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

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA Đoàn Phước Miền DỰ ĐOÁN VÀ ĐỊNH HUGNG LUONG GIAO THONG TRONG MÔI TRƯỜNG BẤT ĐỊNH LUẬN ÁN TIÊN SĨ ĐÀ NẴNG - 2024 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA Đoàn Phước Miền DU DOAN VA DINH HUGNG LUONG GIAO THONG TRONG MOI TRUGNG BAT DINH Chuyén nganh: Khoa hoc may tinh Mã số: 9 48 01 01 LUẬN ÁN TIẾN SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. Ngõ Văn Sỹ Đà Nẵng — 2024 LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện, dưới sự hướng din cia TS. TRAN THE VU va TS. NGO VAN SY.

Tôi cam đoan các kết quả nghiên cứu được trình bày trong luận án là trung thực và không sao chép từ bất kỳ công trình nghiên cứu nào khác. Một số kết quả nghiên cứu là thành quả tập thể và đã được các đồng tác giả đồng ý cho sử dụng trong luận án. Mọi trích dẫn trong luận án đều có ghỉ nguồn gốc xuất xứ rõ ràng và đầy đủ. năm 2024 NCS Đoàn Phước Miền LỜI CẢM ƠN Trong quá trình nghiên cứu và hoàn thành Luận án, Nghiên cứu sinh đã nhận được sự định hướng, giúp đỡ, các ý kiến đóng góp quý báu và những lời động viên của các nhà khoa học, các thầy cô giáo, đồng nghiệp và gia đình.

Trước tiên, tôi xin bày tổ lòng biết ơn sâu sắc và xin gửi lời tri ân đến TS. Trần Thế Vũ và TS. Ngô Văn Sỹ đã tận tình hướng dẫn, truyền đạt kiến thức và kinh nghiệm nghiên cứu khoa học cho tôi trong suốt quá trình học tập, nghiên cứu và hoàn thành luận án. Tôi xin chân thành cảm ơn Phòng Đào tạo và Khoa Công nghệ Thông tỉn cũng như các đơn vị có liên quan khác của Trường Đại học Bách khoa, Đại học Đà Nẵng đã luôn tạo điều kiện thuận lợi cho tôi trong thời gian làm nghiên cứu sinh tại đây.

Xin cảm ơn Ban Lãnh đạo Trường Đại học Trà Vinh đã luôn hỗ trợ và tạo điều kiện tốt nhất để tôi hoàn thành tốt nghiên cứu này. Cuối cùng, tôi xin được gửi lời cảm ơn sâu sắc đến gia đình, bạn bè và đồng nghiệp, những người luôn bên cạnh, giúp đỡ và động viên tôi trong suốt thời gian học tập, nghiên cứu và hoàn thành luận án. NCS Đoàn Phước Miền ili MUC LUC LOICAMGN.000000 0000 ii MỤC LỤC. ee iii DANH MỤC CÁC TỪ VIẾT TẮT.

vii DANH MUC CAC KY HIEU TOAN HOC. ix DANH MỤC CÁC HÌNH VẼ. xỉ DANH MỤC CÁC BẰNG BIỂU. xiii MO DAU 0.

TONG QUAN VE DU DOAN VA DINH HƯỚNG LUONG GIAO THONG TRONG MOI TRUONG BAT DINH 8 11 Giao thông thông mỉnh. 8 12 Luồng giao thông.3 Định hướng luồng giao thông.4 Tính bất định trong giao thông. 10 15 Bài toán về dự đoán luồng giao thông .1 Tham số về thời gian.2 Đặc trưng đầu vào. 14 16 Nghiên cứu lên quan .1 Nghiên cứu liên quan về nền tảng tích hợp đữ liệu Video.2 Nghiên cứu liên quan về môi trường bắt định trong giao 1.3 Nghiên cứu liên quan về nhận dạng đối tượng .4 Nghiên cứu liên quan về ước lượng mật độ giao thông.5 Nghiên cứu liên quan về dự đoán luồng giao thông.

24 17 Kết chương. Q Q Q Q ng v2 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH ĐỀ XUẤT 2.1 Mô hình đề xuất hệ thống HAIVAN-CVA. 22_ Kiến trúc tích hợp dữ liệu.

Mô hình đề xuất kiến trúc tích hợp đữ liệu. Mõ hình hệ thống tích hợp đữ liệu tổng quát.3 Nhận dạng đối tượng .2 Thách thức trong nhận đạng đối tượng. Mô hình toán học trong nhận dạng đối tượng.4 Nhận dạng đối tượng kết hợp phương pháp trừ nền và YOLO Quy A vkkka 2.5 Nhận dang đối tượng bằng phương pháp Trừ nền ngưỡng động.6 Nhận dạng đối tượng bằng phương pháp hoc sau.7 Nhận dạng đối tượng nhỏ theo mô hình SSD. Nhận dạng đối tượng nhỏ dựa trên mô hình YOLO.9 Nhận đạng đối tượng nhỏ dựa vào kết hợp Transformer và 9 9.4 Ước lượng mật độ giao thông .2 Thách thức trong ước lượng mật độ .3 Mô hình toán học.

Mô hình đề xIẤt. 245 Xây dựng đữ liệu. cv Sc 246 Xác định làn dutng.7 Xác định diện tíh tổng quát. Công thức tính mật độ giao thông.

Kích thước phương tiện tham gia giao thông .10 Tinh tổng điện tích phương tin. 96 25 Dự đoán luồng giao thông .2 Thách thức trong dự đoán luồng giao thông. Mô hình toán học. 105 26 Kết chương.

KET QUA THUC NGHIEM 110 3.1 Kết quả thực nghiệm kiến trúc tích hợp dữ liệu. 110 311 Cấu hình phan cing .2 Truy vấn đữ liệu từ camera giám sắt. Lưu trữ dữ liệu trên máy chủ đám mây .4 Ứng dụng sử dụng nguồn camera thực tế .2 Kết quả thực nghiệm nhận dạng đối tượng.1 Kết quả thực nghiệm bằng Phương pháp học sâu .2 Kết quả thực nghiệm bằng Phương pháp trừ nền ngưỡng 0. Kết quả thực nghiệm phương pháp SSD nhận dạng phương tiện giao thông nhỏ.4 Kết quả thực nghiệm phương pháp YOLO nhận dạng phương tiện giao thông nhỏ.25 Kết quả Transfoarmer và VYOLO.6 Két quả thực nghiệm phương pháp Trừ nền kết hợp với 9 9.7 So sánh hiệu năng của HAIVAN-BSYOLO véi YOLO-v8 .8 So sánh hiệu năng trừ nền của thuật toán PBAS với sự khác biệt khung hình động và sự khác biệt khung hình tinh134 E5) 5.3 Két quả thực nghiệm ước lượng mật độ.

138 331 Cài đạtcấu hình .2 Huấn luyện mô hình .3 Sử dụng môhình.4 Kết quả Ước lượng mật độ giao thông.4 Két quả thực nghiệm dự đoán luồng giao thông .41 Thu thập Dữ liệu theo thời gian. 148 342 Tiền xử lý đữ liệu. QC 149 343 Sử dụng môhình. Huấn luyện mô hình .5 Dự đoán luồng giao thông.

oe ee ee 159 3.5 Kết chương. eee 164 KET LUAN 166 CAC CONG TRINH KHOA HOC DA CONG Bi 169 On» TÀI LIỆU THAM KHẢO 170 vii DANH MUC CAC TU VIET TAT Ky hiéu Tiéng anh Tiéng viét AI Artificial Intelligence Tri tué nhan tao AIMA Autoregressive Integrated M6 hinh ty héi quy tich hop Moving Average trung bình đi động API Application Programming Giao điện lập trình ứng Interface dung CCTV Closed Circuit Television Truyén hinh mach kin CTM Cell Transmission Model M6 hinh truyén din 6 GNN Graph Neural Network Mang no-ron dé thi HDFS Hadoop Distributed File Hé thống tệp phân tán System Hadoop ITS Intelligent Transport Sys- Hệ thống giao thông thông tem minh IoT Internet of Things Internet van vat LSTM Long Short-Term Memory Mạng bộ nhớ đài -ngắn hạn ML Machine learning Học máy PABS Pixel-Adaptive Background Trừ nền thích ứng theo Subtraction điểm ảnh R-CNN Region-based Convolu- Mô hình xác định vùng đặc tional Neural Network trưng dựa trên các mạng CNN RNN Recurrent Neural Network Mạng nơ-ron hồi quy vii Ký hiệu Tiếng anh Tiếng việt SARIMA Seasonal Autoregressive In- M6 hinh ARIMA theo mia tegrated Moving Average SVM Support vector machine Máy vectơ hỗ trợ TS-RNN Time-Series Recurrent Neu- Mạng nơron hồi quy theo ral Network chuỗi thời gian SAE Stacked Autoencoder Bộ tự mã hóa xếp chồng SSD Single Shot Multibox De- Bo phat hién déi tuong mét tector lần ROI Region of Interest Ving quan tam GMM Gaussian Mixture Model M6 hinh hén hop Gaussian GRU Gated Recurrent Unit Đơn vị hồi qui có công ix DANH MUC CAC KY HIEU TOAN HOC Ky hiéu—- Y nghia t “Thời gian ñ() Một khoáng thời gian giữa một điểm bát đầu đến điểm kế tiếp A(@®) Độ lớn của khoảng thời gian từ điểm này đến điểm tiếp theo q Luồng giao thông Dp Mật độ, được tính bằng số lượng phương tiện trung bình trên một đoạn đường tại một thời điểm xác định. # Trạng thái luồng giao thông đường bộ A(t) Sự thay đổi về thời gian từ điểm này sang điểm tiếp theo. TS Là khoảng thời gian giữa một điểm dữ liệu với điểm tiếp theo 1,1) Điểm ảnh có tọa độ là (x,y) v Vận tốc của phương tiện tụ Vận tốc của phương tiện trên tuyến đường í f(x) Hàm mục tiêu ft Biểu thức tối ưu yi Giá trị thực tế Ui Giá trị được dự đoán Z_ score Giá trị đữ liệu đã chuẩn hoá theo z-scrore o Hàm kích hoạt phi tuyến tính như ReLU hoặc Tanh Ký hiệu Ý nghĩa HAIVAN;: - Tham số đầu vào của hệ thống bao gồm các địa chỉ (url), video từ điện thoại (Vid„}), video từ camera.

giám sát trên xe (Vid¿) My Kết quả dự đoán luồng giao thông HAIVANo_ Kết quả trả về của hệ thống HAIVANg_ Loại đữ liệu từ hệ thống được yêu cầu truy xuất nhu cade dia chi (Di), video (Dyia), hinh anh (Dim), va d& liéu dang chudi (Dapa) My Kết quả đếm phương tiện giao thông My Kết quả ước lượng mat độ dựa vào số lượng phương tién (M,) va diện tích mặt đường quan sát. xi DANH MỤC CÁC HÌNH VẼ Hình 1.1 Kiến trúc hệ thống tích hợp đữ liệu video [30] .2 Cấu trúc của RNN uc nà Hình 1.3 Cấu trúc của LỸTM [100] .4 Cấu trúc chỉ tiết của một nhánh LẾTM [100] .5 Kiến trúc mạng nơron hồi quy LSTM.1 Mô hình đề xuất chung cho toàn hệ thống HAIVAN-CVA Hình 2.2 Kiến trúc hệ thống .3 Mô hình hệ thống tổng quát HAIVAN .4 Nhiều góc quay camera và nhiều kích cỡ đối tượng .5 Trường tiếp nhận giớihạn .6 Biểu diễn đạc trưng .7 Dữ liệu đa dạng về kích thước .8 Độ lệch đữ liệu đào tạo .9 Quy trình nhận dạng phương phương tiện giao thong .10 Mô hình HAIVAN-BSYOLO đề xuất .11 Mô hình HAIVAN-BSYOLO chiết .12 Hệ thống nhận dạng đối tượng bằng phương pháp trừ nền ngưỡng động .13 Mô hình mạng nơ-ron trong học sâu .14 Mô hình kiến trúc nhận đạng đối tượng nhỏ .15 Quy trình ước lượng mật độ giao thông với đầu vào là số lượng xe và điện tích, đầu ra là trạng thái mật độ (Tác nghẽn, trung binh, thong thodng) .16 Mô hình đề xuất ước lượng mật độ .17 Mô hình tổng thể ước lượng mật độ .18 Các yếu tố bất định trong giao thông .19 Mối quan hệ giữa luồng và mật độ .20 Mối quan hệ giữa vận tốc và luồng.21 Mối quan hệ giữa mật độ và vận lốc .22 Quy trình dự đoán luồng giao thông với đầu vào là mật độ và đầu ra là kết quả phân lớp.23 Mô hình đề xuất kết hợp phương pháp ARIMA và LSTM (HAIVAN-ALSTM) .1 “Thông tin các yêu cầu truy vấn .2 Hệ thống máy ảo trên AWSC2. Hình 33 Địa chỉ camera từ nhà cungcấp. Hình 34 Khaibáo API.5 Lưu trữ kết quả trên máy chủ điện toán đám mây Phickr.

Hình 36 Lịch sử đữ liệu lưu trữ trên Firebase .7 Biểu đồ lịch sử tải đữ liệu lưu trữ trên Piebase. Hình 38 Số lượng ảnh thu được trong tuần. Hình 39 Số lượng xe ở làn đườngl .10 Số lượng xe ở làn đường 2 .11 Số lượng xe ở làn đường3 .