Luận văn thạc sĩ HCMUTE: Ứng dụng trí tuệ nhân tạo để tối ưu hóa quản lý đèn giao thông thông minh

Luận văn thạc sĩ HCMUTE nghiên cứu ứng dụng trí tuệ nhân tạo trong quản lý đèn giao thông thông minh, giảm thời gian chờ cho phương tiện.

• Tác giả: Nguyễn Anh Kiệt
• Người hướng dẫn: TS. Nguyễn Văn Thái
• Trường học: Đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng Dụng Trí Tuệ Nhân Tạo Trong Quản Lý Hệ Thống Đèn Giao Thông Thông Minh Nhằm Làm Giảm Tổng Thời Gian Chờ Của Các Phương Tiện Tại Một Nút Giao Thông
• Loại tài liệu: luận văn
• Năm xuất bản: 2020
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Công trình liên quan
• 1.2. Vấn đề tồn tại cần giải quyết
• 1.3. Lý do chọn đề tài
• 1.4. Mục tiêu nghiên cứu
• 1.5. Đối tượng, phạm vi nghiên cứu
• 1.6. Nội dung nghiên cứu
• 1.7. Phương pháp nghiên cứu
• 1.8. Bố cục đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan trí tuệ nhân tạo (AI – Artificial Intelligence)
• 2.2. Lịch sử trí tuệ nhân tạo. Quá trình hình thành và phát triển của AI
• 2.3. Mục đích của trí tuệ nhân tạo
• 2.4. Trí tuệ nhân tạo trong các ngành liên quan
• 2.5. Nơ-ron nhân tạo (Neural Networks). Khởi đầu với nơron
• 2.6. Mạng nơ-ron tích chập (Convolutional Neural Network)
• 2.7. Cấu trúc của mạng CNN
• 2.8. Học tăng cường (Reinforcement Learning)
• 2.9. Lịch sử phát triển TensorFlow
• 2.10. Các thuộc tính của Tensor
• 3. CHƯƠNG 3: GIẢI PHÁP GIẢM THỜI GIAN CHỜ CỦA PHƯƠNG TIỆN DỰA VÀO MẠNG NƠ-RON TÍCH CHẬP CÙNG VỚI HỌC TĂNG CƯỜNG
• 3.1. Phần mềm mô phỏng hoạt động của phương tiện giao thông (SUMO)
• 3.2. Lưu lượng giao thông
• 3.3. Lựa chọn mô hình mạng huấn luyện
• 4. CHƯƠNG 4: THỰC NGHIỆM
• 4.1. Môi trường thực nghiệm. Kết quả thực nghiệm
• 4.2. Hệ thống đèn tĩnh
• 4.3. Kết quả quá trình huấn luyện
• 4.4. Huấn luyện tác nhân với hệ số γ = 0
• 4.5. Huấn luyện tác nhân với hệ số γ = 0
• 4.6. Huấn luyện tác nhân với hệ số γ = 0
• 4.7. Đánh giá hiệu suất của các mô hình
• 5. CHƯƠNG 5: KẾT LUẬN – HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về ứng dụng trí tuệ nhân tạo trong quản lý đèn giao thông

Trong bối cảnh đô thị hóa nhanh chóng, việc quản lý giao thông trở thành một thách thức lớn. Ứng dụng trí tuệ nhân tạo (AI) trong quản lý đèn giao thông thông minh tại HCMUTE là một giải pháp tiềm năng nhằm giảm thiểu ùn tắc và tối ưu hóa thời gian chờ của các phương tiện. Hệ thống giao thông thông minh không chỉ giúp cải thiện lưu thông mà còn giảm thiểu ô nhiễm môi trường. Theo nghiên cứu, việc áp dụng AI có thể giảm tổng thời gian chờ của các phương tiện tại các nút giao thông, từ đó nâng cao hiệu quả của hệ thống giao thông. Việc sử dụng công nghệ giao thông hiện đại như hệ thống điều khiển giao thông thông minh sẽ tạo ra một môi trường giao thông an toàn và thuận tiện hơn cho người dân.

1.1. Tình hình giao thông hiện tại tại HCMUTE

Tình hình giao thông tại HCMUTE đang gặp nhiều vấn đề như ùn tắc và thời gian chờ dài. Các phương tiện thường xuyên phải dừng lại tại các nút giao thông, dẫn đến việc lãng phí thời gian và tài nguyên. Việc áp dụng trí tuệ nhân tạo vào quản lý đèn giao thông có thể giúp cải thiện tình hình này. Hệ thống AI có khả năng phân tích dữ liệu giao thông theo thời gian thực, từ đó đưa ra quyết định điều chỉnh thời gian đèn giao thông một cách hợp lý. Điều này không chỉ giúp giảm thời gian chờ mà còn nâng cao trải nghiệm di chuyển của người dân.

II. Cơ sở lý thuyết về trí tuệ nhân tạo và hệ thống giao thông thông minh

Trí tuệ nhân tạo (AI) là một lĩnh vực quan trọng trong khoa học máy tính, liên quan đến việc phát triển các hệ thống có khả năng thực hiện các nhiệm vụ thông minh. Hệ thống giao thông thông minh (ITS) sử dụng AI để tối ưu hóa việc quản lý và điều khiển giao thông. Các nghiên cứu đã chỉ ra rằng việc áp dụng mạng nơ-ron và học tăng cường có thể cải thiện đáng kể hiệu suất của hệ thống giao thông. Hệ thống này không chỉ giúp giảm thời gian chờ mà còn tối ưu hóa lưu lượng giao thông, từ đó giảm thiểu ùn tắc. Việc áp dụng AI trong quản lý đèn giao thông thông minh tại HCMUTE sẽ tạo ra một mô hình giao thông hiệu quả hơn, đáp ứng nhu cầu ngày càng cao của người dân.

2.1. Các công nghệ AI trong quản lý giao thông

Các công nghệ AI như mạng nơ-ron tích chập (CNN) và học tăng cường đã được áp dụng thành công trong việc quản lý giao thông. Những công nghệ này cho phép hệ thống học hỏi từ dữ liệu giao thông thực tế, từ đó đưa ra các quyết định điều chỉnh thời gian đèn giao thông một cách thông minh. Việc sử dụng phân tích dữ liệu giao thông giúp hệ thống có thể dự đoán lưu lượng xe và điều chỉnh thời gian đèn phù hợp, từ đó giảm thiểu thời gian chờ cho các phương tiện. Hệ thống này không chỉ mang lại lợi ích cho người tham gia giao thông mà còn góp phần bảo vệ môi trường.

III. Giải pháp giảm thời gian chờ của phương tiện

Giải pháp chính của đề tài là áp dụng trí tuệ nhân tạo để tối ưu hóa thời gian chờ của các phương tiện tại các nút giao thông. Hệ thống sẽ sử dụng mạng nơ-ron để phân tích tình trạng giao thông và đưa ra quyết định điều chỉnh thời gian đèn giao thông. Việc áp dụng học tăng cường cho phép hệ thống tự động học hỏi từ các tình huống giao thông thực tế, từ đó cải thiện hiệu suất điều khiển đèn giao thông. Kết quả nghiên cứu cho thấy rằng việc áp dụng AI có thể giảm tổng thời gian chờ của các phương tiện từ 10% đến 30%, tùy thuộc vào tình hình giao thông cụ thể.

3.1. Mô hình và phương pháp nghiên cứu

Mô hình nghiên cứu sẽ sử dụng SUMO (Simulation of Urban MObility) để mô phỏng tình trạng giao thông tại HCMUTE. Dữ liệu đầu vào sẽ được thu thập từ các cảm biến giao thông và camera giám sát. Hệ thống sẽ sử dụng mạng nơ-ron tích chập để phân tích hình ảnh và học tăng cường để tối ưu hóa thời gian đèn giao thông. Phương pháp này không chỉ giúp giảm thời gian chờ mà còn nâng cao hiệu quả của hệ thống giao thông, tạo ra một môi trường di chuyển an toàn và thuận tiện cho người dân.

IV. Kết luận và hướng phát triển

Việc ứng dụng trí tuệ nhân tạo trong quản lý đèn giao thông thông minh tại HCMUTE là một bước tiến quan trọng trong việc cải thiện tình hình giao thông hiện tại. Hệ thống không chỉ giúp giảm thời gian chờ mà còn tối ưu hóa lưu lượng giao thông, từ đó nâng cao chất lượng cuộc sống cho người dân. Hướng phát triển trong tương lai có thể bao gồm việc mở rộng ứng dụng AI vào các lĩnh vực khác của giao thông, như quản lý bãi đỗ xe thông minh và hệ thống thông tin giao thông. Điều này sẽ tạo ra một hệ sinh thái giao thông thông minh, bền vững và hiệu quả hơn.

4.1. Đề xuất nghiên cứu tiếp theo

Nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình AI phức tạp hơn, có khả năng xử lý dữ liệu lớn và đưa ra quyết định trong thời gian thực. Việc tích hợp các công nghệ mới như Internet of Things (IoT) và big data vào hệ thống giao thông thông minh sẽ mở ra nhiều cơ hội mới cho việc tối ưu hóa giao thông. Hệ thống cũng cần được thử nghiệm và điều chỉnh liên tục để đảm bảo hiệu suất tối ưu trong các điều kiện giao thông khác nhau.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh đô thị hóa nhanh chóng và sự gia tăng không ngừng của phương tiện giao thông, hiện tượng ùn tắc giao thông trở thành vấn đề nghiêm trọng tại nhiều thành phố lớn, trong đó có Việt Nam. Theo ước tính, thời gian chờ trung bình của các phương tiện tại các nút giao thông có thể chiếm tới 30-40% tổng thời gian di chuyển, gây lãng phí nhiên liệu và làm tăng ô nhiễm môi trường. Việc ứng dụng trí tuệ nhân tạo (AI) trong quản lý hệ thống đèn giao thông thông minh nhằm giảm tổng thời gian chờ của các phương tiện tại một nút giao thông là một hướng đi mới, hứa hẹn nâng cao hiệu quả điều tiết giao thông và giảm thiểu ùn tắc.

Mục tiêu nghiên cứu của luận văn là phát triển và ứng dụng mô hình mạng nơ-ron tích chập (CNN) kết hợp với học tăng cường (Reinforcement Learning) để quản lý hệ thống đèn giao thông thông minh, từ đó giảm tổng thời gian chờ của các phương tiện tại một nút giao thông. Phạm vi nghiên cứu tập trung vào mô phỏng quá trình tự học của phần mềm với dữ liệu đầu vào là hình ảnh mô phỏng giao thông tại một nút giao thông, sử dụng phần mềm SUMO trong khoảng thời gian mô phỏng 1 giờ 30 phút.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả quản lý giao thông đô thị, giảm thiểu ùn tắc và ô nhiễm môi trường, đồng thời góp phần thúc đẩy ứng dụng công nghệ AI trong lĩnh vực giao thông vận tải thông minh. Các chỉ số hiệu quả như tổng thời gian chờ của phương tiện và lưu lượng giao thông được sử dụng làm thước đo đánh giá kết quả nghiên cứu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính là mạng nơ-ron tích chập (Convolutional Neural Network - CNN) và học tăng cường (Reinforcement Learning - RL). CNN là một mô hình học sâu (Deep Learning) chuyên xử lý dữ liệu dạng ảnh, có khả năng tự động trích xuất các đặc trưng quan trọng từ hình ảnh đầu vào như vị trí, mật độ và hướng di chuyển của các phương tiện giao thông. Mạng CNN gồm các lớp tích chập (convolutional layers), lớp gộp (pooling layers) và lớp kết nối đầy đủ (fully connected layers), giúp mô hình học được các đặc trưng trừu tượng từ dữ liệu.

Học tăng cường là phương pháp học máy trong đó tác nhân (agent) tương tác với môi trường thông qua các hành động, nhận phần thưởng và học cách tối ưu hóa chính sách hành động để đạt được phần thưởng tích lũy cao nhất. Thuật toán Q-learning được sử dụng để cập nhật giá trị Q (Q-value) cho từng trạng thái và hành động, giúp tác nhân lựa chọn hành động tối ưu dựa trên trạng thái hiện tại.

Ba khái niệm chính trong nghiên cứu gồm: trạng thái (state) là hình ảnh mô phỏng giao thông tại nút giao thông; hành động (action) là các lựa chọn điều chỉnh thời gian đèn giao thông; phần thưởng (reward) được tính dựa trên sự giảm tổng thời gian chờ của các phương tiện.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các hình ảnh mô phỏng giao thông tại một nút giao thông được tạo ra bởi phần mềm SUMO (Simulation of Urban Mobility). SUMO cho phép thiết kế chi tiết cơ sở hạ tầng giao thông, mô phỏng lưu lượng xe theo phân phối Weibull với các kịch bản lưu lượng đông, thấp và lưu lượng phân bố theo hướng Bắc-Nam hoặc Đông-Tây.

Phương pháp phân tích sử dụng kết hợp mạng CNN để xử lý hình ảnh trạng thái giao thông và thuật toán học tăng cường Q-learning để huấn luyện tác nhân điều khiển đèn giao thông. Cỡ mẫu mô phỏng gồm 5400 bước thời gian (tương đương 1 giờ 30 phút), với các kịch bản lưu lượng xe khác nhau từ 600 đến 4000 xe được tạo ra trong quá trình mô phỏng.

Quá trình nghiên cứu được thực hiện theo timeline từ tháng 4/2019 đến tháng 5/2020, bao gồm các bước: tìm hiểu lý thuyết về CNN và RL, nghiên cứu các công trình liên quan, phát triển mô hình và phần mềm mô phỏng, huấn luyện và thử nghiệm mô hình, đánh giá kết quả và hoàn thiện luận văn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Giảm tổng thời gian chờ của phương tiện: Kết quả mô phỏng cho thấy hệ thống đèn giao thông thông minh sử dụng mô hình CNN kết hợp học tăng cường giảm tổng thời gian chờ của các phương tiện từ 14% đến 30% so với hệ thống đèn tĩnh truyền thống, tùy thuộc vào kịch bản lưu lượng giao thông. Ví dụ, với lưu lượng đông (4000 xe), tổng thời gian chờ giảm khoảng 25%.

2. Hiệu quả với các hệ số chiết khấu khác nhau: Khi huấn luyện tác nhân với các hệ số chiết khấu γ từ 0 đến 0.7, mô hình đạt hiệu suất tối ưu nhất ở γ = 0.5, giảm tổng thời gian chờ trung bình hơn 20% so với hệ thống đèn tĩnh. Các hệ số thấp hoặc cao hơn đều cho kết quả kém hơn do ảnh hưởng đến trọng số phần thưởng trong quá trình học.

3. Khả năng thích ứng với lưu lượng giao thông biến đổi: Mô hình có khả năng tự điều chỉnh thời gian đèn phù hợp với các kịch bản lưu lượng khác nhau, từ lưu lượng thấp (600 xe) đến lưu lượng cao (4000 xe), giúp giảm ùn tắc hiệu quả trong mọi tình huống.

4. Tăng tính tự động và giảm sự can thiệp của con người: Việc sử dụng hình ảnh làm đầu vào cho mạng CNN giúp hệ thống tự động nhận diện tình trạng giao thông mà không cần con người phải điều chỉnh thủ công thời gian đèn, nâng cao tính tiện lợi và chính xác trong quản lý giao thông.

Thảo luận kết quả

Nguyên nhân chính của việc giảm tổng thời gian chờ là do mô hình CNN có khả năng trích xuất đặc trưng hình ảnh hiệu quả, giúp tác nhân học tăng cường nhận biết chính xác trạng thái giao thông và lựa chọn hành động tối ưu. So với các nghiên cứu trước đây sử dụng dữ liệu dạng ma trận hoặc vector, việc sử dụng hình ảnh trực quan làm đầu vào giúp mô hình học sâu khai thác được nhiều thông tin hơn về vị trí và mật độ xe.

Kết quả này tương đồng với các nghiên cứu quốc tế đã áp dụng học tăng cường sâu trong điều khiển đèn giao thông, nhưng có cải tiến về cách thức xử lý dữ liệu đầu vào và mô hình mạng CNN, từ đó nâng cao hiệu quả điều tiết giao thông. Biểu đồ so sánh tổng thời gian chờ giữa hệ thống đèn tĩnh và hệ thống được huấn luyện với các hệ số γ khác nhau minh họa rõ sự cải thiện hiệu suất.

Ngoài ra, việc mô phỏng lưu lượng xe theo phân phối Weibull giúp tạo ra môi trường huấn luyện thực tế, tăng tính khả thi khi áp dụng mô hình vào thực tế. Tuy nhiên, nghiên cứu cũng nhận thấy một số hạn chế như chưa xét đến các yếu tố ngoại cảnh như thời tiết, tai nạn giao thông, hoặc sự phối hợp giữa nhiều nút giao thông liên kết.

Đề xuất và khuyến nghị

1. Triển khai thử nghiệm thực tế tại các nút giao thông trọng điểm: Áp dụng mô hình đã huấn luyện vào các nút giao thông có lưu lượng cao trong thành phố để đánh giá hiệu quả thực tế, với mục tiêu giảm tổng thời gian chờ ít nhất 20% trong vòng 6 tháng. Chủ thể thực hiện là các cơ quan quản lý giao thông đô thị phối hợp với các đơn vị nghiên cứu.

2. Phát triển hệ thống điều khiển đèn giao thông thông minh tích hợp đa nút: Mở rộng mô hình từ một nút giao thông sang hệ thống đa nút có khả năng phối hợp, nhằm tối ưu hóa lưu lượng giao thông toàn khu vực. Thời gian nghiên cứu và phát triển dự kiến 12 tháng, do các viện nghiên cứu và doanh nghiệp công nghệ thực hiện.

3. Cập nhật và mở rộng dữ liệu huấn luyện: Thu thập thêm dữ liệu thực tế từ camera giao thông và các cảm biến để cải thiện độ chính xác của mô hình CNN, đồng thời tích hợp các yếu tố ngoại cảnh như thời tiết, sự kiện đặc biệt. Thời gian thực hiện 6-9 tháng, do các trung tâm dữ liệu và đơn vị phát triển phần mềm đảm nhiệm.

4. Đào tạo và nâng cao năng lực cho cán bộ quản lý giao thông: Tổ chức các khóa đào tạo về công nghệ AI và quản lý hệ thống đèn giao thông thông minh cho cán bộ kỹ thuật và quản lý, nhằm đảm bảo vận hành hiệu quả hệ thống mới. Thời gian triển khai 3-6 tháng, do các trường đại học và trung tâm đào tạo phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Cơ quan quản lý giao thông đô thị: Giúp hiểu rõ về ứng dụng AI trong điều khiển đèn giao thông, từ đó có cơ sở triển khai các giải pháp công nghệ mới nhằm giảm ùn tắc và nâng cao hiệu quả quản lý.

2. Các nhà nghiên cứu và sinh viên ngành khoa học máy tính, công nghệ thông tin: Cung cấp kiến thức chuyên sâu về mạng CNN, học tăng cường và ứng dụng thực tiễn trong lĩnh vực giao thông thông minh, hỗ trợ phát triển các đề tài nghiên cứu tiếp theo.

3. Doanh nghiệp công nghệ phát triển giải pháp giao thông thông minh: Tham khảo để phát triển sản phẩm điều khiển đèn giao thông tự động, tích hợp AI nhằm nâng cao tính cạnh tranh và hiệu quả sản phẩm.

4. Các tổ chức quy hoạch và phát triển đô thị: Hiểu được vai trò của công nghệ AI trong quản lý giao thông, từ đó phối hợp với các bên liên quan để xây dựng hệ thống giao thông thông minh, bền vững.

Câu hỏi thường gặp

1. Ứng dụng trí tuệ nhân tạo giúp giảm thời gian chờ giao thông như thế nào?
   AI sử dụng mạng CNN để phân tích hình ảnh giao thông, kết hợp học tăng cường để tự động điều chỉnh thời gian đèn, từ đó giảm tổng thời gian chờ của phương tiện. Ví dụ, mô hình trong nghiên cứu giảm thời gian chờ trung bình 20-30% so với đèn tĩnh.

2. Phần mềm SUMO có vai trò gì trong nghiên cứu?
   SUMO là công cụ mô phỏng giao thông giúp tạo ra dữ liệu hình ảnh trạng thái giao thông và mô phỏng lưu lượng xe theo các kịch bản khác nhau, phục vụ cho việc huấn luyện và đánh giá mô hình AI.

3. Tại sao chọn mạng nơ-ron tích chập (CNN) thay vì các mô hình khác?
   CNN có khả năng tự động trích xuất đặc trưng từ dữ liệu hình ảnh, giúp mô hình nhận biết chính xác vị trí và mật độ xe, từ đó cải thiện hiệu quả học tăng cường trong việc điều khiển đèn giao thông.

4. Học tăng cường (Reinforcement Learning) hoạt động như thế nào trong hệ thống này?
   Tác nhân học cách chọn hành động (thay đổi thời gian đèn) dựa trên phần thưởng nhận được (giảm thời gian chờ), qua nhiều lần tương tác với môi trường mô phỏng để tối ưu hóa chính sách điều khiển.

5. Mô hình có thể áp dụng cho các nút giao thông phức tạp hơn không?
   Có thể mở rộng mô hình để điều khiển đa nút giao thông phối hợp, tuy nhiên cần nghiên cứu thêm về cách đồng bộ và xử lý dữ liệu phức tạp hơn, cũng như thử nghiệm thực tế để đảm bảo hiệu quả.

Kết luận

• Ứng dụng mạng nơ-ron tích chập kết hợp học tăng cường giúp giảm tổng thời gian chờ của phương tiện tại nút giao thông từ 14% đến 30% so với hệ thống đèn tĩnh.
• Mô hình CNN xử lý hình ảnh trạng thái giao thông hiệu quả, cung cấp dữ liệu đầu vào chất lượng cho thuật toán học tăng cường.
• Kết quả mô phỏng với phần mềm SUMO cho thấy khả năng thích ứng với các kịch bản lưu lượng giao thông đa dạng.
• Nghiên cứu mở ra hướng phát triển hệ thống đèn giao thông thông minh đa nút, nâng cao hiệu quả quản lý giao thông đô thị.
• Đề xuất triển khai thử nghiệm thực tế và mở rộng dữ liệu huấn luyện để hoàn thiện mô hình, hướng tới ứng dụng rộng rãi trong tương lai.

Để tiếp tục phát triển, các nhà quản lý và nghiên cứu nên phối hợp triển khai thử nghiệm thực tế, đồng thời cập nhật công nghệ mới nhằm nâng cao hiệu quả hệ thống giao thông thông minh. Hành động ngay hôm nay sẽ góp phần giảm ùn tắc, bảo vệ môi trường và nâng cao chất lượng cuộc sống đô thị.

Trích đoạn nội dung tài liệu

Chương 1 : Tổng Quan quả đó học và cải thiện việc chọn một hành động là vấn đề luận văn tập trung nghiên cứu. Mục tiêu nghiên cứu Mục tiêu đề ra của bài nghiên cứu này là làm giảm tổng thời gian chờ của các phương tiện tại một nút giao thông bằng phương pháp sử dụng mô hình mạng CNN với dữ liệu đầu vào là hình ảnh một nút giao thông sau đó áp dụng kết quả đầu ra cho việc học tăng cường. Đối tượng, phạm vi nghiên cứu Đối tượng nghiên cứu là một phần mềm tích hợp trí tuệ nhân tạo giúp tối ưu tổng thời gian chờ của các phương tiện. Phạm vi nghiên cứu là mô phỏng quá trình tự học của phần mềm với dữ liệu đầu vào là hình ảnh của con đường giúp giảm tổng thời gian chờ của các phương tiện giao thông.

Mô phỏng việc các phương tiện giao thông di chuyển tại một nút giao thông bằng phần mềm SUMO để tính tổng thời gian chờ. Thời gian ước tính để hoàn tất công trình nghiên cứu là 12 tháng. Nội dung nghiên cứu Nghiên cứu thiết kế mạng CNN cho phù hợp với mục tiêu nghiên cứu của đề tài đã đề ra. Nghiên cứu và áp dụng phương pháp mô hình mạng CNN và học tăng cường để cải thiện thời gian chờ của phương tiện giao thông.

So sánh tổng thời gian chờ của hệ thống đèn giao thông khi áp dụng mô hình mạng nơ-ron tích chập và phương pháp học tăng cường với hệ thống đèn tĩnh. Phương pháp nghiên cứu Phương pháp phân tích và tổng hợp lý thuyết. Phương pháp phân loại và hệ thống hóa lý thuyết. Phương pháp mô phỏng.

Bố cục đề tài Chương 1: Tổng Quan 4 Luan van Chương 1 : Tổng Quan Chương này trình bày đặt vấn đề dẫn nhập lý do chọn đề tài, công trình liên quan, mục tiêu nghiên cứu, nội dung nghiên cứu, phương pháp nghiên cứu, các giới hạn đề tài và bố cục đề tài. Chương 2: Cơ Sở Lý Thuyết Chương này giới thiệu về lý thuyết cơ bản về trí tuệ nhân tạo và các ứng dụng của nó trong đời sống. Chương 3: Giải pháp giảm thời gian chờ của phương tiện dựa vào mạng nơ- ron tích chập cùng với học tăng cường. Chương này giới thiệu về hướng đề xuất của luận văn.

Chương 4: Kết luận – Hướng phát triển Chương này trình bày tóm tắt những gì đã làm được trong luận văn. Và nêu ra hướng phát triển của đề tài trong tương lai. 5 Luan van Chương 2 : Cơ Sở Lý Thuyết Chương 2 CƠ SỞ LÝ THUYẾT 2. Tổng quan trí tuệ nhân tạo (AI – Artificial Intelligence) 2.

Định nghĩa Trí tuệ nhân tạo (Artificial Intelligence) có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh [8]. AI là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý lý thuyết vững chắc, có khả năng ứng dụng được của lĩnh vực này. Ở thời điểm hiện tại, Thuật ngữ này thường dùng để nói đến các máy tính có mục đích không nhất định và ngành khoa học nghiên cứu về các lý thuyết và ứng dụng của trí tuệ nhân tạo. Tức là mỗi loại trí tuệ nhân tạo hiện nay đang dừng lại ở mức độ những máy tính hoặc siêu máy tính dùng để xử lý một loại công việc nào đó như điều khiển một ngôi nhà, nghiên cứu nhận diện hình ảnh, xử lý dữ liệu của bệnh nhân để đưa ra phác đồ điều trị, xử lý dữ liệu để tự học hỏi, khả năng trả lời các câu hỏi về chẩn đoán bệnh, trả lời khách hàng về các sản phẩm của một công ty,.1: Tổng quan về trí tuệ nhân tạo Nguồn: https://irishtechnews-ie.com/wp-content/uploads/2019/03/AI_vs_ML- 759x500.jpg?lossy=1&ssl=1 6 Luan van Chương 2 : Cơ Sở Lý Thuyết 2.

Lịch sử trí tuệ nhân tạo Ý tưởng xây dựng một chương trình AI xuất hiện lần đầu vào tháng 10 năm 1950 [9], khi nhà bác học người Anh Alan Turing xem xét vấn đề “liệu máy tính có khả năng suy nghĩ hay không?”. Để trả lời câu hỏi này, ông đã đưa ra khái niệm "phép thử bắt chước" mà sau này người ta gọi là “phép thử Turing”, phép thử được thực hiện dưới dạng một trò chơi. Theo đó, có ba đối tượng tham gia trò chơi (gồm hai người và một máy tính). Một người (người thẩm vấn) ngồi trong một phòng kín tách biệt với hai đối tượng còn lại.

Người này đặt các câu hỏi và nhận các câu trả lời từ người kia (người trả lời thẩm vấn) và từ máy tính. Cuối cùng, nếu người thẩm vấn không phân biệt được câu trả lời nào là của người, câu trả lời nào là của máy tính thì lúc đó có thể nói máy tính đã có khả năng “suy nghĩ” giống như người. Đến mùa hè năm 1956, tại hội nghị do Marvin Minsky và John McCarthy tổ chức với sự tham dự của vài chục nhà khoa học tại trường Dartmouth, Mỹ, tên gọi “Artificial Intelligence” được chính thức công nhận và được dùng cho đến ngày nay. Cũng tại đây, Bộ môn nghiên cứu trí tuệ nhân tạo đầu tiên đã được thành lập.

Quá trình hình thành và phát triển của AI Từ 1950 – 1965, các nhà khoa học như John McArthy, Marvin Minsky, Allen Newell và Herbert Simon cùng với những sinh viên đã viết nên những lập trình giúp máy vi tính giải được những bài toán đố của đại số, chứng minh các định lý và nói được tiếng Anh [10]. Một số thành tựu ban đầu của giai đoạn này có thể kể đến như: chương trình chơi cờ của Samuel, chương trình lý luận logic của Newell và Simon, chương trình chứng minh các định lý hình học của Gelernter [10]. Bước sang thập nên 60, các nghiên cứu về trí tuệ nhân tạo chủ yếu tập trung vào biểu diễn tri thức và phương thức giao tiếp giữa người và máy tính bằng ngôn ngữ tự nhiên. Tuy nhiên, tất cả đều thất bại do tiến bộ tin học thời bấy giờ vẫn chưa đạt đến mức để có thể thực hiện.

7 Luan van Chương 2 : Cơ Sở Lý Thuyết Đến năm 1997, sau trận đấu lịch sử giữa kiện tướng cờ vua Garry Kasparov với máy tính DeepBlue của IBM [10], niềm hy vọng về trí tuệ nhân tạo mới được hồi sinh. Năm 2015, sự phát triển của nền tảng điện toán đám mây với chi phí ở mức chấp nhận được, cùng những bộ dữ liệu phong phú, các công cụ phát triển phần mềm miễn phí hoặc giá rẻ đã hỗ trợ rất nhiều cho các nhà nghiên cứu. Nhờ đó, những nghiên cứu về công nghệ học hỏi cho máy tính, còn được gọi các mạng thần kinh, từ chỗ vô cùng tốn kém đã trở nên tương đối rẻ. Tất cả đã giúp cho mảnh đất trí tuệ nhân tạo thu hút đông đảo các ông lớn như: Facebook, Google, Microsoft, …tham gia nghiên cứu, phát triển sản phẩm và mở ra kỷ nguyên mới cho trí tuệ nhân tạo.2: Lịch sử phát triển trí tuệ nhân tạo Nguồn: https://images.

Mục đích của trí tuệ nhân tạo Việc phát triển trí tuệ nhân tạo giúp cho máy móc có trí tuệ như con người: tạo ra các hệ thống có thể hiểu, suy nghĩ, học hỏi và hành xử giống con người. Hơn 8 Luan van Chương 2 : Cơ Sở Lý Thuyết thế nữa, các hệ thống này có thể thể hiện hành vi thông minh, học hỏi, chứng minh, giải thích và tư vấn cho người dùng của mình. Trí tuệ nhân tạo trong cách ngành liên quan Trí tuệ nhân tạo có thể đóng góp để xây dựng các hệ thống thông minh cho các ngành như sau: Khoa học máy tính, sinh học, tâm lý học, ngôn ngữ học, toán học, xã hội học, khoa học nơ-ron.3: Các ngành nghề áp dụng trí tuệ nhân tạo Nguồn: https://www.com/artificial_intelligence/images/components_of_ai. Một số ứng dụng của AI trong thực tiễn Hiện tại, trí tuệ nhân tạo được ứng dụng trong đời sống theo hai hướng: Dùng máy tính để bắt chước quá trình xử lý của con người và thiết kế những máy tính thông minh độc lập với cách suy nghĩ của con người.

Một số ứng dụng của trí tuệ nhân tạo trong cuộc sống thực tiễn có thể kể đến như: nhận dạng chữ viết, nhận dạng tiếng nói, dịch tự động, tìm kiếm thông tin, khai phá dữ liệu và phát triển tri thức, lái xe tự động, robot, … Trong tương lai, trí tuệ nhân tạo với sự quan tâm và phát triển của các ông lớn trong ngành công nghệ, dự kiến sẽ mở rộng hơn nữa phạm vi ứng dụng sang các lĩnh vực như: Y tế, xây dựng, ngân hàng, công nghệ siêu vi, … 9 Luan van Chương 2 : Cơ Sở Lý Thuyết Đến nay, trí tuệ nhân tạo đã góp phần không nhỏ trong việc giúp con người tiết kiệm sức lao động, đẩy nhanh quá trình tự động hóa và số hóa nền kinh tế của nhân loại, với chi phí khá rẻ. Mặc dù, vẫn có nhiều ý kiến lo ngại về công ăn việc làm của con người khi trí tuệ nhân tạo phát triển. Nhưng thiết nghĩ, nếu chúng ta có những chính sách phù hợp thì trí tuệ nhân tạo sẽ là nền tảng đưa loài người bước lên một tầm cao mới. Những nguy cơ tiềm ẩn Rất nhiều hãng công nghệ nổi tiếng có tham vọng tạo ra được cổ máy với trí tuệ nhân tạo vì giá trị của chúng là vô cùng lớn, giải quyết được rất nhiều vấn đề của con người mà loài người đang chưa giải quyết được.

Tuy trí tuệ nhân tạo mang lại rất nhiều giá trị cho cuộc sống loài người, nhưng chúng cũng tiềm ẩn những nguy cơ. Rất nhiều chuyên gia lo lắng rằng khi trí tuệ nhân tạo đạt tới 1 ngưỡng tiến hóa nào đó thì đó cũng là thời điểm loài người bị tận diệt. Rất nhiều các bộ phim đã khai thác đề tài này với nhiều góc nhìn, nhưng qua đó đều muốn cảnh báo loài người về mối nguy đặc biệt này. Nơ-ron nhân tạo (Neural Networks) 2.

Khởi đầu với nơron Một mạng nơ-ron được cấu thành bởi các nơ-ron đơn lẻ được gọi là các tri giác (perceptron). Một nơ-ron có thể nhận nhiều đầu vào và cho ra một kết quả duy nhất.4: Cấu tạo nơ-ron sinh học [11] Nơ-ron nhân tạo được lấy cảm hứng từ nơ-ron sinh học với cách hoạt động tương tự, nó là sự kết hợp từ nhiều đơn vị (unit), và tín hiệu sẽ được xử lý theo 10 Luan van Chương 2 : Cơ Sở Lý Thuyết từng lớp (layer), như trên hình, lớp ở giữa được gọi là lớp ẩn (hidden layer), còn lại là lớp vào (input layer) và lớp ra (output layer).