Luận án tiến sĩ: Dự đoán luồng giao thông bất định - Đoàn Phước Miền

Dự báo giao thông chính xác mang lại lợi ích thiết thực cho quản lý đô thị. Hệ thống giúp cơ quan quản lý đưa ra quyết định kịp thời về điều phối luồng xe. Người dân được cung cấp thông tin tuyến đường tối ưu, tiết kiệm thời gian di chuyển. Công nghệ dự đoán giảm thiểu tác động môi trường từ khí thải phương tiện. Quản lý luồng xe hiệu quả góp phần giảm tai nạn giao thông đáng kể.

Tính bất định trong giao thông xuất phát từ nhiều yếu tố phức tạp. Thời tiết xấu làm thay đổi tốc độ và mật độ phương tiện đột ngột. Sự kiện đặc biệt như lễ hội, tai nạn tạo ra biến động khó dự đoán. Hành vi lái xe cá nhân mang tính ngẫu nhiên cao. Các mô hình truyền thống gặp khó khăn khi xử lý dữ liệu nhiễu và thiếu hụt.

Học máy giao thông và mạng nơ-ron nhân tạo cung cấp công cụ mạnh mẽ cho dự đoán. Các thuật toán học sâu như YOLO, SSD nhận dạng phương tiện chính xác cao. Phương pháp trừ nền ngưỡng động xử lý hiệu quả video từ camera giám sát. Transformer kết hợp YOLO nâng cao khả năng phát hiện đối tượng nhỏ. Kiến trúc tích hợp đa nguồn dữ liệu tạo nền tảng phân tích toàn diện.

Kiến trúc hệ thống được xây dựng theo mô hình phân tầng rõ ràng. Tầng thu thập kết nối với cảm biến giao thông và camera giám sát đa dạng. Tầng xử lý áp dụng các thuật toán học máy giao thông để phân tích dữ liệu. Tầng lưu trữ sử dụng công nghệ đám mây đảm bảo an toàn và khả năng mở rộng. Tầng ứng dụng cung cấp giao diện trực quan cho người dùng cuối.

Hệ thống hỗ trợ truy vấn dữ liệu từ camera giám sát theo thời gian thực. Dữ liệu được nén và mã hóa trước khi lưu trữ trên máy chủ đám mây. Cơ chế đồng bộ tự động đảm bảo tính nhất quán của dữ liệu. Khả năng truy vấn lịch sử giúp phân tích xu hướng giao thông dài hạn. Giao diện API cho phép tích hợp với các hệ thống ITS khác.

Hệ thống được triển khai thử nghiệm với camera giao thông thực tế tại Đà Nẵng. Kết nối đa nguồn cho phép giám sát đồng thời nhiều nút giao thông quan trọng. Độ trễ xử lý thấp đảm bảo phản hồi kịp thời với tình huống giao thông. Khả năng tự động phát hiện sự cố và cảnh báo cho trung tâm điều hành. Giao diện trực quan hiển thị thông tin giao thông theo thời gian thực.

YOLO là mô hình học sâu hiệu quả cho nhận dạng đối tượng thời gian thực. Kiến trúc mạng nơ-ron tích hợp phát hiện và phân loại trong một lần xử lý. Tốc độ xử lý cao cho phép phân tích video 30 khung hình mỗi giây. Độ chính xác đạt trên 90% với các loại phương tiện phổ biến. Mô hình HAIVAN-BSYOLO cải tiến từ YOLO-v8 cho giao thông Việt Nam.

Phương pháp trừ nền tách phương tiện di động khỏi nền tĩnh. Ngưỡng động tự điều chỉnh theo điều kiện ánh sáng thay đổi. Thuật toán PBAS cho kết quả vượt trội so với phương pháp khác biệt khung hình. Kỹ thuật kết hợp với YOLO nâng cao độ chính xác phát hiện. Xử lý hiệu quả các trường hợp che khuất một phần.

Phương tiện nhỏ như xe máy đặt ra thách thức riêng trong nhận dạng. Mô hình SSD được tối ưu cho phát hiện đối tượng kích thước nhỏ. Transformer kết hợp YOLO cải thiện khả năng nhận dạng từ xa. Kỹ thuật tăng cường độ phân giải cục bộ nâng cao chất lượng nhận dạng. Độ chính xác đạt 85% với xe máy trong điều kiện giao thông đông đúc.

Mô hình toán học dựa trên tỷ lệ diện tích phương tiện trên tổng diện tích đường. Công thức tính mật độ: ρ = Σ(diện tích phương tiện) / diện tích làn đường. Hệ số điều chỉnh được áp dụng cho từng loại phương tiện khác nhau. Mô hình xem xét cả phương tiện dừng và đang di chuyển. Độ chính xác ước lượng đạt 92% so với đo đạc thực tế.

Thuật toán tự động xác định ranh giới làn đường từ video camera. Phép biến đổi phối cảnh chuyển góc nhìn camera sang góc nhìn từ trên xuống. Diện tích tổng quát được tính toán dựa trên đường kẻ vạch. Mỗi làn đường được phân tích riêng biệt để có thông tin chi tiết. Hệ thống tự động cập nhật khi có thay đổi cấu trúc đường.

Kích thước phương tiện dựa trên thống kê phương tiện tham gia giao thông Việt Nam. Ô tô con: 4.5m x 1.8m, xe tải: 6m x 2.2m, xe máy: 2m x 0.7m. Hệ thống sử dụng kích thước trung bình cho mỗi loại phương tiện. Công thức điều chỉnh theo góc nhìn camera và vị trí phương tiện. Sai số kích thước được kiểm soát dưới 10% so với thực tế.

Thuật toán kết hợp dự đoán luồng giao thông và tối ưu hóa đa mục tiêu. Hàm mục tiêu tối thiểu hóa thời gian di chuyển và mức độ ùn tắc. Ràng buộc về dung lượng đường và quy tắc giao thông được xem xét. Phương pháp học máy giao thông dự đoán thời gian đi trên từng đoạn đường. Kết quả cho thấy giảm 15-20% thời gian di chuyển trong giờ cao điểm.

Hệ thống giao thông thông minh cung cấp nền tảng cho định tuyến động. Dữ liệu giao thông thời gian thực từ cảm biến giao thông được tích hợp. Thông tin được phân phối qua bảng điện tử, ứng dụng di động. Giao tiếp V2I (Vehicle-to-Infrastructure) nâng cao hiệu quả định tuyến. Kiến trúc mở cho phép mở rộng và tích hợp công nghệ mới.

Hệ thống cập nhật tuyến đường mỗi 5 phút dựa trên dữ liệu mới. Thuật toán phát hiện sự cố giao thông và điều chỉnh định tuyến ngay lập tức. Người dùng nhận thông báo khi có tuyến đường tốt hơn. Cơ chế học từ lịch sử cải thiện độ chính xác dự đoán. Tích hợp dự báo thời tiết để điều chỉnh tuyến đường phù hợp.

HAIVAN-BSYOLO đạt độ chính xác 94.2%, cao hơn YOLO-v8 3.5%. Tốc độ xử lý 30 khung hình/giây trên GPU NVIDIA RTX 3080. Phát hiện xe máy đạt 91.5%, ô tô 96.8%, xe tải 93.2%. Phương pháp trừ nền kết hợp YOLO cải thiện 7% trong điều kiện ánh sáng thay đổi. Tỷ lệ phát hiện sai (false positive) giảm xuống 4.1%.

Sai số trung bình ước lượng mật độ là 8.5% so với đếm thủ công. Hệ số tương quan Pearson đạt 0.94 giữa ước lượng và thực tế. Độ chính xác cao nhất đạt được trong điều kiện giao thông vừa phải. Sai số tăng lên 12% trong điều kiện ùn tắc nghiêm trọng. Mô hình hoạt động ổn định trong các điều kiện thời tiết khác nhau.

Dự đoán 15 phút trước đạt độ chính xác 89%, 30 phút đạt 82%. Sai số trung bình tuyệt đối (MAE) là 12.3 phương tiện/5 phút. Mô hình LSTM cho kết quả tốt hơn mô hình ARIMA 6.5%. Dự đoán chính xác hơn trong giờ cao điểm so với giờ thấp điểm. Thời gian huấn luyện mô hình là 4.5 giờ với 6 tháng dữ liệu lịch sử.