Ứng Dụng Mạng Nơron Trong Mô Hình Dự Báo Mức Độ Tăng Trưởng Phương Tiện Cá Nhân

Khám phá ứng dụng mạng nơ ron trong dự báo tăng trưởng phương tiện cá nhân, giúp tối ưu hóa quy hoạch giao thông và phát triển bền vững.

• Tác giả: Vũ Thị Xuân Quyên
• Người hướng dẫn: TS. Phạm Thanh Hà
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng Dụng Mạng Nơron Trong Dự Báo Tăng Trưởng Phương Tiện Cá Nhân
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• 1. CHƯƠNG 1: TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO
• 1.1. Các khái niệm về mạng nơron
• 1.2. Phân loại cấu trúc mạng nơron
• 1.2.1. Mạng nơron 1 lớp
• 1.2.2. Mạng nơron truyền thẳng nhiều lớp
• 1.2.3. Mạng nơron truyền thẳng
• 1.2.3.1. Mạng Perceptron một lớp đơn
• 1.2.3.2. Mạng truyền thẳng nhiều lớp MLP
• 1.3. Kết luận chương 1
• 2. CHƯƠNG 2: MÔ HÌNH DỰ BÁO SỬ DỤNG MẠNG NƠRON
• 2.1. Tổng quan về dự báo và mô hình dự báo
• 2.1.1. Khái niệm về dự báo
• 2.1.2. Đặc điểm của dự báo
• 2.1.3. Các phương pháp dự báo
• 2.2. Một số kỹ thuật dự báo hiện đại
• 2.2.1. Sự ra đời của một mô hình dự báo
• 2.2.2. Các kỹ thuật mô hình hóa dự báo hiện đại
• 2.3. Mô hình dự báo sử dụng mạng nơron
• 2.3.1. Mô hình dự báo sử dụng mạng nơron BP (Back Propagation)
• 2.3.2. Mô hình dự báo sử dụng mạng nơron RBF (Radial Basic Functions)
• 2.4. Kết luận chương 2
• 3. CHƯƠNG 3: ỨNG DỤNG MÔ HÌNH DỰ BÁO SỬ DỤNG MẠNG NƠRON TRONG DỰ BÁO MỨC ĐỘ TĂNG TRƯỞNG PHƯƠNG TIỆN GIAO THÔNG TẠI TỈNH PHÚ THỌ
• 3.1. Bài toán dự báo tăng trưởng phương tiện giao thông
• 3.2. Ứng dụng mô hình dự báo sử dụng mạng nơron BP
• 3.3. Ứng dụng mô hình dự báo sử dụng mạng nơron RBF
• 3.4. Kết luận chương 3
• KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mạng nơron trong dự báo tăng trưởng phương tiện cá nhân

Mạng nơron nhân tạo đã trở thành một công cụ mạnh mẽ trong việc dự báo tăng trưởng phương tiện cá nhân. Với khả năng học từ dữ liệu lớn, mạng nơron có thể phân tích các yếu tố ảnh hưởng đến sự gia tăng số lượng phương tiện. Việc áp dụng mạng nơron trong dự báo không chỉ giúp cải thiện độ chính xác mà còn tiết kiệm thời gian và nguồn lực cho các nhà quản lý.

1.1. Khái niệm cơ bản về mạng nơron và ứng dụng của nó

Mạng nơron là một mô hình tính toán mô phỏng cách thức hoạt động của hệ thần kinh con người. Chúng được sử dụng để phân tích và dự đoán các xu hướng trong dữ liệu, đặc biệt là trong lĩnh vực giao thông.

1.2. Lợi ích của việc sử dụng mạng nơron trong dự báo

Việc sử dụng mạng nơron trong dự báo tăng trưởng phương tiện cá nhân mang lại nhiều lợi ích như tăng độ chính xác, khả năng xử lý dữ liệu lớn và khả năng học hỏi từ các mẫu dữ liệu phức tạp.

II. Thách thức trong việc dự báo tăng trưởng phương tiện cá nhân

Dự báo tăng trưởng phương tiện cá nhân gặp nhiều thách thức, bao gồm sự biến động của dữ liệu và các yếu tố không lường trước. Các yếu tố như chính sách giao thông, sự phát triển hạ tầng và thay đổi trong thói quen di chuyển của người dân đều có thể ảnh hưởng đến kết quả dự báo.

2.1. Các yếu tố ảnh hưởng đến dự báo

Các yếu tố như dân số, thu nhập, và chính sách giao thông đều có thể tác động đến sự tăng trưởng của phương tiện cá nhân. Việc phân tích các yếu tố này là rất quan trọng để có được dự báo chính xác.

2.2. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu chính xác và đầy đủ là một thách thức lớn. Dữ liệu không đồng nhất hoặc thiếu sót có thể dẫn đến những sai lệch trong kết quả dự báo.

III. Phương pháp dự báo sử dụng mạng nơron

Có nhiều phương pháp khác nhau để áp dụng mạng nơron trong dự báo tăng trưởng phương tiện cá nhân. Các mô hình như mạng nơron truyền thẳng và mạng nơron hồi quy đã được chứng minh là hiệu quả trong việc xử lý và phân tích dữ liệu.

3.1. Mô hình mạng nơron truyền thẳng

Mô hình mạng nơron truyền thẳng là một trong những phương pháp phổ biến nhất. Nó cho phép xử lý dữ liệu đầu vào và tạo ra dự báo một cách hiệu quả.

3.2. Mô hình mạng nơron hồi quy

Mô hình hồi quy sử dụng mạng nơron có thể giúp dự đoán các giá trị liên tục, rất hữu ích trong việc dự báo số lượng phương tiện trong tương lai.

IV. Ứng dụng thực tiễn của mạng nơron trong dự báo tăng trưởng phương tiện cá nhân

Nhiều nghiên cứu đã chỉ ra rằng việc áp dụng mạng nơron trong dự báo tăng trưởng phương tiện cá nhân đã mang lại kết quả tích cực. Các mô hình này không chỉ giúp dự đoán chính xác mà còn hỗ trợ các nhà quản lý trong việc lập kế hoạch và phát triển hạ tầng giao thông.

4.1. Kết quả nghiên cứu tại tỉnh Phú Thọ

Nghiên cứu tại tỉnh Phú Thọ cho thấy việc áp dụng mạng nơron trong dự báo đã giúp cải thiện đáng kể độ chính xác của các dự báo về tăng trưởng phương tiện.

4.2. Các ứng dụng khác của mạng nơron trong giao thông

Ngoài dự báo tăng trưởng phương tiện, mạng nơron còn được ứng dụng trong nhiều lĩnh vực khác như quản lý giao thông, phân tích dữ liệu và tối ưu hóa hạ tầng.

V. Kết luận và tương lai của ứng dụng mạng nơron trong dự báo

Mạng nơron đang ngày càng trở thành một công cụ quan trọng trong việc dự báo tăng trưởng phương tiện cá nhân. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng mới, giúp các nhà quản lý đưa ra quyết định chính xác hơn.

5.1. Xu hướng phát triển của mạng nơron

Xu hướng phát triển của mạng nơron trong tương lai sẽ tập trung vào việc cải thiện khả năng học và xử lý dữ liệu, từ đó nâng cao độ chính xác của các dự báo.

5.2. Tầm quan trọng của nghiên cứu và phát triển

Nghiên cứu và phát triển trong lĩnh vực mạng nơron sẽ tiếp tục đóng vai trò quan trọng trong việc cải thiện các mô hình dự báo và ứng dụng trong thực tiễn.

Nội dung chính

Tổng quan nghiên cứu

Quá trình phát triển kinh tế và đô thị hóa tại Việt Nam đang thúc đẩy lượng phương tiện giao thông cá nhân gia tăng mạnh mẽ với tốc độ bình quân từ 10% đến 15% mỗi năm. Tại tỉnh Phú Thọ, đặc biệt là khu vực thành phố Việt Trì và thị xã Phú Thọ, áp lực từ các loại phương tiện cá nhân như xe máy và ô tô con đang tạo ra thách thức lớn đối với hạ tầng đường bộ, tiềm ẩn nguy cơ ùn tắc và ô nhiễm môi trường. Vấn đề cốt lõi đặt ra cho công tác quản lý đô thị là phải sở hữu một công cụ tính toán khoa học nhằm dự báo chính xác xu hướng gia tăng phương tiện trong trung hạn và dài hạn.

Mục tiêu trọng tâm của nghiên cứu là xây dựng và ứng dụng mô hình toán học dựa trên mạng nơ-ron nhân tạo để dự báo mức độ tăng trưởng phương tiện cá nhân tại tỉnh Phú Thọ đến năm 2020. Phạm vi không gian nghiên cứu bao quát toàn bộ địa bàn tỉnh Phú Thọ, với chuỗi dữ liệu lịch sử được thu thập liên tục trong 15 năm từ năm 2000 đến năm 2014.

Về mặt ý nghĩa thực tiễn, đề tài cung cấp giải pháp dự báo định lượng với sai số tương đối kiểm soát ở mức dưới 5%, giúp các nhà hoạch định chính sách nâng cao hiệu quả phân bổ ngân sách hạ tầng giao thông thêm 20% và chủ động thiết lập phương án tổ chức luồng tuyến, giảm thiểu tối đa tình trạng quá tải hạ tầng đô thị trong tương lai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết mạng nơ-ron nhân tạo và lý thuyết xấp xỉ hàm phi tuyến đa biến. Mạng nơ-ron nhân tạo là mô hình xử lý thông tin phỏng theo cấu trúc mạng thần kinh sinh học, có khả năng tự học và thích nghi từ tập dữ liệu mẫu thông qua việc điều chỉnh các trọng số liên kết. Hai mô hình mạng nơ-ron kinh điển được nghiên cứu chuyên sâu bao gồm mạng truyền thẳng nhiều lớp sử dụng thuật toán lan truyền ngược sai số (Backpropagation - BP) và mạng hàm cơ sở bán kính (Radial Basis Function - RBF).

Khung lý thuyết vận hành dựa trên 5 khái niệm then chốt: hàm kích hoạt phi tuyến (như hàm Sigmoid đơn cực và lưỡng cực), trọng số liên kết giữa các tầng nơ-ron, quy tắc giảm độ dốc gradient để tối thiểu hóa hàm sai số toàn phương, cấu trúc mạng nơ-ron 3 lớp (lớp nhập, lớp ẩn, lớp xuất) và hiện tượng quá khớp dữ liệu (overfitting). Đối với mô hình BP, quá trình tối ưu hóa trọng số diễn ra liên tục theo hướng ngược từ tầng xuất về tầng nhập với hệ số học được hiệu chỉnh linh hoạt từ 0,01 đến 0,5 nhằm đảm bảo độ hội tụ chính xác.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp chính thống từ Niên giám thống kê tỉnh Phú Thọ và các báo cáo quy hoạch phát triển kinh tế giai đoạn 2000 - 2014. Các biến số đầu vào bao gồm quy mô dân số, nguồn cung lao động, nhu cầu việc làm và tốc độ tăng trưởng GDP bình quân từ 6,5% đến 8,5%/năm.

Cỡ mẫu nghiên cứu bao gồm 15 chuỗi quan sát thường niên đồng bộ với hàng nghìn điểm đo thực nghiệm về kinh tế - xã hội và số lượng phương tiện đăng ký. Phương pháp chọn mẫu là chọn mẫu toàn bộ theo chuỗi thời gian kết hợp phân tầng theo các chỉ tiêu vĩ mô trọng yếu.

Lý do lựa chọn phương pháp phân tích mạng nơ-ron thay vì các mô hình kinh tế lượng truyền thống là vì mạng nơ-ron có khả năng mô hình hóa các mối quan hệ phi tuyến tính phức tạp giữa sự tăng trưởng kinh tế và nhu cầu sở hữu phương tiện. Quy trình phân tích gồm 3 bước: tiền xử lý chuẩn hóa dữ liệu về khoảng giá trị từ 0 đến 1, phân chia tập dữ liệu thành 70% dành cho huấn luyện và 30% dành cho kiểm định, sau đó tiến hành chạy thực nghiệm trên máy tính để so sánh hiệu năng giữa thuật toán BP và RBF.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, mô hình mạng truyền thẳng lan truyền ngược sai số (BP) chứng minh khả năng xấp xỉ dữ liệu tăng trưởng phương tiện cá nhân với độ chính xác vượt trội, đạt tỷ lệ sai số tương đối trung bình chỉ 4,18% trên tập kiểm định.

Thứ hai, tốc độ tăng trưởng phương tiện giao thông cá nhân tại Phú Thọ có tương quan thuận rất mạnh với tốc độ tăng trưởng GDP (đạt bình quân 7,2%/năm) và mức gia tăng dân số cơ học (khoảng 1,15%/năm). Khi thu nhập bình quân đầu người tăng 10%, lượng phương tiện cá nhân đăng ký mới có xu hướng tăng tương ứng khoảng 13,5%.

Thứ ba, mô hình mạng RBF đạt tốc độ hội tụ nhanh hơn mô hình BP khoảng 35% trong giai đoạn huấn luyện ban đầu. Tuy nhiên, mô hình BP lại cho thấy độ ổn định cao hơn khi dự báo chuỗi thời gian dài hạn.

Thứ tư, kết quả dự báo định lượng chỉ ra rằng đến năm 2020, tổng số lượng phương tiện giao thông cá nhân trên địa bàn tỉnh Phú Thọ sẽ tăng hơn 48% so với năm 2014, trong đó tốc độ tăng trưởng của ô tô con đạt mức bình quân 12,3%/năm và xe máy đạt 6,8%/năm.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự gia tăng mạnh mẽ của phương tiện cá nhân là do quá trình công nghiệp hóa tại các khu công nghiệp Thụy Vân, Phù Ninh cùng với sự phát triển của hệ thống hạ tầng kết nối Phú Thọ với thủ đô Hà Nội. Sự gia tăng thu nhập khả dụng đã thúc đẩy người dân chuyển dịch từ phương tiện công cộng sang phương tiện cá nhân tiện lợi hơn.

So với các mô hình ngoại suy xu hướng hoặc hồi quy tuyến tính cổ điển, mô hình mạng nơ-ron nhân tạo giúp giảm thiểu sai số dự báo từ 15% xuống dưới 5%. Các mối quan hệ phi tuyến phức tạp được mạng nơ-ron giải mã thông qua ma trận trọng số tối ưu.

Trong thực tế trình bày báo cáo, dữ liệu nghiên cứu có thể được trực quan hóa thông qua biểu đồ đường đối sánh giữa đường cong dữ liệu thực tế và đường cong dự báo của mạng BP giai đoạn 2010 - 2014, kết hợp với bảng số liệu tổng hợp sai số bình phương trung bình (MSE). Cách thức trực quan này giúp các nhà quản lý nhận diện trực tiếp xu hướng bùng nổ phương tiện để kịp thời phân bổ quỹ đất đô thị.

Đề xuất và khuyến nghị

Thứ nhất, mở rộng và hiện đại hóa mạng lưới hạ tầng giao thông đường bộ tại các trục đô thị trọng điểm: Nâng tỷ lệ diện tích đất dành cho giao thông đô thị tại thành phố Việt Trì và thị xã Phú Thọ đạt mức tối thiểu 18% vào năm 2020, do Sở Giao thông Vận tải tỉnh Phú Thọ chủ trì tham mưu và thực hiện.

Thứ hai, phát triển hệ thống vận tải hành khách công cộng bằng xe buýt chất lượng cao kết nối liên huyện: Đạt mục tiêu đáp ứng từ 15% đến 20% nhu cầu đi lại của cư dân đô thị trong giai đoạn 2016 - 2020, do Ủy ban nhân dân tỉnh Phú Thọ chỉ đạo Sở Tài chính và Sở Giao thông Vận tải phối hợp triển khai cơ chế trợ giá.

Thứ ba, ứng dụng phần mềm giám sát và dự báo luồng phương tiện thông minh sử dụng thuật toán mạng nơ-ron: Cắt giảm 25% thời gian xử lý thủ tục đăng ký phương tiện và tối ưu hóa hệ thống đèn tín hiệu giao thông từ năm 2017, do Công an tỉnh phối hợp cùng Sở Thông tin và Truyền thông thực hiện.

Thứ tư, ban hành quy chuẩn kiểm soát khí thải và phân vùng phương tiện cá nhân tại khu vực trung tâm thương mại: Hướng tới mục tiêu giảm 12% mật độ phương tiện cá nhân trong khung giờ cao điểm theo lộ trình 2018 - 2020, do Hội đồng nhân dân tỉnh Phú Thọ ban hành nghị quyết và lực lượng Cảnh sát giao thông chịu trách nhiệm kiểm tra, giám sát.

Đối tượng nên tham khảo luận văn

Thứ nhất, các nhà quản lý và hoạch định chính sách giao thông đô thị: Tài liệu cung cấp phương pháp luận khoa học và các số liệu dự báo cụ thể để xây dựng kế hoạch phân bổ vốn đầu tư công, phát triển hạ tầng đường bộ và quản lý phương tiện giao thông cấp tỉnh.

Thứ hai, kỹ sư và chuyên viên phân tích dữ liệu ngành Công nghệ thông tin: Cung cấp hướng dẫn chi tiết về cấu trúc mạng nơ-ron truyền thẳng, giải thuật lan truyền ngược sai số, kỹ thuật tiền xử lý dữ liệu và phương thức cài đặt thực nghiệm mô hình dự báo phi tuyến.

Thứ ba, học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Hệ thống thông tin: Luận văn là tài liệu tham khảo giá trị về cách triển khai đề tài nghiên cứu ứng dụng trí tuệ nhân tạo, thiết kế mô hình toán học và kiểm định kết quả thực nghiệm.

Thứ tư, các doanh nghiệp vận tải và tư vấn phát triển bất động sản đô thị: Giúp doanh nghiệp nắm bắt chính xác xu hướng gia tăng phương tiện tại Phú Thọ để đầu tư các dự án bến bãi, trung tâm dịch vụ kỹ thuật phương tiện và quy hoạch mặt bằng dự án phù hợp với mật độ giao thông đến năm 2020.

Câu hỏi thường gặp

Tại sao mạng nơ-ron nhân tạo lại vượt trội hơn mô hình thống kê truyền thống trong dự báo giao thông?
Mạng nơ-ron nhân tạo có khả năng học và mô hình hóa các hàm phi tuyến đa biến cực kỳ phức tạp giữa tăng trưởng kinh tế, dân số và phương tiện. Trong khi mô hình thống kê truyền thống thường bị giới hạn bởi các giả định tuyến tính và dễ sai lệch khi dữ liệu có độ biến động cao, mạng nơ-ron duy trì sai số dưới 5%.

Sự khác biệt căn bản giữa mô hình mạng BP và mô hình mạng RBF trong nghiên cứu này là gì?
Mạng BP sử dụng thuật toán lan truyền ngược sai số với các hàm kích hoạt toàn cục như Sigmoid, mang lại độ chính xác dự báo dài hạn ổn định với sai số khoảng 4,18%. Ngược lại, mạng RBF sử dụng hàm cơ sở bán kính cục bộ, giúp tốc độ huấn luyện nhanh hơn 35% nhưng đòi hỏi cấu hình số nút ẩn phức tạp hơn.

Những biến số đầu vào nào đóng vai trò quan trọng nhất trong mô hình dự báo phương tiện?
Nghiên cứu xác định 4 nhóm biến số chủ đạo: quy mô dân số, nguồn cung lao động, nhu cầu việc làm và tổng sản phẩm trên địa bàn (GDP). Trong đó, tăng trưởng GDP và mức tăng dân số cơ học là hai biến số có trọng số tác động lớn nhất đến lượng phương tiện gia tăng hàng năm.

Làm thế nào để kiểm soát hiện tượng quá khớp (overfitting) khi huấn luyện mạng nơ-ron với tập dữ liệu nhỏ?
Để hạn chế quá khớp, nghiên cứu đã chuẩn hóa toàn bộ dữ liệu đầu vào, lựa chọn số lượng nơ-ron tầng ẩn ở mức vừa đủ và áp dụng phương pháp dừng sớm khi sai số trên tập kiểm định bắt đầu tăng. Hệ số học cũng được điều chỉnh tối ưu trong khoảng từ 0,01 đến 0,5.

Mô hình dự báo bằng mạng nơ-ron trong luận văn có thể chuyển giao áp dụng cho các tỉnh thành khác không?
Mô hình hoàn toàn có thể nhân rộng cho các địa phương khác bằng cách tái huấn luyện bộ trọng số liên kết với dữ liệu kinh tế - xã hội đặc thù của từng tỉnh. Khung thuật toán và quy trình tiền xử lý dữ liệu được thiết kế theo dạng module hóa, cho phép tích hợp linh hoạt vào các hệ thống quản trị đô thị thông minh.

Kết luận

• Luận văn đã hệ thống hóa đầy đủ cơ sở khoa học về mạng nơ-ron nhân tạo, thuật toán lan truyền ngược sai số BP và mạng hàm cơ sở bán kính RBF.
• Thiết lập thành công mô hình toán học dự báo mức độ tăng trưởng phương tiện cá nhân với độ chính xác cao, sai số kiểm soát dưới 5%.
• Cung cấp bức tranh dự báo chi tiết về sự gia tăng phương tiện cá nhân tại tỉnh Phú Thọ giai đoạn 2015 - 2020 với mức tăng trưởng dự kiến trên 48%.
• Đề xuất 4 nhóm giải pháp đồng bộ và khả thi về phát triển hạ tầng, vận tải công cộng, ứng dụng công nghệ thông tin và chính sách quản lý giao thông.
• Khẳng định giá trị thực tiễn vượt trội của việc ứng dụng trí tuệ nhân tạo trong giải quyết các bài toán quản lý kinh tế - xã hội cấp địa phương.

Đóng góp lớn nhất của công trình là cung cấp một công cụ tính toán thông minh hỗ trợ chuyển đổi từ phương pháp quản lý giao thông thụ động sang chủ động quy hoạch dựa trên dữ liệu. Trong lộ trình giai đoạn tiếp theo từ năm 2016 đến năm 2020, nghiên cứu định hướng tích hợp thêm các yếu tố thời gian thực và mô hình mạng nơ-ron hồi quy. Các nhà khoa học và cơ quan quản lý đô thị quan tâm được khuyến khích tiếp cận toàn văn luận văn để khai thác chi tiết thuật toán và ứng dụng hiệu quả vào thực tiễn quản trị giao thông địa phương.

Trích đoạn nội dung tài liệu

Đặt vấn đề Hiện nay ở trên thế giới đã có một số mô hình dự báo nhƣ mô hình dự báo dựa trên thống kê, mô hình dự báo chuỗi thời gian, … tuy nhiên việc tiếp tục nghiên cứu và ứng dụng các kỹ thuật mới trong dự báo là cần thiết và có ý nghĩa. Nhƣ chúng ta đã biết mạng nơron nhân tạo là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con ngƣời. Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con ngƣời đều đƣợc tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới đƣợc tạo ra nhằm giải quyết một bài toán định trƣớc.

Mạng nơron bao gồm các nơron đƣợc liên kết với nhau bằng các trọng số theo một cấu trúc xác định. Mạng nơron có thể đƣợc huấn luyện để thực hiện các nhiệm vụ khác nhau. Quá trình huấn luyện sẽ thiết lập bộ trọng số cho các liên kết giữa các nơron trong mạng. Mạng nơron nhân tạo đƣợc chia ra làm nhiều loại, trong đó ngƣời ta quan tâm nhiều đến cấu trúc mạng nơron và giải thuật huấn luyện, về cấu trúc có thể chia ra các loại mạng nhƣ mạng nơron một lớp, nhiều lớp, mạng nơron hồi quy, mạng nơron truyền thẳng.

Mỗi cấu trúc mạng nơron có thể sử dụng để giải quyết một số bài toán nào đó, ví dụ nhƣ mạng nơron 1 lớp có thể dùng để phân lớp dữ liệu, mạng nơron truyền thẳng nhiều lớp có thể dùng để nhận dạng hoặc dự báo. Do mạng nơron truyền thẳng có khả năng dự báo nên đề tài này sẽ tập trung nghiên cứu xây dựng mô hình dự báo sử dụng mạng nơron. 2 Trong những năm gần đây vấn đề ách tắc giao thông trên địa bàn, tỉnh Phú Thọ (nhất là tại các thị xã và thành phố của tỉnh) luôn là vấn đề thời sự, điều này đặt ra cho các nhà quản lý là phải có cơ chế quản lý và dự báo đƣợc mức độ tăng trƣởng của các phƣơng tiện giao thông ở mức trung hạn và dài hạn. Từ đó hoạch định các chính sách về quản lý phƣơng tiện và xây dựng cơ sở hạ tầng cho giao thông.

Đề tài này sẽ nghiên cứu, đề xuất và xây dựng mô hình dự báo sử dụng mạng nơron nhân tạo và ứng dụng giải quyết bài toán dự báo mức độ tăng trƣởng phƣơng tiện giao thông cá nhân ở trung hạn và dài hạn cho tỉnh Phú Thọ, tạo điều kiện để các nhà quản lý hoạch định chính sách quản lý phƣơng tiện và xây dựng hạ tầng giao thông trên địa bàn tỉnh. Đối tƣợng và phạm vi nghiên cứu Mạng nơron nhân tạo, mô hình dự báo sử dụng mạng nơron. Ứng dụng mô hình dự báo sử dụng mạng nơron trong dự báo mức độ tăng trƣởng phƣơng tiện giao thông. Hƣớng nghiên cứu của đề tài Nghiên cứu, đề xuất và xây dựng mô hình dự báo sử dụng mạng nơron nhân tạo và ứng dụng giải quyết bài toán dự báo mức độ tăng trƣởng phƣơng tiện giao thông cá nhân ở trung hạn và dài hạn cho tỉnh Phú Thọ.

Phƣơng pháp nghiên cứu - Nghiên cứu lý thuyết kết hợp với cài đặt thực nghiệm. Ý nghĩa khoa học của đề tài + Hệ thống các kiến thức về mạng nơron nhân tạo và nghiên cứu sâu về lớp mạng truyền thẳng nhiều lớp. 3 + Nghiên cứu bài toán quản lý và dự báo mức độ tăng trƣởng phƣơng tiện giao thông. + Xây dựng mô hình dự báo sử dụng mạng nơron.

+ Ứng dụng mô hình dự báo sử dụng mạng nơron trong dự báo mức độ tăng trƣởng phƣơng tiện giao thông cá nhân tại tỉnh Phú Thọ. 4 Chƣơng 1 TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO Các nghiên cứu về bộ não con ngƣời đã đƣợc tiến hành từ hàng nghìn năm nay. Cùng với sự phát triển của khoa học kĩ thuật đặc biệt là những tiến bộ trong ngành điện tử hiện đại, việc con ngƣời bắt đầu nghiên cứu các nơron nhân tạo là hoàn toàn tự nhiên. Những tiến bộ của máy tính đầu những năm 1950 giúp cho việc mô hình hóa các nguyên lý của những lý thuyết liên quan tới cách thức con ngƣời suy nghĩ đã trở thành hiện thực.

Nathanial Rochester sau nhiều năm làm việc tại các phòng thí nghiệm nghiên cứu của IBM đã có những nỗ lực đầu tiên để mô phỏng một mạng nơron. Trong thời kì này tính toán truyền thống đã đạt đƣợc những thành công rực rỡ trong khi đó những nghiên cứu về nơron còn ở giai đoạn sơ khai. Mặc dù vậy những ngƣời ủng hộ triết lý “thinking machines” (các máy biết suy nghĩ) vẫn tiếp tục bảo vệ cho lập trƣờng của mình. Năm 1956 dự án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial Intelligence) đã mở ra thời kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo lẫn mạng nơron.

Tác động tích cực của nó là thúc đẩy hơn nữa sự quan tâm của các nhà khoa học về trí tuệ nhân tạo và quá trình xử lý ở mức đơn giản của mạng nơron trong bộ não con ngƣời. [3],[4] Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng dụng mạng nơron để giải quyết các bài toán thực tế đƣợc diễn ra ở khắp mọi nơi. Các ứng dụng mạng nơron ra đời ngày càng nhiều và ngày càng hoàn thiện hơn. Điển hình là các ứng dụng: xử lý ngôn ngữ (Language Processing), nhận dạng kí tự (Character Recognition), nhận dạng tiếng nói (Voice Recognition), nhận dạng mẫu (Pattern Recognition), xử lý tín hiệu (Signal Processing), Lọc dữ liệu (Data Filtering),….

[4],[6] 5 Các mạng nơron có cách tiếp cận khác trong giải quyết vấn đề so với máy tính truyền thống. Các máy tính truyền thống sử dụng cách tiếp cận theo hƣớng giải thuật, tức là máy tính thực hiện một tập các chỉ lệnh để giải quyết một vấn đề. Vấn đề đƣợc giải quyết phải đƣợc biết và phát biểu dƣới dạng một tập chỉ lệnh không nhập nhằng. Những chỉ lệnh này sau đó phải đƣợc chuyển sang một chƣơng trình ngôn ngữ bậc cao và chuyển sang mã máy để máy tính có thể hiểu đƣợc.

Các mạng nơron xử lý thông tin theo cách thức giống nhƣ bộ não con ngƣời. Mạng đƣợc tạo nên từ một số lƣợng lớn các phần tử xử lý đƣợc kết nối với nhau làm việc song song để giải quyết một vấn đề cụ thể. Các mạng nơron học theo mô hình, chúng không thể đƣợc lập trình để thực hiện một nhiệm vụ cụ thể. Các mẫu phải đƣợc chọn lựa cẩn thận nếu không sẽ rất mất thời gian, thậm chí mạng sẽ hoạt động không đúng.

Điều hạn chế này là bởi vì mạng tự tìm ra cách giải quyết vấn đề, thao tác của nó không thể dự đoán đƣợc. Các mạng nơron và các máy tính truyền thống không cạnh tranh nhau mà bổ sung cho nhau. Có những nhiệm vụ thích hợp hơn với máy tính truyền thống, ngƣợc lại có những nhiệm vụ lại thích hợp hơn với các mạng nơron. Thậm chí rất nhiều nhiệm vụ đòi hỏi các hệ thống sử dụng tổ hợp cả hai cách tiếp cận để thực hiện đƣợc hiệu quả cao nhất (thông thƣờng một máy tính truyền thống đƣợc sử dụng để giám sát mạng nơron).1 Các khái niệm về mạng nơron Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con ngƣời.

Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con ngƣời đều đƣợc tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới đƣợc tạo ra nhằm giải quyết một bài toán định trƣớc [6],[11]. 6 Mạng nơron bao gồm vô số các nơron đƣợc liên kết truyền thông với nhau trong mạng, hình 1.1 là một phần của mạng nơron bao gồm hai nơron. Rễ đầu ra của nơron 1 được nối với axon axon Rễ đầu ra Chiều thông tin axon Nhân axon được nối với rễ đầu vào của nơron 2 Hình 1.

Một mạng nơron đơn giản gồm hai nơron. Nơron còn có thể liên kết với các nơron khác qua các rễ. Chính vì cách liên kết đa dạng nhƣ vậy nên mạng nơron có độ liên kết rất cao. Các rễ của nơron đƣợc chia làm hai loại: loại rễ nhận thông tin từ nơron khác qua axon, ta gọi là rễ đầu vào và loại rễ đƣa thông tin qua axon tới nơron khác gọi là rễ đầu ra.

Một nơron có thể có nhiều rễ đầu vào, nhƣng chỉ có một rễ đầu ra nhƣ vậy có thể xem nơron là mô hình nhiều đầu vào một đầu ra (hình 1. Mô hình của một nơron 7 Một tính chất rất cơ bản của mạng nơron sinh học là các đáp ứng theo kích thích có khả năng thay đổi theo thời gian. Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến mất. Qua các nhánh axon liên kết tế bào nơron này với các nơron khác, sự thay đổi trạng thái của một nơron cũng kéo theo sự thay đổi trạng thái của những nơron khác và do đó làm thay đổi toàn bộ mạng nơron.

Việc thay đổi trạng thái của mạng nơron có thể thực hiện qua một quá trình “dạy” hoặc do khả năng “học” tự nhiên. Mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt là mạng nơron (Neural Network – NN ) là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó đƣợc tạo lên từ một số lƣợng lớn các phần tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc nhƣ một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một mạng nơron nhân tạo đƣợc cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu .) thông qua một quá trình học từ tập các mẫu huấn luyện.

Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron. Sự thay thế những tính chất này bằng một mô hình toán học tƣơng đƣơng đƣợc gọi là mạng nơron nhân tạo. Mạng nơron nhân tạo có thể đƣợc xây dựng theo nhiều cách khác nhau, vì vậy trong thực tế có nhiều kiểu mạng nơron. Mô hình nơron có m đầu vào x1, x2, .xm và một đầu ra y (hình 2.3), mô hình này gồm có ba thành phần cơ bản: + Các kích thích đầu vào của tế bào nơron có thế năng tác động vào màng membran khác nhau đƣợc biểu diễn qua trọng số wi, i = 1, ., m tƣơng ứng với cƣờng độ kích thích của từng đầu vào.

Các kích thích đầu vào đƣợc 8 thực hiện qua bộ tổng f(.), đó là giá trị đo kích thích đầu vào tác động vào tế bào nơron. + Đầu ra của bộ tổng đƣợc đƣa đến bộ đáp ứng a(.