vì nhập thủ công ma trận O-D (Origin-Destination) vốn đòi hỏi khảo sát đắt tiền, hệ thống tích hợp công thức $P = MDDS \times 11,2686$ dựa trên cơ cấu phương tiện hỗn hợp đặc thù của giao thông đô thị Việt Nam (trên 86% xe máy).
  2. Quy trình tích hợp tự động OSM - QGIS - JOSM - SUMO: Giải quyết triệt để rào cản giới hạn 50.000 nodes của OSM, cho phép trích xuất hoàn chỉnh bản đồ một thành phố có diện tích trên 200 km² và tự động chuyển đổi sang topology mạng lưới SUMO mà không làm vỡ cấu trúc nút giao.
  3. Bộ công cụ Speed Extractor chuyên biệt: Tự động ánh xạ hàng ngàn mã định danh edge nội bộ của SUMO sang các tên đường thực tế, hỗ trợ xuất báo cáo vận tốc, lưu lượng và thời gian trễ trung bình.
  4. Tiết kiệm chi phí nghiên cứu: Giảm 100% chi phí bản quyền phần mềm mô phỏng thương mại (như VISSIM/Paramics với chi phí hàng chục ngàn USD/license), đồng thời giảm thời gian chuẩn bị mô hình từ hàng tuần xuống còn vài giờ.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Quy hoạch và thẩm định giao thông: Đánh giá tác động giao thông trước khi xây dựng các khu đô thị mới, trung tâm thương mại hoặc cầu vượt tại TP. Thủ Đức.
  • Tối ưu hóa pha đèn tín hiệu giao thông: Thử nghiệm các chu kỳ đèn 60s, 90s, 120s tại Ngã tư Thủ Đức và Vòng xoay Mỹ Thủy để tìm điểm cân bằng lưu lượng tối ưu.
  • Quy hoạch mạng lưới xe buýt & BRT: Đánh giá mức độ ảnh hưởng đến dòng xe hỗn hợp khi dành riêng 1 làn đường cho phương tiện giao thông công cộng.

Hướng dẫn triển khai (Deployment Guide)

# 1. Cài đặt SUMO trên Ubuntu Linux
sudo add-apt-repository ppa:sumo/stable
sudo apt-get update
sudo apt-get install sumo sumo-tools sumo-gui

# 2. Cấu hình biến môi trường
echo 'export SUMO_HOME="/usr/share/sumo"' >> ~/.bashrc
source ~/.bashrc

# 3. Clone source code dự án và khởi chạy
git clone https://github.com/uit-ce/urban-traffic-sumo.git
cd urban-traffic-sumo
python main_simulator.py --density 6078 --area 211.56 --gui True

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

  • Chi phí triển khai giải pháp: ~0 VNĐ chi phí bản quyền phần mềm (sử dụng 100% mã nguồn mở SUMO, QGIS, Python).
  • Chi phí phần cứng: Chỉ yêu cầu máy tính văn phòng thông thường (chi phí ~15 triệu VNĐ/máy) thay vì hệ thống máy chủ GPU đắt đỏ.
  • Thời gian hoàn vốn (ROI): Mang lại giá trị tức thì cho các cơ quan quy hoạch đô thị và các viện nghiên cứu, tiết kiệm hàng trăm triệu đồng chi phí khảo sát lưu lượng thủ công ngoài thực địa.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Dòng phương tiện trong mô phỏng tuân theo mô hình bám đuôi chuẩn (Car-following Krauss Model) và chuyển làn của SUMO, chưa phản ánh đầy đủ 100% tập quán di chuyển xe máy tự do (len lỏi, điền vào khoảng trống, lấn làn) tại Việt Nam.
  • Dữ liệu phát sinh hành trình (randomTrips.py) là ngẫu nhiên đồng đều theo không gian, chưa tích hợp trọng số theo các địa điểm thu hút giao thông lớn (như trường đại học, khu công nghệ cao, bệnh viện).

Hướng phát triển

  • Tích hợp giao diện điều khiển TraCI (Traffic Control Interface) kết hợp mạng học tăng cường sâu (Deep Reinforcement Learning - DRL) để điều khiển thích nghi thời gian thực hệ thống đèn tín hiệu giao thông (Adaptive Traffic Signal Control).
  • Xây dựng mô hình phương tiện xe máy chuyên biệt (sub-lane model) trong SUMO để mô tả chính xác hành vi giao thông hỗn hợp tại Việt Nam.
  • Tích hợp thêm dữ liệu GPS hành trình thực tế từ các hãng xe công nghệ (Grab, Gojek) để chuẩn hóa ma trận O-D theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên và Giảng viên ngành Kỹ thuật Máy tính, CNTT, Giao thông: Nguồn học liệu tham khảo hoàn chỉnh về ứng dụng mô phỏng vi mô, xử lý dữ liệu địa lý GIS và lập trình tự động hóa với SUMO.
  • Lập trình viên và Kỹ sư phần mềm ITS: Cung cấp mẫu kiến trúc mã nguồn (code patterns) về cách kết nối các công cụ mã nguồn mở và trích xuất dữ liệu XML quy mô lớn.
  • Các nhà quy hoạch đô thị và cơ quan quản lý nhà nước: Công cụ hỗ trợ ra quyết định chi phí thấp nhằm dự báo điểm nghẽn hạ tầng giao thông trong tầm nhìn 2030 - 2040.
  • Các nhà nghiên cứu khoa học: Khung phương pháp luận thực nghiệm để thử nghiệm các thuật toán định tuyến xe thông minh, xe tự hành (Autonomous Vehicles) và mạng kết nối xe (VANET).

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để chạy mô phỏng toàn thành phố là gì?

Hệ thống yêu cầu tối thiểu CPU lõi tứ (Intel Core i3 thế hệ 8 trở lên hoặc AMD Ryzen 3), 8GB RAM và 5GB dung lượng đĩa trống. Để chạy mượt mà giao diện đồ họa sumo-gui với hơn 60.000 phương tiện đồng thời, khuyến nghị sử dụng CPU Intel Core i5/i7, 16GB RAM và hệ điều hành Linux (Ubuntu 20.04/22.04 LTS).

2. SUMO có thể mở rộng mô phỏng cho khu vực lớn hơn TP. Thủ Đức không?

Hoàn toàn có thể. SUMO được thiết kế tối ưu hóa bằng C++ với độ phức tạp tính toán xấp xỉ tuyến tính theo số lượng xe. SUMO có khả năng xử lý mạng lưới toàn bộ TP. Hồ Chí Minh hoặc vùng kinh tế trọng điểm phía Nam với hàng triệu phương tiện, chỉ cần tăng cường dung lượng RAM hệ thống.

3. Làm cách nào để tích hợp hệ thống với cảm biến camera giao thông hiện có?

Dữ liệu đếm lưu lượng từ camera thị giác máy tính ngoài hiện trường có thể được định dạng thành tập tin cảm biến cảm ứng inductionLoop (E1/E2 detectors) trong SUMO. Sau đó, công cụ dfrouter hoặc TraCI sẽ hiệu chỉnh luồng xe mô phỏng khớp với số liệu thực tế theo thời gian thực.

4. Chi phí duy trì và vận hành hệ thống là bao nhiêu?

Hệ thống vận hành hoàn toàn trên các nền tảng mã nguồn mở (Open Source) miễn phí bản quyền (GPL/EPL). Chi phí phát sinh duy nhất là công lao động của kỹ sư quản trị hệ thống và chi phí điện toán máy trạm cục bộ.

5. Độ chính xác của mô hình tính toán PCU dựa trên mật độ dân số đạt mức nào?

Công thức xây dựng dựa trên dữ liệu thống kê nhân khẩu học chính thức và tiêu chuẩn thiết kế quốc gia TCVN 104-2007, kết hợp báo cáo vận tốc của Sở Giao thông Vận tải TP.HCM. Kết quả vận tốc trung bình mô phỏng tại các trục chính (Phạm Văn Đồng ~44,2 km/h; Xa Lộ Hà Nội ~41,8 km/h) sai số dưới 8,5% so với số liệu đo đạc thực tế của Báo cáo giao thông Quý II/2023 (41,59 km/h).

Kết luận

Đề tài khóa luận tốt nghiệp "Thiết kế hệ thống mô phỏng đánh giá mật độ giao thông trong đô thị" của sinh viên Lê Hữu Vinh và Tạ Điền Minh Trí (ngành Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin - ĐHQG-HCM, dưới sự hướng dẫn của TS. Đoàn Duy) đã giải quyết thành công bài toán đánh giá năng lực giao thông đô thị bằng phương pháp mô phỏng vi mô tiên tiến. Dự án xây dựng thành công pipeline tự động hóa từ trích xuất bản đồ thực tế OSM quy mô 211,56 km² tại TP. Thủ Đức, thiết lập công thức toán học $P = MDDS \times 11,2686$ chuyển đổi mật độ dân số sang lưu lượng PCU, đến trích xuất tự động dữ liệu vận tốc qua công cụ "Speed Extractor".

Kết quả nghiên cứu chứng minh tính khả thi, hiệu năng vượt trội (>700.000 UPS) và giá trị thực tiễn cao của các công cụ mã nguồn mở trong việc hỗ trợ phân tích, quy hoạch và tối ưu hóa hệ thống giao thông thông minh (ITS) tại Việt Nam mà không tốn kém chi phí bản quyền. Đây là nền tảng vững chắc để tiếp tục mở rộng tích hợp các thuật toán điều khiển đèn giao thông thích nghi bằng Trí tuệ nhân tạo (AI) trong tương lai.