Ứng dụng mô hình học máy trong dự đoán tình trạng trễ giờ bay

Đồ án ứng dụng học máy trong dự đoán tình trạng trễ giờ bay - ĐH Sư phạm Kỹ thuật TP.HCM

• Tác giả: Huỳnh Công Hậu
• Người hướng dẫn: ThS. Lê Minh Tân
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật dữ liệu
• Đề tài: Ứng dụng mô hình học máy trong dự đoán tình trạng trễ giờ bay
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về dự đoán tình trạng trễ giờ bay bằng học máy

Ngành hàng không thế giới vận hành với mật độ chuyến bay ngày càng tăng cao. Tình trạng chậm chuyến gây thiệt hại kinh tế lớn cho các hãng bay và hành khách. Tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), sinh viên ngành Kỹ thuật dữ liệu đã nghiên cứu ứng dụng học máy vào bài toán này. Đề tài tập trung xây dựng mô hình dự báo nguy cơ trễ chuyến dựa trên kho dữ liệu hàng không quy mô lớn. Phương pháp học máy hiện đại giúp trích xuất các quy luật ẩn sâu trong các chuỗi hành trình phức tạp. Nghiên cứu khai thác tập dữ liệu gồm hơn 100.000 bản ghi với 31 trường thuộc tính đặc trưng. Mỗi bản ghi phản ánh đầy đủ thông tin thời gian khởi hành, thời tiết, số hiệu tàu bay và địa điểm cất cánh. Việc áp dụng trí tuệ nhân tạo thay thế các phương pháp thống kê truyền thống giúp nâng cao độ chính xác dự báo. Hệ thống hỗ trợ đắc lực cho việc lập kế hoạch điều phối và hạn chế rủi ro vận hành.

1.1. Bối cảnh nghiên cứu đề tài tại Đại học SPKT TP.HCM

Đề tài tốt nghiệp được thực hiện bởi sinh viên Huỳnh Công Hậu thuộc ngành Kỹ thuật dữ liệu, Khoa Công nghệ Thông tin, Đại học Sư phạm Kỹ thuật TP.HCM. Giảng viên hướng dẫn là Thạc sĩ Lê Minh Tân. Trong kỷ nguyên công nghiệp 4.0, ngành hàng không đối mặt áp lực tối ưu hóa chi phí vận hành. Tình trạng hoãn chuyến liên tục làm phát sinh chi phí nhiên liệu, phí đỗ bãi và sự bất mãn từ hành khách. Đề tài hướng tới việc tạo lập công cụ hỗ trợ ra quyết định thông minh. Các kỹ sư dữ liệu tương lai tại trường đã vận dụng linh hoạt kỹ thuật máy học để giải quyết bài toán phức tạp của thực tiễn giao thông vận tải hàng không hiện đại.

1.2. Vai trò của dữ liệu lớn trong ngành hàng không

Ngành hàng không sản sinh lượng dữ liệu khổng lồ mỗi ngày từ các hệ thống kiểm soát bay. Việc lưu trữ và phân tích dữ liệu lớn đóng vai trò sống còn trong quản trị hiện đại. Tập dữ liệu nghiên cứu lưu trữ hàng trăm nghìn thông tin chi tiết về từng chặng bay. Các biến số bao gồm thời gian khởi hành dự kiến, thời gian thực tế, điều kiện thời tiết tại sân bay và số hiệu máy bay. Dữ liệu này giúp phát hiện quy luật biến động theo mùa và khung giờ cao điểm. Áp dụng khai phá dữ liệu mở ra cơ hội tối ưu lịch trình và giảm thiểu xung đột tài nguyên bay. Đây là nền tảng cốt lõi giúp các hãng hàng không nâng cao chỉ số bay đúng giờ.

II. Phân tích nguyên nhân dẫn đến tình trạng trễ giờ bay

Nghiên cứu tiến hành phân tích sâu tập mẫu 100.000 bản ghi dữ liệu bay để tìm nguyên nhân gây chậm chuyến. Quá trình kiểm tra dữ liệu ban đầu ghi nhận nhiều trường bị khuyết thiếu thông tin, điển hình như cột mã số máy bay với 231 giá trị rỗng. Biểu đồ thống kê các lý do hủy chuyến cho thấy yếu tố thời tiết cực đoan chiếm tỷ lệ áp đảo với 813 trường hợp ghi nhận tại mã phân loại B. Điều kiện mưa bão, sương mù dày đặc hoặc gió xoáy làm tê liệt đường băng. Bên cạnh thời tiết, sự biến động thời gian theo từng tháng cũng đóng vai trò quyết định. Tỷ lệ hủy và hoãn chuyến đạt mức cao kỷ lục vào tháng 2 do nhu cầu đi lại mùa lễ hội. Sau đó số lượng giảm dần từ tháng 2 đến tháng 9 trước khi tăng vọt vào tháng 12. Ngoài ra, lưu lượng cất cánh tại 20 sân bay trọng điểm gây áp lực nghẽn mạng lưới. Việc phân tích rõ các yếu tố này giúp định hình mô hình dự đoán hiệu quả hơn.

2.1. Tác động của thời tiết và thời điểm bay

Thời tiết đóng vai trò là tác nhân chính gây chậm trễ chuyến bay. Dữ liệu thực nghiệm xác nhận nguyên nhân thời tiết mã B chiếm tới 813 trường hợp hủy chuyến. Những cơn bão nhiệt đới hoặc mưa dông đột ngột làm suy giảm tầm nhìn nghiêm trọng. Máy bay buộc phải hoãn giờ cất cánh để bảo đảm an toàn tính mạng. Bên cạnh đó, tính chu kỳ theo tháng tác động mạnh mẽ đến tần suất trễ. Tháng 2 ghi nhận mức độ gián đoạn cao nhất trong năm do trùng thời điểm nghỉ lễ và lưu lượng hành khách đạt đỉnh. Giai đoạn từ tháng 3 đến tháng 9 chứng kiến sự ổn định dần trước khi áp lực chuyến bay tăng cao trở lại vào dịp Giáng sinh tháng 12.

2.2. Vấn đề chất lượng dữ liệu và quá tải hạ tầng sân bay

Chất lượng tập dữ liệu là rào cản lớn khi huấn luyện mô hình dự đoán. Tập dữ liệu thô chứa 31 thuộc tính nhưng xuất hiện nhiều ô trống cần làm sạch. Điển hình, trường thông tin định danh máy bay Tail Number ghi nhận 231 giá trị thiếu hụt. Việc xử lý khuyết thiếu đòi hỏi các kỹ thuật điền dữ liệu hoặc loại bỏ phù hợp. Thêm vào đó, sự quá tải tại 20 sân bay trung chuyển lớn nhất gây nghẽn dây chuyền. Khi một chuyến bay tại sân bay lớn bị chậm trễ, hiệu ứng domino sẽ lập tức lan rộng đến các hành trình kế tiếp. Do đó, mô hình học máy cần tiếp nhận các thuộc tính sân bay nhằm tính toán chuẩn xác rủi ro lan truyền.

III. Giải pháp mô hình học máy trong dự đoán trễ giờ bay

Để giải quyết triệt để vấn đề dự đoán trễ chuyến, nghiên cứu đề xuất ứng dụng thuật toán Rừng ngẫu nhiên (Random Forest). Đây là mô hình học có giám sát mạnh mẽ, kế thừa nền tảng từ cây quyết định được phát triển từ năm 1936 bởi Ronald Fisher. Thuật toán kết hợp kỹ thuật đóng bao (bagging) của Eugene Kleinberg để xây dựng nhiều cây phân loại độc lập. Mỗi cây được huấn luyện trên một tập mẫu con ngẫu nhiên rút trích từ kho dữ liệu gốc. Điểm mạnh nổi bật của Rừng ngẫu nhiên nằm ở khả năng kiểm soát hiện tượng quá mức huấn luyện (overfitting). Khi mở rộng kích thước rừng cây, độ chính xác của mô hình tăng trưởng bền vững mà không bị suy giảm khả năng tổng quát hóa. Hơn nữa, thuật toán xử lý rất tốt các tập dữ liệu đa chiều, có khả năng dung nạp nhiều biến phức tạp mà không cần cắt giảm tính năng. Kết quả dự báo là sự đồng thuận biểu quyết từ các cây quyết định thành phần.

3.1. Cơ chế hoạt động của thuật toán Rừng ngẫu nhiên

Thuật toán Rừng ngẫu nhiên (Random Forest) cấu thành từ một tập hợp đông đảo các cây quyết định riêng lẻ. Mỗi cây quyết định đưa ra một dự đoán độc lập về khả năng trễ chuyến của máy bay. Lớp mô hình áp dụng cơ chế lấy mẫu ngẫu nhiên có lặp lại từ không gian dữ liệu gốc. Trong quá trình phân nhánh, chỉ một nhóm tính năng ngẫu nhiên được cân nhắc thay vì xét toàn bộ 31 biến số. Cơ chế ngẫu nhiên hóa này giúp giảm đáng kể độ tương quan giữa các cây phân loại. Khi kiểm tra chuyến bay mới, mô hình tổng hợp ý kiến dự đoán của tất cả cây theo nguyên tắc biểu quyết đa số. Cách tiếp cận này tạo nên sự ổn định vượt trội.

3.2. Ưu thế kiểm soát Overfitting và xử lý đa biến

Một trong những ưu điểm sáng giá nhất của mô hình Rừng ngẫu nhiên là khả năng triệt tiêu nguy cơ Overfitting. Hiện tượng quá mức huấn luyện thường xảy ra khi cây quyết định đơn lẻ ghi nhớ quá sâu nhiễu dữ liệu. Nhờ kỹ thuật Bagging, sai số dự báo giảm dần khi số lượng cây tăng lên. Thuật toán có thể thích ứng với tập dữ liệu hàng không có kích thước lớn và nhiều biến liên tục lẫn rời rạc. Mô hình phân tích đồng thời lịch trình bay, mã sân bay xuất phát, các thuộc tính thời tiết mà không cần giảm chiều dữ liệu. Độ bền bỉ trước nhiễu và dữ liệu khuyết giúp giải pháp duy trì độ tin cậy vượt bậc trên thực địa.

IV. Ứng dụng dự đoán tình trạng trễ giờ bay vào thực tiễn

Kết quả nghiên cứu khóa luận tại Đại học Sư phạm Kỹ thuật TP.HCM mở ra tiềm năng ứng dụng to lớn cho ngành hàng không. Việc triển khai mô hình học máy vào thực tế hỗ trợ các hãng bay chủ động sắp xếp lịch trình phi hành đoàn và phương tiện mặt đất. Khi nhận cảnh báo chậm chuyến từ sớm, trung tâm điều hành bay có thể lập tức đưa ra kịch bản ứng phó thay thế. Hành khách cũng được hưởng lợi khi nhận thông báo kịp thời để chủ động điều chỉnh kế hoạch di chuyển cá nhân. Về mặt kinh tế, giải pháp giúp giảm thiểu tối đa tổn thất tài chính phát sinh từ chi phí phạt bến bãi và nhiên liệu đốt lãng phí trên không. Nghiên cứu của Huỳnh Công Hậu dưới sự hướng dẫn của ThS. Lê Minh Tân đã chứng minh tính khả thi cao của công nghệ trí tuệ nhân tạo trong tối ưu hóa giao thông hàng không. Đây là tiền đề học thuật vững chắc cho việc phát triển các hệ thống điều hành bay thông minh tại Việt Nam.

4.1. Lợi ích cho trung tâm điều hành và hành khách

Ứng dụng mô hình mang lại giá trị thiết thực cho cả cơ quan quản lý lẫn hành khách. Trung tâm chỉ huy bay nhận được cảnh báo sớm về các khung giờ có xác suất chậm trễ cao. Từ đó, ban điều phối có thể chủ động phân luồng đường băng và xếp chỗ đỗ máy bay hợp lý. Quy trình đón tiếp và xử lý hành lý tại sân bay diễn ra nhịp nhàng, hạn chế tối đa tình trạng ùn tắc nhà ga. Đối với hành khách, thông tin cảnh báo sớm giúp việc di chuyển chủ động hơn. Khách hàng tiết kiệm thời gian chờ đợi mệt mỏi tại cổng khởi hành. Sự minh bạch về giờ bay nâng cao niềm tin đối với dịch vụ hàng không.

4.2. Hướng phát triển và mở rộng mô hình nghiên cứu

Đề tài tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật TP.HCM mở ra nhiều hướng mở rộng giá trị. Hệ thống có thể tích hợp thêm các nguồn dữ liệu thời gian thực như radar thời tiết và luồng kiểm soát không lưu vệ tinh. Việc kết hợp thuật toán Rừng ngẫu nhiên với các mạng nơ-ron học sâu hứa hẹn nâng tầm độ chuẩn xác trong tương lai. Ngoài ra, việc xây dựng giao diện trực quan hóa thông minh sẽ hỗ trợ nhân viên khai thác mặt đất thao tác dễ dàng. Đề tài khẳng định năng lực đào tạo chuyên môn sâu của trường trong lĩnh vực khoa học dữ liệu và trí tuệ nhân tạo ứng dụng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh của cuộc Cách mạng công nghiệp 4.0, sự phát triển nhanh chóng của công nghệ thông tin và khoa học dữ liệu đang thúc đẩy mạnh mẽ quá trình chuyển đổi số trong các ngành kỹ thuật then chốt. Ngành hàng không toàn cầu là một lĩnh vực chịu áp lực rất lớn về tính chính xác, an toàn và hiệu quả vận hành. Một trong những bài toán nan giải nhất mà các hãng hàng không và cơ quan quản lý sân bay thường xuyên đối mặt là tình trạng chậm trễ và hủy chuyến bay. Sự cố trễ giờ bay không chỉ làm đảo lộn kế hoạch của hành khách mà còn gây ra những thiệt hại kinh tế nghiêm trọng cho cả đơn vị vận chuyển lẫn người tiêu dùng, đồng thời làm suy giảm độ uy tín thương hiệu trên thị trường cạnh tranh. Xuất phát từ thực tiễn đó, việc nghiên cứu và triển khai các giải pháp ứng dụng học máy (Machine Learning) nhằm dự đoán chính xác tình trạng trễ chuyến bay đóng vai trò then chốt trong việc tối ưu hóa lịch trình bay, phân bổ nguồn lực và quản lý rủi ro vận hành.

Đề tài khóa luận tốt nghiệp kỹ sư ngành Kỹ thuật dữ liệu của tác giả Huỳnh Công Hậu (Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, dưới sự hướng dẫn của ThS. Lê Minh Tân) tập trung giải quyết bài toán dự báo này. Đề cương nhiệm vụ của luận văn được tác giả xác định thông qua 5 nhiệm vụ nghiên cứu cụ thể:

1. Phân tích và tổng quan về ngành hàng không cùng tiềm năng ứng dụng công nghệ học máy.
2. Thu thập và thực hiện tiền xử lý dữ liệu chuyến bay và thông tin sân bay.
3. Thiết kế và triển khai các mô hình học máy (bao gồm mô hình học máy truyền thống và mô hình học sâu cho dữ liệu dạng bảng).
4. Đánh giá, so sánh và cải tiến hiệu năng các mô hình thông qua các chỉ số đo lường học thuật.
5. Thiết kế và xây dựng giao diện ứng dụng web cho người dùng cuối nhằm mô phỏng dự đoán trong thực tế.

Đối tượng nghiên cứu của khóa luận bao gồm hai nguồn dữ liệu chính:

• Dữ liệu chuyến bay: Tập dữ liệu ghi lại thông tin chi tiết về các chuyến bay nội địa, gồm các thuộc tính như ngày, tháng, năm, số hiệu chuyến bay, mã định danh máy bay, mã sân bay xuất phát và sân bay đến, thời gian dự kiến và thực tế cất cánh/hạ cánh, độ trễ và các nguyên nhân dẫn đến hủy chuyến.
• Dữ liệu sân bay: Tập dữ liệu thông tin về các sân bay, bao gồm mã định danh theo chuẩn IATA, tên sân bay, thành phố, bang, quốc gia và tọa độ địa lý (kinh độ, vĩ độ).

Phạm vi nghiên cứu của đề tài được xác định như sau:

• Phạm vi thời gian: Khai thác dữ liệu hoạt động hàng không trong năm 2015 từ tập dữ liệu công khai "2015 Flight Delays and Cancellations".
• Phạm vi không gian và địa lý: Tập trung vào không gian giao thông hàng không nội địa tại Hoa Kỳ, do các hãng hàng không thương mại lớn vận hành dưới sự giám sát của Cục Thống kê Vận tải (Bureau of Transportation Statistics - BTS) trực thuộc Bộ Giao thông Vận tải Hoa Kỳ (DOT).
• Phạm vi yếu tố ảnh hưởng: Khóa luận tập trung phân tích các biến số liên quan đến thời gian khởi hành/hạ cánh, hãng vận chuyển, các đặc trưng địa lý của sân bay và các nguyên nhân hủy chuyến như điều kiện thời tiết hoặc vấn đề kỹ thuật.

Cơ sở lý thuyết và phương pháp

Cơ sở lý thuyết của khóa luận được xây dựng dựa trên nền tảng của học máy có giám sát (Supervised Learning), tập trung vào các mô hình phân loại và hồi quy được thiết kế tối ưu cho dữ liệu dạng bảng (tabular data). Ba thuật toán cốt lõi được tác giả nghiên cứu chuyên sâu gồm có:

• Thuật toán Rừng ngẫu nhiên (Random Forest): Kỹ thuật học kết hợp (ensemble learning) dựa trên nguyên lý Bootstrap Aggregating (Bagging) do Tin Kam Ho khởi xướng năm 1995 và phát triển tiếp nối bởi Leo Breiman. Thuật toán hoạt động bằng cách xây dựng độc lập nhiều cây quyết định (Decision Trees) trên các tập con mẫu ngẫu nhiên và chọn ngẫu nhiên tập con các thuộc tính tại mỗi điểm phân nhánh. Dự đoán cuối cùng được xác định thông qua cơ chế bỏ phiếu theo đa số (voting) đối với bài toán phân loại hoặc tính giá trị trung bình (averaging) đối với bài toán hồi quy. Mức độ quan trọng của đặc trưng được định lượng dựa trên mức độ suy giảm tạp chất (impurity decrease) tại các điểm nút.
• Thuật toán Tăng cường Gradient (Gradient Boosting): Phương pháp boosting kết hợp tuần tự các mô hình cơ sở yếu (weak learners) để tối ưu hóa một hàm mất mát tùy ý thông qua phương pháp hạ độ dốc (gradient descent), bắt nguồn từ các nghiên cứu của Leo Breiman và Jerome H. Friedman. Trong quá trình huấn luyện, mỗi cây mới được bổ sung sẽ khớp với phần lỗi còn lại (residuals) của mô hình trước đó. Thuật toán tích hợp các kỹ thuật chống quá khớp (overfitting) như kiểm soát tỷ lệ học tập (learning rate) và lấy mẫu ngẫu nhiên có kiểm soát (subsampling).
• Mô hình TabNet: Kiến trúc mạng nơ-ron học sâu được phát triển bởi Google Cloud AI vào năm 2020, dành riêng cho dữ liệu dạng bảng. TabNet sử dụng các bước quyết định tuần tự (sequential decision steps) kết hợp với cơ chế biến áp chú ý (Attentive Transformer) và lớp Sparsemax để sinh ra mặt nạ đặc trưng (attention mask), giúp lựa chọn các thuộc tính nổi bật tại từng bước một cách linh hoạt mà không cần tiền xử lý một-hot hay chuẩn hóa phức tạp.

Phương pháp nghiên cứu thực nghiệm và quy trình phân tích dữ liệu được tác giả thiết lập theo các công đoạn kỹ thuật:

• Thu thập dữ liệu: Trích xuất hai tập tin dữ liệu dạng bảng gồm flights.csv (ghi nhận chi tiết các chuyến bay) và airports.csv (dữ liệu thông tin sân bay) được công bố trên Kaggle từ nguồn giám sát của Bộ Giao thông Vận tải Hoa Kỳ (DOT).
• Tiền xử lý dữ liệu: Kiểm tra tính toàn vẹn, xác định và xử lý các giá trị bị thiếu (missing values), loại bỏ các điểm dữ liệu nhiễu, mã hóa các biến định danh phân loại và thực hiện chuẩn hóa dữ liệu số liên tục.
• Phân tích thống kê và tương quan: Ứng dụng ma trận tương quan để khảo sát mức độ phụ thuộc giữa các yếu tố vận hành với tình trạng chậm trễ chuyến bay.
• Giảm chiều dữ liệu và tinh chỉnh mô hình: Nghiên cứu phương pháp phân tích thành phần chính (PCA) nhằm giảm thiểu số chiều tính năng, tránh quá khớp; áp dụng kỹ thuật tìm kiếm siêu tham số (Hyperparameter Tuning) như tìm kiếm lưới (Grid Search) hoặc tìm kiếm ngẫu nhiên (Random Search) để tối ưu các tham số điều khiển của mô hình.
• Đánh giá hiệu năng: Sử dụng tập dữ liệu kiểm tra độc lập (test set) để đo lường các chỉ số học thuật gồm Độ chính xác (Accuracy), Độ phủ (Recall), Điểm F1 (F1-score) và Diện tích dưới đường cong ROC (ROC-AUC).

Nội dung chính theo từng chương

Chương 1: Tổng quan về học máy và ứng dụng trong ngành hàng không

Chương này khái quát các khái niệm căn bản của học máy, phân loại thành ba nhóm phương thức chính: học có giám sát, học không giám sát và học tăng cường. Tác giả tái hiện tiến trình lịch sử ứng dụng phân tích dữ liệu trong hàng không từ những năm 1980 với các mô hình thống kê tuyến tính đơn giản cho đến bước chuyển mình sang học máy, học sâu và xử lý dữ liệu lớn (Big Data) vào những năm 2000. Nội dung chương nhấn mạnh vai trò thực tiễn của các mô hình dự đoán trễ chuyến bay trong việc giảm thiểu tổn thất kinh tế, nâng cao năng lực phục vụ hành khách, quản lý lưu lượng giao thông hàng không và phòng ngừa sự cố kỹ thuật thông qua dữ liệu cảm biến. Đồng thời, tác giả chỉ ra các xu hướng tương lai của ngành như tích hợp hệ thống Internet vạn vật (IoT), tự động hóa bằng AI và phân tích cảm xúc từ mạng xã hội.

Chương 2: Các mô hình học và thuật toán

Chương 2 trình bày chi tiết về cấu trúc toán học, lịch sử phát triển và quy trình vận hành của ba thuật toán trọng tâm:

• Random Forest: Trình bày nguyên lý xây dựng rừng từ các cây quyết định độc lập, cơ chế lấy mẫu ngẫu nhiên (bagging), lợi thế giảm quá khớp so với một cây đơn lẻ và phương pháp đo lường tầm quan trọng của đặc trưng thông qua thư viện Scikit-learn.
• Gradient Boosting: Mô tả chi tiết quy trình boosting 4 bước, bắt đầu từ việc khởi tạo mô hình ban đầu $F_0(x)$, lặp qua các bước $m$ để tính toán phần dư residuals giữa giá trị thực tế $y_i$ và giá trị dự đoán của mô hình hiện tại $F_{m-1}(x_i)$, huấn luyện mô hình yếu mới $h_m(x)$ khớp với residuals, tìm hệ số tối ưu và cập nhật hàm dự đoán tổng hợp cho đến khi đạt điểm hội tụ.

Bước trong Gradient Boosting	Mục tiêu và Thao tác xử lý
Khởi tạo mô hình cơ sở	Thiết lập $F_0(x)$ bằng giá trị trung bình (hồi quy) hoặc xác suất logit (phân loại)
Tính toán phần dư (Residuals)	Xác định chênh lệch giữa nhãn thực tế $y_i$ và đầu ra dự đoán tại bước $m-1$
Huấn luyện mô hình yếu mới	Khớp mô hình cây $h_m(x)$ dựa trên tập dữ liệu phần dư vừa tính toán
Cập nhật mô hình tổng hợp	Nhân với tỷ lệ học tập (learning rate) và cộng dồn để cập nhật $F_m(x)$

• TabNet: Phân tích cấu trúc phân tầng gồm ba bộ phận cốt lõi: Bộ biến đổi tính năng (Feature Transformer) với các lớp chuẩn hóa Batch Normalization, Fully Connected Layers và cơ chế kích hoạt Gated Linear Unit (GLU); Bộ biến áp chú ý (Attentive Transformer) sử dụng Sparsemax để tạo ma trận mặt nạ chú ý; và Bộ che giấu tính năng (Feature Masking) để loại bỏ các đặc trưng không quan trọng. Chương 2 cũng tổng hợp các bảng so sánh lý thuyết giữa TabNet với XGBoost, LightGBM và mạng nơ-ron đa tầng truyền thống.

Tiêu chí so sánh	Thuật toán TabNet	Thuật toán XGBoost / LightGBM
Nền tảng kiến trúc	Mạng nơ-ron học sâu với cơ chế chú ý tuần tự	Cây quyết định tăng cường độ dốc (GBDT)
Cơ chế chọn đặc trưng	Attentive Transformer kết hợp lớp Sparsemax	Chia nhánh dựa trên tối ưu hàm mất mát tại các nút
Khả năng diễn giải	Trực quan hóa trọng số chú ý tại từng bước quyết định	Đánh giá qua mức độ giảm tạp chất hoặc Gain
Xử lý dữ liệu bảng	Không đòi hỏi tiền xử lý một-hot phức tạp	Cần mã hóa biến phân loại phù hợp
Yêu cầu tài nguyên	Tốn nhiều tài nguyên tính toán và thời gian huấn luyện	Tiết kiệm tài nguyên, tốc độ thực thi nhanh

Chương 3: Xây dựng mô hình

Chương 3 triển khai quy trình kỹ thuật dữ liệu trên bộ dữ liệu thực tế. Tác giả công bố các thông số kích thước cấu trúc của dữ liệu nguồn:

Tên tập dữ liệu	Số lượng thuộc tính (cột)	Số lượng bản ghi (dòng)	Nguồn cung cấp
flights.csv	31	5.819.079	DOT / Cục Thống kê Vận tải Hoa Kỳ
airports.csv	7	322	DOT / Danh mục cảng hàng không

Do kích thước tập dữ liệu flights.csv vượt quá 5,8 triệu dòng, tác giả thực hiện rút trích ngẫu nhiên một mẫu thử nghiệm gồm 100.000 dòng để phân tích ban đầu. Kết quả kiểm tra dữ liệu khuyết thiếu ghi nhận một số biến có giá trị thiếu, tiêu biểu như cột TAIL_NUMBER bị thiếu 231 giá trị, trong khi cột YEAR không có giá trị khuyết (0 giá trị thiếu).

Kết quả phân tích thăm dò dữ liệu (EDA) chỉ ra các phát hiện quan trọng:

• Phân tích nguyên nhân hủy chuyến: Phân loại theo mã nguyên nhân ghi nhận cột B là nguyên nhân phổ biến nhất với tổng cộng 813 chuyến bay bị hủy trong mẫu khảo sát. Tác giả kết luận điều kiện thời tiết xấu chính là yếu tố chủ đạo dẫn đến việc hủy chuyến.
• Xu hướng hủy chuyến theo thời gian: Biểu đồ theo dõi 12 tháng cho thấy số lượng chuyến bay bị hủy bỏ đạt đỉnh cao nhất vào tháng 2, sau đó giảm dần liên tục từ tháng 2 đến tháng 9 trước khi có xu hướng tăng trở lại vào tháng 12.
• Phân bố sân bay: Xác lập danh sách 20 cảng hàng không có mật độ chuyến bay cất cánh dày đặc nhất, phản ánh vai trò của các sân bay trung tâm lớn trong lưu lượng vận tải.
• Tương quan biến số: Xây dựng ma trận tương quan giữa các biến số số học liên quan đến thời gian khởi hành, thời gian lăn bánh và khoảng cách bay với độ trễ chuyến. Chương 3 kết thúc bằng các bước thiết lập môi trường phần mềm, áp dụng thuật toán Random Forest, tinh chỉnh siêu tham số, huấn luyện mô hình Gradient Boosting, cấu hình TabNet và lập bảng so sánh hiệu năng các mô hình (Bảng 7 trong văn bản).

Chương 4: Ứng dụng

Chương này trình bày giải pháp đóng gói mô hình học máy thành một ứng dụng mô phỏng trực quan. Tác giả giới thiệu các công cụ vận hành phần mềm, cấu hình môi trường chạy ứng dụng và các công nghệ sử dụng để xây dựng trang web dự đoán. Thông qua giao diện tương tác, người dùng có thể nhập các tham số chuyến bay như ngày bay, mã sân bay, hãng hàng không để nhận về kết quả dự báo tình trạng trễ giờ trong thời gian thực.

Thiết kế và triển khai

Hệ thống ứng dụng dự đoán trễ chuyến bay được tác giả xây dựng dưới dạng ứng dụng web, chuyển giao từ kết quả nghiên cứu mô hình hóa sang sản phẩm phần mềm có khả năng tương tác.

• Kiến trúc triển khai: Bao gồm tầng xử lý logic dữ liệu/mô hình học máy và tầng giao diện web dành cho người dùng (UI).
• Công cụ và môi trường: Các mô hình được xây dựng trong môi trường lập trình phân tích dữ liệu sử dụng ngôn ngữ Python cùng các thư viện chuyên ngành như Scikit-learn (phục vụ mô hình Random Forest và Gradient Boosting), các gói bổ trợ mạng học sâu cho TabNet và các công cụ trực quan hóa dữ liệu.
• Chức năng giao diện người dùng: Cho phép người dùng nhập các thuộc tính đầu vào của một lịch trình bay dự kiến, sau đó hệ thống sẽ chuyển đổi dữ liệu, đưa qua mô hình đã được huấn luyện và hiển thị cảnh báo khả năng trễ chuyến bay hoặc xác suất xảy ra chậm trễ.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu nghiên cứu và kỹ thuật đề ra với các kết quả cụ thể:

• Làm sáng tỏ đặc điểm vận hành của tập dữ liệu giao thông hàng không quy mô lớn: Chỉ ra cấu trúc gồm 31 thuộc tính của 5.819.079 bản ghi chuyến bay và 7 thuộc tính của 322 sân bay nội địa Hoa Kỳ; làm sạch thành công tập mẫu đại diện 100.000 dòng.
• Định lượng các tác nhân gây trễ và hủy chuyến: Xác định nguyên nhân nhóm B (yếu tố thời tiết bất lợi) là nguyên nhân gây hủy chuyến lớn nhất (với 813 trường hợp trong tập mẫu); chỉ ra chu kỳ rủi ro cao nhất vào tháng 2 hàng năm và giai đoạn hạ nhiệt vào tháng 9.
• Thử nghiệm và so sánh đa mô hình: Triển khai thành công ba mô hình học máy tiêu biểu (Random Forest, Gradient Boosting và TabNet) trên dữ liệu bảng; phân tích ưu thế của cơ chế chú ý (attention mask) trong TabNet so với các thuật toán dựa trên cây quyết định.
• Hiện thực hóa mô hình vào công cụ phần mềm: Xây dựng hoàn chỉnh ứng dụng web mô phỏng, cung cấp phương tiện trực quan giúp người dùng dự đoán nhanh tình trạng chuyến bay dựa trên các thông số đầu vào.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu:

• Giới hạn về tài nguyên tính toán khiến các phân tích thống kê chi tiết và tiền xử lý ban đầu mới chỉ được thực hiện trên mẫu rút trích 100.000 bản ghi thay vì toàn bộ 5,8 triệu bản ghi của tập dữ liệu gốc flights.csv.
• Dữ liệu thực nghiệm bị giới hạn trong phạm vi các chuyến bay nội địa Hoa Kỳ của năm 2015, chưa phản ánh các biến động bất thường của ngành hàng không trong những giai đoạn gần đây hoặc trên bình diện quốc tế.
• Các thuật toán nâng cao như Gradient Boosting và TabNet đòi hỏi thời gian huấn luyện kéo dài và việc điều chỉnh siêu tham số phức tạp, gây trở ngại khi triển khai trên các hệ thống hạn chế về năng lực xử lý.

Hướng nghiên cứu mở rộng được đề xuất:

• Mở rộng phạm vi địa lý của dữ liệu sang các chuyến bay quốc tế và cập nhật dữ liệu đa năm.
• Tích hợp thêm dữ liệu cảm biến thời gian thực thông qua Internet vạn vật (IoT) được gắn trên máy bay để nâng cao độ chính xác trong dự báo trễ do lỗi kỹ thuật.
• Bổ sung kỹ thuật phân tích cảm xúc (sentiment analysis) từ mạng xã hội nhằm đánh giá mức độ hài lòng của hành khách đối với dịch vụ hàng không.
• Nghiên cứu kết nối liên thông dữ liệu thời gian thực giữa các hãng hàng không, cơ quan quản lý sân bay và đơn vị quản lý không lưu để đưa ra dự báo đồng bộ.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo có giá trị học thuật và kỹ thuật thực hành cho các nhóm đối tượng sau:

• Sinh viên và học viên chuyên ngành Kỹ thuật dữ liệu, Khoa học dữ liệu và Công nghệ thông tin: Tài liệu cung cấp bản hướng dẫn chi tiết về quy trình khai phá dữ liệu bảng quy mô lớn (EDA), từ khâu kiểm tra giá trị thiếu (TAIL_NUMBER, YEAR), xử lý thuộc tính phân loại, đến kỹ thuật trực quan hóa dữ liệu theo thời gian và theo nguyên nhân sự kiện.
• Nghiên cứu viên theo đuổi bài toán học máy trên dữ liệu bảng: Phần phân tích chuyên sâu về kiến trúc TabNet (với các khối Feature Transformer, Attentive Transformer sử dụng Sparsemax và Feature Masking) cùng các bảng so sánh trực tiếp với XGBoost và LightGBM là nguồn tư liệu lý thuyết cô đọng, hữu ích.
• Kỹ sư xây dựng hệ thống thông minh: Cung cấp giải pháp mẫu trong việc chuyển giao thuật toán từ môi trường nghiên cứu (Jupyter Notebook/Scikit-learn) sang ứng dụng web phục vụ tương tác trực quan với người dùng.

Câu hỏi thường gặp

1. Tập dữ liệu thực nghiệm được sử dụng trong khóa luận có nguồn gốc từ đâu và có quy mô như thế nào?
Tác giả sử dụng tập dữ liệu công khai trên Kaggle có tên "2015 Flight Delays and Cancellations", được thu thập và cấp phép bởi Cục Thống kê Vận tải thuộc Bộ Giao thông Vận tải Hoa Kỳ (DOT). Tập dữ liệu bao gồm hai tệp: tệp flights.csv chứa 5.819.079 dòng và 31 thuộc tính mô tả chi tiết các chuyến bay; tệp airports.csv chứa 322 dòng và 7 thuộc tính chứa thông tin danh mục sân bay.

2. Nguyên nhân nào dẫn đến việc hủy chuyến bay nhiều nhất theo phân tích thực tế của đề tài?
Dựa trên phân tích biểu đồ nguyên nhân hủy chuyến bay từ tập mẫu 100.000 bản ghi, cột mã B ghi nhận số lượng chuyến bay bị hủy cao nhất với 813 trường hợp. Tác giả kết luận điều kiện thời tiết xấu chính là nguyên nhân chủ yếu dẫn đến việc hủy bỏ các chuyến bay.

3. Số lượng các chuyến bay bị hủy có biến thiên như thế nào theo các tháng trong năm?
Dữ liệu khảo sát cho thấy số lượng chuyến bay bị hủy đạt mức cao nhất vào tháng 2. Sau đó, tỷ lệ hủy chuyến có xu hướng giảm dần qua các tháng cho tới tháng 9, rồi bắt đầu gia tăng trở lại vào giai đoạn cuối năm, cụ thể là tháng 12.

4. Mô hình TabNet có cấu trúc như thế nào và sở hữu điểm khác biệt gì so với các mạng nơ-ron thông thường?
TabNet là mô hình học sâu dành riêng cho dữ liệu bảng do Google Cloud AI phát triển. Mô hình hoạt động theo các bước quyết định tuần tự, bao gồm ba thành phần chính: Bộ biến đổi tính năng (Feature Transformer với các lớp kết nối đầy đủ, Batch Normalization và hàm kích hoạt GLU), Bộ biến áp chú ý (Attentive Transformer với ma trận mặt nạ Sparsemax) và Bộ che giấu tính năng (Feature Masking). Khác với các mạng nơ-ron thông thường, TabNet có khả năng giải thích dự đoán nhờ cơ chế chọn lọc đặc trưng tuần tự và không yêu cầu các bước tiền xử lý phức tạp như mã hóa một-hot.

5. Đề tài áp dụng các thuật toán học máy nào và đánh giá bằng những chỉ số học thuật nào?
Khóa luận nghiên cứu và triển khai ba thuật toán gồm: Rừng ngẫu nhiên (Random Forest), Tăng cường Gradient (Gradient Boosting) và TabNet. Hiệu năng của các mô hình được đo lường và đánh giá thông qua bốn chỉ số chính: Độ chính xác (Accuracy), Độ phủ (Recall), Điểm F1 (F1-score) và Diện tích dưới đường cong ROC (ROC-AUC).

Kết luận

Khóa luận tốt nghiệp của tác giả Huỳnh Công Hậu đã giải quyết bài toán dự đoán trễ chuyến bay thông qua quy trình kỹ thuật dữ liệu bài bản trên nguồn dữ liệu giao thông hàng không quy mô lớn từ Bộ Giao thông Vận tải Hoa Kỳ. Bằng việc phân tích sâu sắc cơ sở lý thuyết và triển khai thực nghiệm các thuật toán Random Forest, Gradient Boosting cùng mô hình học sâu chuyên biệt TabNet, nghiên cứu đã làm rõ các yếu tố ảnh hưởng trực tiếp đến sự chậm trễ và hủy chuyến bay. Sản phẩm ứng dụng web được xây dựng hoàn chỉnh đóng vai trò như một giải pháp công nghệ minh chứng cho khả năng ứng dụng học máy vào công tác quản lý vận hành hàng không trong thực tiễn. Nghiên cứu là nguồn tư liệu tham khảo hữu ích cho các đề tài phân tích dữ liệu bảng và ứng dụng trí tuệ nhân tạo trong tối ưu hóa giao thông vận tải.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ HỌC MÁY VÀ ỨNG DỤNG TRONG NGÀNH HÀNG KHÔNG 1. Khái niệm học máy Học máy (Machine Learning, ML) là một nhánh của trí tuệ nhân tạo (AI), tập trung vào việc phát triển các thuật toán cho phép máy tính học từ dữ liệu và cải thiện hiệu suất của mình mà không cần được lập trình một cách rõ ràng. Học máy có thể được chia thành ba loại chính dựa trên cách thức học: + Học có giám sát (Supervised Learning): Mô hình học từ dữ liệu đầu vào đã được gán nhãn, với mục tiêu là dự đoán hoặc phân loại đầu ra cho dữ liệu mới. + Học không giám sát (Unsupervised Learning): Mô hình học từ dữ liệu không được gán nhãn, tìm kiếm cấu trúc hoặc mẫu trong dữ liệu đầu vào.

+ Học tăng cường (Reinforcement Learning): Mô hình học từ việc tương tác với môi trường, cố gắng đạt được một số mục tiêu thông qua việc thực hiện các hành động và nhận phản hồi. Trong ngành hàng không, học máy được ứng dụng để dự đoán trễ giờ bay, phân tích nguyên nhân của độ trễ, và tối ưu hóa quy trình vận hành. Khám phá nguyên lý và tiềm năng học máy trong dự báo trễ giờ bay Ngành hàng không, với sự phát triển nhanh chóng và mức độ phức tạp tăng cao, luôn tìm kiếm các giải pháp công nghệ tiên tiến để cải thiện hiệu quả hoạt động và nâng cao trải nghiệm của hành khách. Trong số các thách thức mà ngành này phải đối mặt, dự đoán tình trạng trễ giờ bay là một vấn đề quan trọng, ảnh hưởng đến cả hãng hàng không và hành khách.

Sự xuất hiện của học máy (Machine Learning - ML) đã mở ra những cơ hội mới để giải quyết vấn đề này một cách hiệu quả hơn. Học máy, một nhánh của trí tuệ nhân tạo, cho phép máy tính học hỏi từ dữ liệu và cải thiện hoạt động theo thời gian mà không cần được lập trình một cách rõ ràng. Trong ngành hàng không, việc áp dụng học máy vào dự đoán trễ giờ bay giúp phân tích và xử 5 lý lượng lớn dữ liệu về hoạt động bay, điều kiện thời tiết, giao thông hàng không, và nhiều yếu tố khác để dự đoán khả năng xảy ra của tình trạng trễ giờ. Cung cấp một cái nhìn tổng quan về học máy, từ khái niệm cơ bản đến các ứng dụng cụ thể trong ngành hàng không.

Bằng cách giới thiệu các nguyên tắc và phương pháp của học máy, chúng ta sẽ khám phá tiềm năng của công nghệ này trong việc giải quyết một trong những vấn đề lớn nhất của ngành hàng không - dự đoán trễ giờ bay. Hành trình phát triển từ phân tích đơn giản đến dự đoán trễ giờ bay Hình 1: Sự phát triển công nghệ dự đoán trễ giờ bay trong hàng không Lịch sử của việc áp dụng học máy trong ngành hàng không, đặc biệt là trong bối cảnh dự đoán trễ giờ bay, bắt đầu từ những nỗ lực sơ khai nhằm tự động hóa việc phân tích dữ liệu và dự báo. Từ những năm 1980, với sự phát triển của máy tính và khả năng xử lý dữ liệu lớn, các nhà nghiên cứu và kỹ sư đã bắt đầu khám phá cách thức mà học máy có thể được áp dụng để cải thiện dự đoán và quản lý hoạt động bay. 6 Trong những năm đầu, các mô hình dự đoán chủ yếu dựa trên phân tích thống kê và các mô hình tuyến tính.

Tuy nhiên, những phương pháp này thường không đủ hiệu quả trong việc xử lý sự phức tạp và tính không xác định của dữ liệu hàng không.