Dự đoán và định hướng luồng giao thông trong môi trường bất định

Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết những thách thức phức tạp của dự đoán và định hướng luồng giao thông trong môi trường bất định, một lĩnh vực trọng yếu của Hệ thống Giao thông Thông minh (ITS). Bối cảnh khoa học hiện đại nhấn mạnh sự cần thiết của các giải pháp giao thông hiệu quả hơn do tốc độ đô thị hóa nhanh chóng và sự gia tăng số lượng phương tiện, đặc biệt là ở các thành phố lớn như Đà Nẵng, Việt Nam. Nghiên cứu này định vị bản thân ở tuyến đầu của sự phát triển ITS, hướng tới việc giảm thiểu tắc nghẽn, tăng cường an toàn và tối ưu hóa thời gian di chuyển.

Research gap cụ thể mà luận án này giải quyết bao gồm: (1) "hạn chế trong việc truy cập có hệ thống vào các tập dữ liệu lớn và xử lý video có nhiều yếu tố bất định" (Chương 1, Mục 1.6.1), đặc biệt từ các nguồn camera đa dạng. Các nghiên cứu trước đây như của Yu [98] và Wang [91] đã đề xuất các khung tích hợp video, nhưng còn thiếu khả năng xử lý bất định. (2) "Các mô hình hiện tại chủ yếu tập trung vào dữ liệu từ các bộ đếm vòng lặp hoặc cảm biến, trong khi dữ liệu giao thông từ camera và các nguồn khác vẫn chưa được khai thác đầy đủ" (Chương 1, Mục 1.6.2). Điều này làm hạn chế khả năng hiểu biết toàn diện về luồng giao thông thực tế. (3) "Mặc dù có nhiều tiến bộ, nhưng việc nhận dạng đối tượng có kích thước nhỏ hoặc bị che khuất vẫn còn là thách thức lớn" (Chương 1, Mục 1.6.3), đặc biệt khi đối mặt với sự đa dạng của phương tiện giao thông tại Việt Nam (xe máy, xe đạp, xe ô tô 3 bánh, xe công nông, người đi bộ, gia súc) không được các mô hình quốc tế giải quyết hiệu quả.

Từ những khoảng trống này, các câu hỏi nghiên cứu chính được đặt ra là:

1. Làm thế nào để xây dựng một kiến trúc tích hợp dữ liệu hiệu quả từ nhiều nguồn camera khác nhau, bao gồm cả dữ liệu video, để khắc phục những hạn chế trong xử lý dữ liệu bất định?
2. Làm thế nào để phát triển các mô hình nhận dạng đối tượng chính xác, đặc biệt cho các phương tiện nhỏ và đa dạng trong điều kiện giao thông phức tạp, và từ các góc quay camera khác nhau?
3. Làm thế nào để đề xuất một phương pháp ước lượng mật độ giao thông đáng tin cậy trong môi trường bất định, sử dụng dữ liệu từ camera?
4. Làm thế nào để thiết kế một mô hình dự đoán luồng giao thông tiên tiến, có khả năng xử lý tính bất định và cung cấp định hướng tối ưu cho ITS?

Giả thuyết nghiên cứu trung tâm của luận án là: Bằng cách phát triển một kiến trúc tích hợp dữ liệu đa nguồn hiệu quả, kết hợp với các mô hình Học sâu tiên tiến cho nhận dạng đối tượng và ước lượng mật độ, và một mô hình dự đoán luồng giao thông lai, chúng ta có thể cải thiện đáng kể độ chính xác của dự đoán luồng giao thông và hiệu quả của định hướng giao thông trong môi trường bất định.

Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp của nhiều lĩnh vực. Cụ thể, các lý thuyết về Thị giác máy tính (Computer Vision) và Học sâu (Deep Learning) cung cấp nền tảng cho việc nhận dạng đối tượng, với các mô hình như YOLO (You Only Look Once) và SSD (Single Shot Multibox Detector). Lý thuyết về Chuỗi thời gian (Time-Series Analysis) và Học máy (Machine Learning) là cơ sở cho các mô hình dự đoán luồng giao thông, bao gồm Mô hình tự hồi quy tích hợp trung bình di động (ARIMA - Autoregressive Integrated Moving Average) và Mạng bộ nhớ dài-ngắn hạn (LSTM - Long Short-Term Memory). Luận án cũng tiếp cận các nguyên tắc của Hệ thống Giao thông Thông minh (ITS) để tối ưu hóa quản lý và định hướng luồng giao thông.

Luận án mang đến các đóng góp đột phá với tác động định lượng rõ rệt:

1. Kiến trúc tích hợp dữ liệu HAIVAN-CVA: "Kiến trúc cho phép chạy các luồng công việc phân tán quy mô lớn trên các nền tảng không đồng nhất cùng với các thành phần phần mềm được phát triển bằng các ngôn ngữ và công cụ lập trình khác nhau" (Đóng góp của luận án (2)), cung cấp khả năng xử lý dữ liệu video thời gian thực từ đa nguồn.
2. Mô hình nhận dạng đối tượng HAIVAN-BSYOLO: Kết hợp phương pháp trừ nền (Background Subtraction) với YOLO, cải thiện hiệu năng nhận dạng "các đối tượng có kích thước rất nhỏ" và "phương tiện giao thông đa dạng tại Việt Nam" (Chương 1, Mục 1.6.3), với kết quả so sánh hiệu năng được báo cáo chi tiết trong Chương 3.
3. Phương pháp ước lượng mật độ giao thông tiên tiến: "Đề xuất và triển khai phương pháp ước lượng mật độ trong giao thông" (Đóng góp của luận án (4)), tích hợp nhận dạng đối tượng và tính toán diện tích để xác định mật độ chính xác trong điều kiện thực tế.
4. Mô hình dự đoán luồng giao thông lai HAIVAN-ALSTM: Kết hợp ARIMA và LSTM (Hình 2.23) để xử lý tính bất định và tính chu kỳ của dữ liệu luồng giao thông, cung cấp dự đoán có độ chính xác cao hơn đáng kể so với các mô hình đơn lẻ (Bảng 3.13).
5. Bộ dữ liệu giao thông thực tế tại Đà Nẵng: "Xây dựng bộ dữ liệu giao thông ở các nút camera... góp phần vào việc phân tích dữ liệu giao thông dựa trên video" (Đóng góp của luận án (1)), cung cấp nguồn tài nguyên quý giá cho nghiên cứu trong tương lai, đặc biệt là cho các đặc thù giao thông Việt Nam.

Phạm vi nghiên cứu tập trung vào "Giao thông đường bộ tại thành phố Đà Nẵng" trong khoảng thời gian "2017 đến 2021", với các mẫu dữ liệu thu thập từ "Camera CCTV" ở nhiều vị trí và góc quay khác nhau (ví dụ: Tây Cầu Rồng, Cầu vượt Ngã ba Huế, Vòng xuyến hướng Điện Biên Phủ). Sự tập trung này cho phép nghiên cứu sâu vào các điều kiện giao thông địa phương, nhưng đồng thời tạo cơ sở cho khả năng khái quát hóa đến các đô thị tương tự. Ý nghĩa của nghiên cứu không chỉ nằm ở đóng góp lý thuyết cho các lĩnh vực Học sâu và ITS mà còn ở tiềm năng ứng dụng thực tiễn to lớn trong việc cải thiện quản lý giao thông đô thị, giảm thiểu ùn tắc, nâng cao an toàn và giảm tác động môi trường.

Literature Review và Positioning

Tổng quan tài liệu cho thấy một dòng chảy nghiên cứu mạnh mẽ trong ITS, đặc biệt là về dự đoán luồng giao thông và nhận dạng đối tượng. Trong lĩnh vực dự đoán luồng giao thông, các phương pháp vĩ mô như mô hình sóng động học của Lighthill và Whitham (1956) [trích dẫn ẩn từ văn bản gốc, chỉ có tên tác giả và năm] đã đặt nền móng, sau đó được phát triển thành mô hình truyền dẫn ô (CTM). Phương pháp tiếp cận vi mô thông qua mô hình theo dõi xe, tích hợp trong các phần mềm như Aimsun Live và SUMO, tập trung vào hành vi phương tiện cá nhân. Mô hình chuỗi thời gian như ARIMA (Autoregressive Integrated Moving Average) [87] và các mạng nơ-ron như LSTM (Long Short-Term Memory) [100] đã chứng minh hiệu quả trong việc nắm bắt tính chu kỳ và phụ thuộc thời gian của dữ liệu giao thông. Nghiên cứu của Gómez [28] và Bhomble [6] đã khám phá các hệ thống giám sát thông minh để phát hiện chuyển động. Đặc biệt, gần đây, Mạng nơ-ron sâu (DNNs) đã có ảnh hưởng đáng kể, với các ứng dụng trong nhận dạng tắc nghẽn và ước tính thời gian di chuyển, như các công trình của Wang [92] và Sabokrou [56] sử dụng hồi quy phân vị và Monte Carlo để định lượng sự không chắc chắn.

Tuy nhiên, tài liệu cũng chỉ ra nhiều mâu thuẫn và tranh luận. Một điểm tranh cãi là về khả năng của các mô hình động lực học chất lỏng bậc hai hoặc cao hơn để mô tả chính xác hành vi giao thông, do "sự khác biệt cơ bản giữa giao thông và chất lỏng khiến cho các mô hình động lực học chất lỏng bậc hai hoặc cao hơn tạo ra kết quả không thực tế" (Chương 1, Mục 1.6.5, phần "Phương pháp tiếp cận vĩ mô"). Một điểm khác là về hạn chế của các phương pháp DNNs hiện tại trong việc định lượng sự không chắc chắn khi dự báo giao thông, và việc chúng chủ yếu dựa vào "dữ liệu từ các bộ đếm vòng lặp hoặc cảm biến, trong khi dữ liệu giao thông từ camera và các nguồn khác vẫn chưa được khai thác đầy đủ" (Chương 1, Mục 1.6.2). Điều này đặt ra câu hỏi về tính toàn diện và khả năng thích ứng của các mô hình này trong các môi trường phức tạp, bất định.

Luận án này định vị bản thân bằng cách giải quyết trực tiếp những khoảng trống này. Trong khi các nghiên cứu trước đây như của Yu [98] và Wang [91] tập trung vào khung kiến trúc tích hợp dữ liệu video thời gian thực, chúng còn "hạn chế trong việc truy cập có hệ thống vào các tập dữ liệu lớn và xử lý video có nhiều yếu tố bất định" (Chương 1, Mục 1.6.1). Luận án đề xuất kiến trúc HAIVAN-CVA, một sự tiến bộ đáng kể trong việc tích hợp dữ liệu đa nguồn không đồng nhất, vượt qua giới hạn của các nền tảng truyền thống. Hơn nữa, với các mô hình nhận dạng đối tượng như YOLOv3 [63], Faster R-CNN [22], [12], và SSD512 [4], tài liệu cho thấy độ chính xác phát hiện trên các đối tượng nhỏ thường "thấp, độ chính xác chỉ dưới 40%" (Chương 1, Mục 1.6.3, phần "Nghiên cứu liên quan về nhận dạng đối tượng có kích thước nhỏ"). Luận án này tiến xa hơn bằng cách đề xuất mô hình HAIVAN-BSYOLO, được thiết kế đặc biệt để cải thiện hiệu năng nhận dạng "các đối tượng có kích thước rất nhỏ" và xử lý sự đa dạng của phương tiện giao thông tại Việt Nam, một khía cạnh mà "rất nhiều nghiên cứu ngoài nước đã ứng dụng mạnh mẽ và vận hành thực tế, tuy nhiên không thể áp dụng vào giao thông Việt Nam" (Chương 1, Mục 1.6.3, phần "Nhận dạng phương tiện giao thông").

So sánh với các nghiên cứu quốc tế, luận án này khác biệt rõ rệt. Ví dụ, nghiên cứu của Sabokrou [55] thiết kế biểu diễn video chuẩn hóa cho phát hiện bất thường trong cảnh đông đúc, và Kim [42] cùng Yang [95] tập trung vào công nghệ thành phố thông minh. Mặc dù các công trình này tạo tiền đề, chúng thường bỏ qua các điều kiện bất định và đặc thù giao thông khu vực. Luận án này không chỉ xây dựng kiến trúc tích hợp dữ liệu riêng cho môi trường bất định mà còn phát triển các mô hình nhận dạng và dự đoán phù hợp với sự phức tạp của "phương tiện giao thông đa dạng" và "văn hóa giao thông" tại Việt Nam. Nó vượt qua giới hạn của việc chỉ sử dụng dữ liệu bộ đếm vòng lặp bằng cách khai thác tối đa dữ liệu video từ camera, cung cấp một cái nhìn sâu sắc và chi tiết hơn về luồng giao thông thực tế, điều mà các nghiên cứu quốc tế [19], [57] về định lượng sự không chắc chắn trong dự báo giao thông chưa giải quyết một cách toàn diện.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này có những đóng góp đáng kể trong việc mở rộng và thách thức các lý thuyết hiện có trong Khoa học máy tính và Hệ thống Giao thông Thông minh. Về lý thuyết Thị giác máy tính, luận án mở rộng các mô hình nhận dạng đối tượng dựa trên Học sâu như YOLO của Redmon và Farhadi (2018) [99] và SSD của Liu et al. (2016) [48] bằng cách tích hợp phương pháp trừ nền thích ứng (HAIVAN-BSYOLO). Phương pháp này giải quyết một hạn chế cố hữu trong các mô hình chỉ dựa vào đặc trưng hình ảnh, đó là khả năng nhận dạng kém đối với "đối tượng có kích thước nhỏ hoặc bị che khuất" (Chương 1, Mục 1.6.3) và trong điều kiện ánh sáng thay đổi. Bằng cách kết hợp trừ nền động, mô hình có thể tập trung vào các đối tượng chuyển động, nâng cao độ chính xác, đặc biệt với các phương tiện đa dạng của Việt Nam mà các lý thuyết nhận dạng hiện có khó áp dụng hiệu quả [Chương 1, Mục 1.6.3, đoạn "Nhận dạng phương tiện giao thông"].

Đối với lý thuyết Chuỗi thời gian và Học máy, luận án mở rộng mô hình ARIMA của Box, Jenkins và Reinsel (1994) [87] và mạng LSTM của Hochreiter và Schmidhuber (1997) [100] thông qua mô hình lai HAIVAN-ALSTM. Mô hình này không chỉ kế thừa khả năng xử lý tính chu kỳ của ARIMA và phụ thuộc dài hạn của LSTM mà còn tích hợp chúng để xử lý tính bất định trong luồng giao thông một cách hiệu quả hơn. Thay vì chỉ dự đoán điểm như nhiều mô hình truyền thống [81], [33], HAIVAN-ALSTM hướng tới việc cung cấp dự đoán mạnh mẽ hơn trong môi trường biến động. Mô hình HAIVAN-ALSTM cụ thể được minh họa trong Hình 2.23, cho thấy sự kết hợp chặt chẽ giữa hai phương pháp này.

Khung khái niệm của luận án được xây dựng trên ba thành phần chính: Tích hợp Dữ liệu Đa nguồn (HAIVAN-CVA), Nhận dạng Đối tượng Nâng cao (HAIVAN-BSYOLO), và Dự đoán Luồng Giao thông Lai (HAIVAN-ALSTM).

• HAIVAN-CVA: Là kiến trúc tổng thể để thu thập, tích hợp và tiền xử lý dữ liệu video từ "nhiều nguồn camera khác nhau" (Chương 2, Mục 2.1), bao gồm CCTV, điện thoại và camera trên xe. Kiến trúc này giải quyết tính không đồng nhất và quy mô lớn của dữ liệu bằng cách cho phép "chạy các luồng công việc phân tán quy mô lớn trên các nền tảng không đồng nhất" (Đóng góp của luận án (2)).
• HAIVAN-BSYOLO: Là một mô hình học sâu kết hợp "phương pháp trừ nền ngưỡng động" với kiến trúc YOLO (Hình 2.10, Hình 2.11) để phát hiện và phân loại các phương tiện. Mô hình này được thiết kế để vượt qua "thách thức trong nhận dạng đối tượng" (Chương 2, Mục 2.3.2) như kích thước nhỏ và nhiều góc quay camera.
• HAIVAN-ALSTM: Là mô hình lai "kết hợp phương pháp ARIMA và LSTM" (Hình 2.23) để dự đoán luồng giao thông. Mô hình này sử dụng các đặc trưng đầu vào như "tốc độ, mật độ, trạng thái, số phương tiện, luồng giao thông, thời tiết, quãng đường" (Chương 1, Mục 1.5.2) và kỹ thuật cửa sổ trượt (sliding window technique) để dự đoán giá trị trong tương lai.

Mô hình lý thuyết được đề xuất bao gồm các mệnh đề và giả thuyết được đánh số.

• Mệnh đề 1: Kiến trúc HAIVAN-CVA sẽ cải thiện đáng kể khả năng thu thập và xử lý dữ liệu video đa nguồn, đặc biệt trong môi trường bất định, so với các phương pháp tích hợp dữ liệu video hiện có [98], [91].
• Giả thuyết H1.1: Tích hợp dữ liệu từ nhiều nguồn camera khác nhau thông qua HAIVAN-CVA sẽ cung cấp tập dữ liệu toàn diện hơn, giảm thiểu thông tin bị mất mát.
• Mệnh đề 2: Mô hình HAIVAN-BSYOLO sẽ đạt được độ chính xác nhận dạng đối tượng cao hơn, đặc biệt đối với các phương tiện nhỏ và đa dạng trong giao thông Việt Nam, so với các mô hình học sâu truyền thống như YOLOv8, SSD và Faster R-CNN.
• Giả thuyết H2.1: Kết hợp trừ nền ngưỡng động với YOLO sẽ giúp HAIVAN-BSYOLO tập trung vào các đối tượng chuyển động, nâng cao mAP (mean Average Precision) đối với các đối tượng nhỏ (Bảng 3.7, Bảng 3.8).
• Giả thuyết H2.2: Mô hình HAIVAN-BSYOLO sẽ hiệu quả hơn trong việc xử lý các thách thức về "nhiều góc quay camera và nhiều kích cỡ đối tượng" (Hình 2.4).
• Mệnh đề 3: Phương pháp ước lượng mật độ dựa trên nhận dạng đối tượng sẽ cung cấp ước lượng mật độ giao thông chính xác và đáng tin cậy hơn trong môi trường bất định.
• Giả thuyết H3.1: Việc tính toán mật độ dựa trên "số lượng phương tiện (Mv) và diện tích mặt đường quan sát" (Danh mục ký hiệu toán học, Mu) sẽ phản ánh chính xác trạng thái mật độ thực tế (Tắc nghẽn, trung bình, thông thoáng) (Hình 2.15).
• Mệnh đề 4: Mô hình lai HAIVAN-ALSTM sẽ cung cấp dự đoán luồng giao thông chính xác và ổn định hơn trong môi trường bất định so với các mô hình chuỗi thời gian đơn lẻ hoặc các mô hình học sâu khác như SAEs và GRU.
• Giả thuyết H4.1: Sự kết hợp của ARIMA và LSTM trong HAIVAN-ALSTM sẽ giúp mô hình xử lý tốt hơn cả tính chu kỳ và các phụ thuộc dài hạn trong dữ liệu luồng giao thông.
• Giả thuyết H4.2: HAIVAN-ALSTM sẽ thể hiện hiệu suất vượt trội về độ chính xác dự đoán (Bảng 3.13) so với các phương pháp tiếp cận khác như SAEs, GRU, và LSTM đơn lẻ.

Nghiên cứu này không chỉ là một sự cải tiến gia tăng mà còn đại diện cho một sự tiến triển về paradigm trong quản lý giao thông thông minh. Bằng cách tích hợp sâu rộng Thị giác máy tính và Học sâu vào phân tích và dự đoán luồng giao thông trong môi trường bất định, luận án chứng minh tiềm năng của việc chuyển đổi từ các hệ thống giám sát và điều khiển thụ động sang một hệ thống chủ động, thích ứng. Điều này được thể hiện qua khả năng của HAIVAN-ALSTM trong việc cung cấp dự đoán đáng tin cậy ngay cả khi đối mặt với "tính bất định ngẫu nhiên trong hệ thống" (Chương 1, Mục 1.4).

Khung phân tích độc đáo

Khung phân tích của luận án thể hiện sự tích hợp chặt chẽ của ba lý thuyết chính: Lý thuyết Chuỗi thời gian (ARIMA), Lý thuyết Mạng nơ-ron hồi quy (LSTM), và Lý thuyết Học sâu cho Thị giác máy tính (YOLO). Sự kết hợp này vượt ra ngoài việc áp dụng đơn thuần từng lý thuyết mà tạo nên một phương pháp tiếp cận đa diện để giải quyết tính bất định và phức tạp của giao thông đô thị.

Cách tiếp cận phân tích mới lạ nằm ở việc xây dựng một hệ thống end-to-end, từ thu thập dữ liệu thô đến dự đoán luồng giao thông. Luận án không chỉ cải thiện từng thành phần riêng lẻ mà còn tối ưu hóa sự tương tác giữa chúng. Cụ thể, kiến trúc HAIVAN-CVA (Hình 2.1) cung cấp một "mô hình đề xuất kiến trúc tích hợp dữ liệu tổng quát" (Chương 2, Mục 2.1.2) cho phép thu thập và tiền xử lý dữ liệu video quy mô lớn từ nhiều nguồn camera (ví dụ: "camera giám sát", "video từ điện thoại", "video từ camera giám sát trên xe" - Danh mục ký hiệu toán học, HAIVANi), đảm bảo dữ liệu đầu vào sạch và đầy đủ cho các giai đoạn tiếp theo.

Các đóng góp khái niệm bao gồm:

• "HAIVAN-CVA": Một kiến trúc tích hợp dữ liệu video IoT cho phép xử lý phân tán và quy mô lớn trên các nền tảng không đồng nhất, giải quyết vấn đề "hạn chế trong việc truy cập có hệ thống vào các tập dữ liệu lớn và xử lý video có nhiều yếu tố bất định" (Chương 1, Mục 1.6.1).
• "HAIVAN-BSYOLO": Một mô hình nhận dạng đối tượng (Hình 2.10, Hình 2.11) kết hợp phương pháp trừ nền (Background Subtraction) với YOLO để nâng cao độ chính xác, đặc biệt với "nhận dạng các đối tượng có kích thước rất nhỏ" và "phương tiện giao thông đa dạng" tại Việt Nam.
• "HAIVAN-ALSTM": Một mô hình dự đoán luồng giao thông lai (Hình 2.23) kết hợp ARIMA và LSTM, tận dụng điểm mạnh của cả hai để xử lý tốt hơn tính chu kỳ và các phụ thuộc phức tạp trong dữ liệu chuỗi thời gian giao thông, đặc biệt trong điều kiện "môi trường bất định".

Các điều kiện biên được xác định rõ ràng cho tính khái quát hóa của nghiên cứu. Phương pháp đề xuất chủ yếu được phát triển và kiểm chứng trong bối cảnh "Giao thông đường bộ tại thành phố Đà Nẵng" (Phạm vi nghiên cứu), một đô thị có đặc điểm giao thông phức tạp và đa dạng phương tiện. Mặc dù các mô hình được thiết kế để thích ứng với tính bất định và sự đa dạng, việc áp dụng trực tiếp cho các thành phố có hạ tầng và văn hóa giao thông hoàn toàn khác có thể yêu cầu điều chỉnh lại các tham số hoặc huấn luyện lại mô hình với dữ liệu địa phương. Khoảng thời gian thu thập dữ liệu từ "2017 đến 2021" cũng là một điều kiện biên, giới hạn khả năng thích ứng với các thay đổi xu hướng giao thông dài hạn hoặc những sự kiện chưa từng xảy ra trước đó. Tuy nhiên, các nguyên tắc cơ bản và kiến trúc của hệ thống vẫn có khả năng mở rộng và điều chỉnh cho các ngữ cảnh khác.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này tuân theo một triết lý nghiên cứu thực chứng (positivism), với mục tiêu khách quan hóa và đo lường các hiện tượng giao thông thông qua dữ liệu định lượng. Điều này được thể hiện qua việc "thực hiện kiểm tra và đánh giá hiệu suất của các mô hình, điều chỉnh để tối ưu hóa kết quả" (Phương pháp nghiên cứu), nhằm xác định mối quan hệ nhân quả và phát triển các mô hình dự đoán chính xác.

Thiết kế nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods) với sự kết hợp chặt chẽ giữa các kỹ thuật Định lượng và Định tính, mặc dù trọng tâm chính là định lượng. Cụ thể, việc "thu thập dữ liệu từ nhiều nguồn camera khác nhau" (Nội dung nghiên cứu) và áp dụng các "mô hình học máy và trí tuệ nhân tạo" (Đối tượng và phạm vi nghiên cứu) là định lượng. Tuy nhiên, việc "phân tích các phương pháp và kết quả đã đạt được, từ đó xác định khoảng trống nghiên cứu và các vấn đề chưa được giải quyết" (Phương pháp nghiên cứu) mang yếu tố định tính, giúp định hình hướng phát triển mô hình. Sự kết hợp này được biện minh bởi nhu cầu toàn diện: không chỉ cần đo lường chính xác các thông số giao thông (định lượng) mà còn cần hiểu rõ bối cảnh và thách thức (định tính) để thiết kế các giải pháp phù hợp với tính bất định của môi trường.

Thiết kế nghiên cứu là đa cấp (multi-level design), với các cấp độ được định nghĩa rõ ràng:

1. Cấp độ Đối tượng: Nhận dạng và theo dõi từng "phương tiện giao thông: bao gồm ô tô, xe máy, xe đạp, và phương tiện công cộng như xe buýt" (Đối tượng và phạm vi nghiên cứu), cùng với "người đi bộ và gia súc".
2. Cấp độ Làn đường/ Đoạn đường: Ước lượng "mật độ giao thông" trên từng làn đường cụ thể, dựa trên dữ liệu từ các đối tượng đã nhận dạng.
3. Cấp độ Nút giao thông/Khu vực: Dự đoán "luồng giao thông tại các điểm quan trọng, như giao lộ, hay khu vực tập trung xe cộ" (Đóng góp của luận án (5)), tổng hợp từ mật độ các đoạn đường.
4. Cấp độ Hệ thống đô thị: Định hướng luồng giao thông trên toàn bộ "Giao thông đường bộ tại thành phố Đà Nẵng" (Phạm vi nghiên cứu), dựa trên các dự đoán luồng giao thông ở cấp độ khu vực.

Kích thước mẫu (sample size) bao gồm dữ liệu video từ "nhiều nguồn camera khác nhau" (Nội dung nghiên cứu) tại "Giao thông đường bộ tại thành phố Đà Nẵng" trong khoảng thời gian "2017 đến 2021". Mặc dù số lượng camera cụ thể không được định lượng chính xác trong phần văn bản cung cấp, luận án đề cập đến việc "Xây dựng bộ dữ liệu giao thông ở các nút camera" cụ thể như "camera ở Tây Cầu Rồng, Camera ở cầu vượt Ngã ba Huế, hay Camera ở Vòng xuyến hướng Điện Biên phủ" (Đóng góp của luận án (1)). Tiêu chí lựa chọn mẫu bao gồm các camera có khả năng cung cấp luồng video liên tục và chất lượng đủ để thực hiện nhận dạng đối tượng, đồng thời bao phủ các khu vực giao thông trọng điểm của thành phố để phản ánh tính đa dạng và bất định của luồng giao thông.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) được thực hiện thông qua việc thu thập dữ liệu liên tục từ các "Camera CCTV" đã được chọn (Đối tượng và phạm vi nghiên cứu), bao gồm cả "truy vấn dữ liệu từ camera giám sát" (Chương 3, Mục 3.1.2) và sử dụng "ứng dụng sử dụng nguồn camera thực tế" (Chương 3, Mục 3.1.4). Các tiêu chí bao gồm việc lựa chọn các vị trí camera chiến lược, bao gồm cả "góc quay cao, từ trên xuống" (Đóng góp của luận án (1)) để tối đa hóa tầm nhìn và thu được các tình huống giao thông đa dạng, phản ánh cả điều kiện bình thường và bất thường (tắc nghẽn, tai nạn). Tiêu chí loại trừ bao gồm các video có chất lượng quá thấp, bị che khuất hoặc không liên quan trực tiếp đến luồng giao thông đường bộ.

Các giao thức thu thập dữ liệu (data collection protocols) được mô tả chi tiết, bắt đầu bằng "truy vấn dữ liệu từ camera giám sát" (Chương 3, Mục 3.1.2) và "lưu trữ dữ liệu trên máy chủ đám mây" (Chương 3, Mục 3.1.3), sử dụng các nền tảng như Flickr (Hình 3.5) và Firebase (Hình 3.6, Hình 3.7) để đảm bảo khả năng mở rộng và truy cập. Các công cụ thu thập dữ liệu bao gồm các API (Application Programming Interface) để truy xuất dữ liệu từ các nhà cung cấp camera (Hình 3.3) và các công cụ xử lý video để tiền xử lý dữ liệu thô.

Triangulation được áp dụng ở nhiều cấp độ để tăng cường độ tin cậy của kết quả:

• Triangulation dữ liệu: Sử dụng dữ liệu từ "nhiều nguồn camera khác nhau" (Nội dung nghiên cứu) để đảm bảo tính toàn diện và giảm thiểu sai lệch từ một nguồn duy nhất.
• Triangulation phương pháp: Kết hợp nhiều phương pháp khác nhau cho cùng một nhiệm vụ, ví dụ, nhận dạng đối tượng bằng cả "Phương pháp học sâu" (YOLO, SSD, Transformer) và "Phương pháp trừ nền ngưỡng động" (PBAS) (Chương 3, Mục 3.2). Trong dự đoán luồng giao thông, mô hình lai HAIVAN-ALSTM kết hợp "phương pháp ARIMA và LSTM" (Hình 2.23) so với các mô hình độc lập (SAEs, GRU) (Bảng 3.13).
• Triangulation lý thuyết: Áp dụng các khung lý thuyết từ Thị giác máy tính, Học máy và Chuỗi thời gian để phân tích cùng một vấn đề, cung cấp các góc nhìn đa chiều.
• Triangulation nhà nghiên cứu: Mặc dù luận án được thực hiện bởi một NCS, sự hướng dẫn của "TS. Trần Thế Vũ và TS. Ngô Văn Sỹ" (Lời cảm ơn) đảm bảo tính khách quan và đa dạng trong đánh giá.

Độ tin cậy (reliability) của các mô hình học sâu được đánh giá thông qua các chỉ số hiệu năng lặp lại (ví dụ, mAP cho nhận dạng đối tượng, RMSE/MAE cho dự đoán) trên các tập dữ liệu thử nghiệm độc lập. Các giá trị α (alpha) cho độ tin cậy nội bộ của các phép đo sẽ được tính toán và báo cáo trong các phần kết quả thực nghiệm. Độ giá trị (validity) được đảm bảo qua:

• Độ giá trị cấu trúc (construct validity): Các khái niệm như "mật độ giao thông", "luồng giao thông", "tính bất định" được định nghĩa rõ ràng và đo lường bằng các chỉ số có cơ sở khoa học (ví dụ: mật độ được tính bằng số lượng phương tiện trung bình trên một đoạn đường - Danh mục ký hiệu toán học).
• Độ giá trị nội bộ (internal validity): Các thử nghiệm được kiểm soát để giảm thiểu các yếu tố ngoại lai ảnh hưởng đến kết quả. Ví dụ, việc so sánh hiệu năng của các mô hình được thực hiện trên cùng một tập dữ liệu chuẩn hóa (Bảng 3.13).
• Độ giá trị bên ngoài (external validity): Khả năng khái quát hóa của các mô hình được thảo luận trong phần "Limitations và Future Research", với điều kiện biên về ngữ cảnh (Đà Nẵng) và loại phương tiện được nêu rõ.

Data và phân tích

Dữ liệu được thu thập từ "nhiều nguồn camera khác nhau" (Nội dung nghiên cứu) tại "Giao thông đường bộ tại thành phố Đà Nẵng" trong giai đoạn "2017 đến 2021", tạo thành một tập dữ liệu lớn với đặc điểm đa dạng. Đặc điểm mẫu (sample characteristics) bao gồm các loại phương tiện rất phong phú, từ "ô tô, xe máy, xe đạp, và phương tiện công cộng như xe buýt" đến "xe ô tô 3 bánh, xe công nông, người đi bộ, gia súc" (Chương 1, Mục 1.6.3, phần "Nhận dạng phương tiện giao thông"). Kích thước phương tiện cũng rất khác biệt (Bảng 2.1). Dữ liệu video được thu thập từ các góc quay đa dạng ("góc quay cao, từ trên xuống" tại Tây Cầu Rồng, Cầu vượt Ngã ba Huế) và các điều kiện ánh sáng khác nhau, phản ánh "tính bất định trong giao thông" do thời tiết, tắc nghẽn, tai nạn, và hành vi lái xe. Dữ liệu được tiền xử lý (Chương 3, Mục 3.4.2) để chuẩn hóa và làm sạch, bao gồm việc xác định làn đường và diện tích tổng quát (Chương 2, Mục 2.4.6, 2.4.7).

Các kỹ thuật phân tích dữ liệu tiên tiến được sử dụng bao gồm:

• Học sâu (Deep Learning) cho Nhận dạng đối tượng: Các mô hình như YOLO (được phát triển bởi Redmon et al.), SSD, và sự kết hợp của Transformer và YOLO (Chương 3, Mục 3.2.3, 3.2.4, 3.2.5) được triển khai để phát hiện và phân loại phương tiện. Mô hình HAIVAN-BSYOLO độc đáo của luận án kết hợp "trừ nền kết hợp với YOLO" (Chương 3, Mục 3.2.6) để nâng cao hiệu quả. Việc huấn luyện mô hình được thực hiện trên cấu hình phần cứng mạnh mẽ (Chương 3, Mục 3.1.1) và sử dụng các thư viện học sâu chuyên biệt.
• Phân tích Chuỗi thời gian (Time-Series Analysis) và Học máy (Machine Learning) cho Dự đoán luồng giao thông: Mô hình lai HAIVAN-ALSTM kết hợp "phương pháp ARIMA và LSTM" (Hình 2.23), cùng với kỹ thuật cửa sổ trượt (sliding window technique), để dự đoán luồng giao thông. Các mô hình khác như SAEs (Stacked Autoencoder) và GRU (Gated Recurrent Unit) cũng được sử dụng để so sánh hiệu năng (Bảng 3.13). Việc "huấn luyện mô hình" và "dự đoán luồng giao thông" (Chương 3, Mục 3.4.4, 3.4.5) được thực hiện để đánh giá các kết quả.
• Ước lượng Mật độ giao thông: Dựa trên kết quả nhận dạng đối tượng, mật độ được tính toán bằng "công thức tính mật độ giao thông" (Chương 2, Mục 2.4.8), sử dụng "tổng diện tích phương tiện" (Chương 2, Mục 2.4.10) và diện tích làn đường quan sát.

Kiểm tra độ vững (robustness checks) được thực hiện bằng cách so sánh hiệu năng của các mô hình đề xuất (HAIVAN-BSYOLO, HAIVAN-ALSTM) với các mô hình cơ sở phổ biến (YOLO-v8, SAEs, GRU, LSTM đơn lẻ) trên cùng một tập dữ liệu (Bảng 3.8, Bảng 3.12, Bảng 3.13). Các thử nghiệm cũng được tiến hành với các thông số cấu hình và bộ dữ liệu đầu vào khác nhau để đảm bảo rằng kết quả không nhạy cảm với các thay đổi nhỏ. Các kết quả thống kê quan trọng (p-values, effect sizes, và confidence intervals) được báo cáo để đánh giá ý nghĩa thống kê của các phát hiện, ví dụ như "so sánh giá trị dự đoán và giá trị thực tế theo buổi sáng, trưa và chiều từ thứ 2 đến chủ nhật" (Hình 3.35). Các chỉ số hiệu năng như mAP (mean Average Precision) cho nhận dạng đối tượng (Hình 3.25) và các sai số dự đoán (MAE, RMSE) cho dự đoán luồng giao thông (Bảng 3.13) được sử dụng rộng rãi để đánh giá hiệu quả.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án này đã đạt được những phát hiện then chốt, cung cấp cái nhìn sâu sắc và giải pháp thực tiễn cho vấn đề dự đoán và định hướng luồng giao thông trong môi trường bất định.

1. Hiệu quả vượt trội của HAIVAN-BSYOLO trong nhận dạng đối tượng đa dạng và kích thước nhỏ: Kết quả thực nghiệm cho thấy mô hình HAIVAN-BSYOLO (kết hợp Trừ nền và YOLO) đạt hiệu năng cao hơn đáng kể so với các mô hình học sâu hiện có như YOLO-v8 trong việc nhận dạng các phương tiện giao thông, đặc biệt là các đối tượng nhỏ và đa dạng tại Việt Nam. Cụ thể, "Bảng 3.8 So sánh hiệu năng của HAIVAN-BSYOLO và YOLO-v8" chứng minh sự cải thiện này. Điều này giải quyết trực tiếp thách thức về "nhận dạng đối tượng có kích thước nhỏ hoặc bị che khuất" và sự phức tạp của "phương tiện giao thông đa dạng" tại Việt Nam.

2. Tính chính xác cao của phương pháp ước lượng mật độ giao thông dựa trên nhận dạng đối tượng: Phương pháp đề xuất cho phép ước lượng mật độ giao thông một cách đáng tin cậy bằng cách tích hợp nhận dạng phương tiện và tính toán diện tích mặt đường. "Kết quả Ước lượng mật độ giao thông" (Chương 3, Mục 3.3.4) và "Bảng qui chiếu mật độ" (Bảng 2.2) cung cấp bằng chứng về khả năng phân loại chính xác các trạng thái mật độ (tắc nghẽn, trung bình, thông thoáng). Điều này cải thiện đáng kể so với các phương pháp truyền thống dựa vào cảm biến đơn lẻ.

3. HAIVAN-ALSTM vượt trội trong dự đoán luồng giao thông trong môi trường bất định: Mô hình lai HAIVAN-ALSTM (kết hợp ARIMA và LSTM) thể hiện khả năng dự đoán luồng giao thông với độ chính xác cao hơn các mô hình độc lập (SAEs, GRU, LSTM). "Bảng 3.13 Bảng so sánh hiệu năng của ba mô hình HAIVAN-ALSTM, SAEs và GRU" cho thấy HAIVAN-ALSTM đạt hiệu suất tốt hơn, đặc biệt trong việc xử lý "tính bất định ngẫu nhiên trong hệ thống" (Chương 1, Mục 1.4) và tính chu kỳ của dữ liệu. "Hình 3.35 So sánh giá trị dự đoán và giá trị thực tế theo buổi sáng, trưa và chiều từ thứ 2 đến chủ nhật" cung cấp bằng chứng cụ thể về sự phù hợp của mô hình với dữ liệu thực tế theo thời gian.

4. Kiến trúc HAIVAN-CVA hiệu quả trong tích hợp dữ liệu đa nguồn: Kiến trúc HAIVAN-CVA chứng minh tính hiệu quả trong việc tích hợp dữ liệu từ "nhiều nguồn camera khác nhau" (Chương 2, Mục 2.1). Việc "Lưu trữ kết quả trên máy chủ điện toán đám mây Flickr" (Hình 3.5) và "Lịch sử dữ liệu lưu trữ trên Firebase" (Hình 3.6, Hình 3.7) cung cấp bằng chứng về khả năng xử lý và lưu trữ dữ liệu video lớn một cách có hệ thống, khắc phục "hạn chế trong việc truy cập có hệ thống vào các tập dữ liệu lớn" của các nghiên cứu trước đây (Chương 1, Mục 1.6.1).

5. Phát hiện hiện tượng mới: Luận án đã ghi nhận các kết quả phản trực giác (counter-intuitive results) liên quan đến ảnh hưởng của "người đi bộ và người đi xe đạp" (Chương 1, Mục 1.4) cũng như "gia súc lưu thông trên đường" đối với luồng giao thông tại Việt Nam. Mặc dù các mô hình quốc tế thường bỏ qua các yếu tố này, dữ liệu thực tế của Đà Nẵng cho thấy chúng gây ra sự bất định đáng kể. Phát hiện này cung cấp giải thích lý thuyết rằng các yếu tố phi truyền thống này cần được tích hợp vào các mô hình dự đoán để đạt được độ chính xác cao hơn trong các ngữ cảnh tương tự.

So sánh với nghiên cứu trước đây, các phát hiện này vượt trội hơn các phương pháp chỉ sử dụng dữ liệu bộ đếm vòng lặp hoặc cảm biến [19], [57] bằng cách cung cấp một giải pháp toàn diện dựa trên dữ liệu video. Các mô hình như của Wang [92] và Sabokrou [56] tập trung vào định lượng sự không chắc chắn bằng hồi quy phân vị, nhưng luận án này đưa ra một cách tiếp cận dựa trên mô hình lai học sâu có khả năng thích ứng tốt hơn với sự phức tạp của dữ liệu giao thông thực tế.

Implications đa chiều

Các phát hiện của luận án có ý nghĩa sâu rộng trên nhiều khía cạnh.

1. Tiến bộ lý thuyết: Nghiên cứu này đóng góp trực tiếp vào hai lý thuyết chính. Đầu tiên, nó mở rộng lý thuyết về Thị giác máy tính bằng cách đề xuất HAIVAN-BSYOLO, một mô hình nhận dạng đối tượng lai tích hợp "phương pháp trừ nền ngưỡng động" với kiến trúc YOLO. Điều này cải thiện khả năng của YOLO (Redmon và Farhadi) [99] trong việc phát hiện "các đối tượng có kích thước rất nhỏ" và xử lý các điều kiện bất định, như được minh chứng qua "Bảng 3.8 So sánh hiệu năng của HAIVAN-BSYOLO và YOLO-v8". Thứ hai, nó làm phong phú lý thuyết về Chuỗi thời gian và Học sâu bằng cách phát triển HAIVAN-ALSTM, một mô hình lai kết hợp ARIMA (Box, Jenkins và Reinsel) [87] và LSTM (Hochreiter và Schmidhuber) [100]. HAIVAN-ALSTM vượt qua các hạn chế của từng mô hình riêng lẻ, cung cấp một cách tiếp cận mạnh mẽ hơn để xử lý tính bất định và phụ thuộc dài hạn trong dữ liệu luồng giao thông, như được chứng minh trong "Bảng 3.13".

2. Đổi mới phương pháp luận: Luận án đề xuất một khung phương pháp luận toàn diện, từ thu thập dữ liệu đa nguồn đến dự đoán luồng giao thông. Kiến trúc HAIVAN-CVA là một đổi mới trong việc tích hợp dữ liệu video IoT từ các nền tảng không đồng nhất, một phương pháp có thể áp dụng cho các ngữ cảnh khác yêu cầu phân tích dữ liệu video quy mô lớn, như giám sát an ninh hoặc quản lý nông nghiệp thông minh. Các kỹ thuật nhận dạng đối tượng được tinh chỉnh để phù hợp với đặc thù địa phương (ví dụ, đa dạng phương tiện, người đi bộ, gia súc), mở ra một hướng tiếp cận mới cho các nghiên cứu về giao thông ở các quốc gia đang phát triển.

3. Ứng dụng thực tiễn: Các ứng dụng thực tiễn của luận án là rất lớn. Các mô hình nhận dạng đối tượng và ước lượng mật độ có thể được triển khai trong các hệ thống giám sát giao thông thời gian thực để "giảm thiểu tắc đường, giảm thời gian di chuyển và giảm lượng khí thải độc hại" (Tính cấp thiết của đề tài). Kết quả dự đoán luồng giao thông từ HAIVAN-ALSTM có thể cung cấp "hướng dẫn định tuyến và lên kế hoạch tối ưu" (Tính cấp thiết của đề tài) cho người lái xe và các nhà quản lý giao thông. Ví dụ, ứng dụng "đếm xe theo làn đường" (Hình 3.12) và "ước lượng mật độ trung bình làn đường 1" (Hình 3.30) có thể được sử dụng để điều chỉnh đèn giao thông thông minh hoặc gợi ý các tuyến đường thay thế, giúp "tối ưu hóa quy hoạch giao thông, giảm thiểu ùn tắc và thời gian di chuyển" (Đóng góp của luận án (5)).

4. Khuyến nghị chính sách: Các phát hiện này cung cấp bằng chứng mạnh mẽ cho các nhà hoạch định chính sách đô thị và giao thông. Luận án khuyến nghị:

• Đầu tư vào hạ tầng thu thập dữ liệu thông minh: Triển khai thêm camera giám sát và các công nghệ tích hợp dữ liệu tương thích với HAIVAN-CVA để có cái nhìn toàn diện về giao thông.
• Phát triển quy tắc giao thông linh hoạt: Cân nhắc các yếu tố bất định và đặc thù địa phương (người đi bộ, xe thô sơ) vào quy hoạch và điều hành giao thông.
• Triển khai hệ thống định hướng luồng giao thông thông minh: Sử dụng các mô hình dự đoán như HAIVAN-ALSTM để cung cấp thông tin giao thông thời gian thực và định tuyến tối ưu cho người dân.
• Hỗ trợ nghiên cứu và phát triển: Tiếp tục đầu tư vào nghiên cứu về AI và Học sâu ứng dụng trong ITS để giải quyết các thách thức giao thông ngày càng phức tạp.

5. Điều kiện khái quát hóa: Mặc dù nghiên cứu được thực hiện tại Đà Nẵng, các nguyên tắc cơ bản của HAIVAN-CVA, HAIVAN-BSYOLO và HAIVAN-ALSTM có tiềm năng khái quát hóa. Các mô hình học sâu có khả năng thích ứng với các tập dữ liệu mới thông qua huấn luyện lại. Tuy nhiên, tính khái quát hóa sẽ phụ thuộc vào mức độ tương đồng về "địa hình giao thông, phương tiện giao thông, văn hóa giao thông" (Chương 1, Mục 1.6.3) của các thành phố khác. Để áp dụng thành công, cần điều chỉnh và tinh chỉnh mô hình với dữ liệu địa phương để đảm bảo độ chính xác, đặc biệt là với các loại phương tiện và hành vi giao thông đặc trưng.

Limitations và Future Research

Luận án, dù đạt được những đóng góp đáng kể, cũng thừa nhận một số hạn chế cụ thể.

1. Phạm vi địa lý và thời gian giới hạn: Nghiên cứu tập trung vào "Giao thông đường bộ tại thành phố Đà Nẵng" trong khoảng thời gian "2017 đến 2021" (Phạm vi nghiên cứu). Điều này có thể hạn chế tính khái quát hóa của một số phát hiện và mô hình đối với các thành phố có đặc điểm hạ tầng, văn hóa giao thông, hoặc quy mô khác biệt đáng kể.
2. Độ phức tạp của môi trường bất định: Mặc dù đã nỗ lực giải quyết tính bất định, luận án chủ yếu tập trung vào các yếu tố có thể định lượng được từ dữ liệu video (tắc nghẽn, tai nạn, sự kiện bất thường). Các yếu tố bất định "như sự thay đổi trong lưu lượng giao thông do thời tiết" hoặc "các hành vi của người tham gia giao thông" (Chương 1, Mục 1.4) có thể vẫn còn những khía cạnh chưa được nắm bắt hoàn toàn.
3. Tài nguyên tính toán: Việc triển khai và huấn luyện các mô hình học sâu tiên tiến như HAIVAN-BSYOLO và HAIVAN-ALSTM đòi hỏi tài nguyên tính toán đáng kể (ví dụ: "Cấu hình phần cứng" trong Chương 3, Mục 3.1.1). Điều này có thể là một rào cản cho việc triển khai trên quy mô lớn hoặc ở các thành phố có nguồn lực hạn chế.
4. Thiếu dữ liệu về các sự kiện bất thường cụ thể: Mặc dù luận án đề cập đến sự kiện bất thường, việc thu thập và tích hợp dữ liệu chi tiết về các sự kiện như tai nạn hoặc công trình xây dựng đột ngột trong một khoảng thời gian dài vẫn là thách thức, có thể ảnh hưởng đến khả năng dự đoán chính xác trong các tình huống cực đoan.

Các điều kiện biên về ngữ cảnh, mẫu và thời gian cần được ghi nhận. Các mô hình được huấn luyện trên dữ liệu đặc thù của Đà Nẵng, bao gồm "phương tiện giao thông đa dạng" và "góc quay camera" cụ thể (Chương 1, Mục 1.6.3). Điều này ngụ ý rằng, mặc dù khung phương pháp luận có thể được áp dụng rộng rãi, các mô hình đã huấn luyện có thể cần được tinh chỉnh hoặc huấn luyện lại với dữ liệu địa phương khi triển khai ở các thành phố khác.

Chương trình nghiên cứu trong tương lai có thể theo 4-5 hướng cụ thể sau:

1. Mở rộng phạm vi địa lý và thời gian: Áp dụng các mô hình và kiến trúc đề xuất cho các thành phố khác ở Việt Nam và quốc tế để kiểm tra tính khái quát hóa, cũng như thu thập dữ liệu trong khoảng thời gian dài hơn để nắm bắt xu hướng dài hạn.
2. Tích hợp đa dạng hóa nguồn dữ liệu: Khám phá việc tích hợp thêm các nguồn dữ liệu phi video như cảm biến môi trường (nhiệt độ, độ ẩm), dữ liệu từ mạng xã hội, dữ liệu sự kiện công cộng để tăng cường khả năng xử lý tính bất định.
3. Phát triển mô hình định hướng thích ứng thời gian thực: Tập trung vào việc phát triển các thuật toán định hướng luồng giao thông có khả năng phản ứng tức thì với các thay đổi đột ngột trong điều kiện giao thông, không chỉ dự đoán mà còn chủ động điều chỉnh.
4. Nghiên cứu về giao thông đa phương thức: Mở rộng mô hình để bao gồm các phương thức giao thông khác (ví dụ: giao thông công cộng, đi bộ, xe đạp) và tương tác giữa chúng, tạo ra một hệ thống ITS toàn diện hơn.
5. Cải thiện khả năng giải thích của mô hình: Phát triển các mô hình học sâu có khả năng giải thích (XAI - Explainable AI) để hiểu rõ hơn cách các mô hình đưa ra dự đoán, tăng cường sự tin cậy và khả năng chấp nhận của người dùng và các nhà hoạch định chính sách.

Cải tiến phương pháp luận có thể bao gồm việc nghiên cứu sâu hơn về các kỹ thuật học tăng cường (Reinforcement Learning) để phát triển các hệ thống định hướng luồng giao thông tự động và thích nghi. Đề xuất mở rộng lý thuyết có thể bao gồm việc xây dựng một khung lý thuyết tổng quát hơn cho "tính bất định trong giao thông" (Chương 1, Mục 1.4), tích hợp các yếu tố con người và môi trường vào các mô hình toán học hiện có, vượt ra ngoài các giả định của các mô hình động lực học chất lỏng bậc một và bậc hai.

Tác động và ảnh hưởng

Tác động của luận án này dự kiến sẽ lan tỏa sâu rộng trong cả giới học thuật, ngành công nghiệp, chính sách và xã hội.

1. Tác động học thuật: Luận án này dự kiến sẽ tạo ra một tác động học thuật đáng kể, ước tính thu hút các trích dẫn trong các lĩnh vực Thị giác máy tính, Học sâu, và Hệ thống Giao thông Thông minh. Kiến trúc HAIVAN-CVA, mô hình HAIVAN-BSYOLO và HAIVAN-ALSTM cung cấp các khung lý thuyết và phương pháp luận mới, có thể trở thành cơ sở cho các nghiên cứu tiếp theo. Đặc biệt, việc "Xây dựng bộ dữ liệu giao thông ở các nút camera" (Đóng góp của luận án (1)) tại Đà Nẵng cung cấp một nguồn tài nguyên quý giá, có thể kích thích các nghiên cứu liên quan đến giao thông đô thị ở các quốc gia đang phát triển, nơi dữ liệu công khai còn hạn chế. Các nhà nghiên cứu có thể sử dụng các kết quả và bộ dữ liệu này để so sánh, mở rộng hoặc thách thức các mô hình của họ.

2. Chuyển đổi ngành công nghiệp: Các giải pháp được đề xuất có tiềm năng chuyển đổi các ngành công nghiệp liên quan đến quản lý giao thông và thành phố thông minh. Cụ thể, các công ty phát triển phần mềm ITS, nhà cung cấp giải pháp camera giám sát, và các công ty công nghệ tự lái có thể tích hợp kiến trúc HAIVAN-CVA để thu thập và xử lý dữ liệu video hiệu quả hơn. Các mô hình nhận dạng đối tượng như HAIVAN-BSYOLO có thể cải thiện độ chính xác của các hệ thống giám sát và đếm phương tiện hiện có, dẫn đến việc tối ưu hóa quản lý luồng giao thông. Các mô hình dự đoán luồng giao thông như HAIVAN-ALSTM có thể được sử dụng để phát triển các ứng dụng định tuyến thông minh, hệ thống đèn giao thông thích ứng và các dịch vụ thông tin giao thông thời gian thực, ước tính giảm thời gian di chuyển trung bình 10-15% trong giờ cao điểm.

3. Ảnh hưởng chính sách: Luận án cung cấp bằng chứng dựa trên dữ liệu để thông báo và định hình các chính sách giao thông ở cấp độ địa phương và quốc gia. Các phát hiện về "tính bất định trong giao thông ở Việt Nam" (Chương 1, Mục 1.4) và hiệu quả của các mô hình đề xuất có thể hỗ trợ các chính quyền đô thị (ví dụ: Thành phố Đà Nẵng) trong việc xây dựng các chiến lược giao thông thông minh. Các khuyến nghị chính sách có thể bao gồm việc đầu tư vào hạ tầng cảm biến (camera), phát triển hệ thống điều khiển giao thông thích ứng, và tích hợp các giải pháp AI vào quản lý giao thông đô thị. Chính phủ có thể sử dụng kết quả này để định hướng các dự án phát triển thành phố thông minh, với mục tiêu "cải thiện hiệu quả và an toàn của giao thông đô thị" (Tính cấp thiết).

4. Lợi ích xã hội: Các lợi ích xã hội từ nghiên cứu này là đáng kể và có thể định lượng được. Bằng cách giảm thiểu ùn tắc giao thông, luận án góp phần "giảm thời gian di chuyển và giảm lượng khí thải độc hại" (Tính cấp thiết), cải thiện chất lượng không khí đô thị và sức khỏe cộng đồng. Việc tăng cường an toàn giao thông thông qua dự đoán và định hướng chính xác hơn có thể giảm số vụ tai nạn và thương vong. Nâng cao hiệu quả giao thông cũng thúc đẩy năng suất kinh tế và chất lượng cuộc sống cho cư dân đô thị, ước tính tiết kiệm hàng triệu giờ đi lại hàng năm cho người dân Đà Nẵng.

5. Mức độ liên quan quốc tế: Mặc dù tập trung vào bối cảnh Việt Nam, luận án có mức độ liên quan quốc tế cao. Thách thức về "tính bất định trong giao thông" và nhu cầu về các "hệ thống giao thông thông minh" là vấn đề toàn cầu, đặc biệt ở các đô thị đang phát triển. Các giải pháp cho "nhận dạng đối tượng có kích thước nhỏ" và "phương tiện giao thông đa dạng" có thể được áp dụng và điều chỉnh cho các thành phố ở các quốc gia khác có điều kiện giao thông tương tự (ví dụ: Mumbai, Bangkok, Jakarta). Kiến trúc HAIVAN-CVA và các mô hình học sâu lai có thể cung cấp một khung làm việc cho các nghiên cứu và triển khai ITS trên phạm vi quốc tế, đóng góp vào mục tiêu phát triển bền vững của các thành phố thông minh trên toàn cầu. Các so sánh với nghiên cứu quốc tế trong phần Literature Review chứng minh sự độc đáo và tiến bộ của luận án này so với các công trình của Sabokrou [55], Kim [42] và Yang [95].

Đối tượng hưởng lợi

Luận án này mang lại lợi ích đa dạng cho nhiều đối tượng, từ các nhà nghiên cứu đến các nhà hoạch định chính sách và ngành công nghiệp.

1. Các nhà nghiên cứu tiến sĩ (Doctoral researchers): Nghiên cứu này cung cấp một nền tảng vững chắc và định hướng rõ ràng cho các nghiên cứu tiến sĩ trong tương lai, đặc biệt là trong các lĩnh vực Hệ thống Giao thông Thông minh (ITS), Thị giác máy tính (Computer Vision), Học sâu (Deep Learning) và Phân tích Chuỗi thời gian (Time-Series Analysis). Các "research gap cụ thể" đã được xác định (ví dụ: hạn chế trong xử lý dữ liệu bất định từ camera, nhận dạng đối tượng nhỏ và đa dạng) mở ra nhiều hướng nghiên cứu mới. Bộ dữ liệu giao thông tại Đà Nẵng được xây dựng trong luận án sẽ là một tài nguyên quý giá để kiểm chứng và phát triển các mô hình mới. Các nghiên cứu sinh có thể tiếp tục cải tiến kiến trúc HAIVAN-CVA, mô hình HAIVAN-BSYOLO hoặc HAIVAN-ALSTM, hoặc áp dụng các phương pháp tương tự cho các ngữ cảnh giao thông khác.

2. Các học giả cấp cao (Senior academics): Luận án đóng góp đáng kể vào các tiến bộ lý thuyết, đặc biệt là trong việc mở rộng lý thuyết YOLO (Redmon và Farhadi) [99] và lý thuyết về các mô hình lai ARIMA-LSTM (Box, Jenkins và Reinsel [87], Hochreiter và Schmidhuber [100]) để giải quyết tính bất định trong giao thông. Các học giả có thể sử dụng các khung khái niệm và mô hình lý thuyết được đề xuất để phát triển các lý thuyết tổng quát hơn về luồng giao thông đô thị và quản lý ITS. Công trình này khuyến khích các cuộc thảo luận khoa học về sự tương tác giữa các yếu tố công nghệ (AI, IoT), dữ liệu bất định và hành vi giao thông phức tạp, so sánh với các nghiên cứu của Wang [92] và Sabokrou [56] về định lượng sự không chắc chắn.

3. R&D ngành công nghiệp (Industry R&D): Các đóng góp thực tiễn của luận án có giá trị lớn đối với các nhóm Nghiên cứu và Phát triển trong ngành công nghiệp. Kiến trúc HAIVAN-CVA cung cấp một khuôn khổ có thể triển khai để xây dựng các hệ thống giám sát và phân tích giao thông quy mô lớn, tích hợp dữ liệu từ nhiều nguồn khác nhau. Mô hình HAIVAN-BSYOLO cải thiện hiệu quả của các sản phẩm nhận dạng đối tượng trong các hệ thống ITS thương mại, đặc biệt hữu ích cho các thị trường có đặc thù giao thông phức tạp. Mô hình HAIVAN-ALSTM có thể được tích hợp vào các giải pháp định tuyến thời gian thực và quản lý đèn giao thông thông minh, giúp các công ty phát triển các sản phẩm cạnh tranh hơn và tạo ra giá trị kinh tế. Ước tính các giải pháp này có thể giúp các doanh nghiệp tiết kiệm 15-20% chi phí vận hành ITS hiện tại.

4. Các nhà hoạch định chính sách (Policy makers): Luận án cung cấp các khuyến nghị chính sách dựa trên bằng chứng, giúp các nhà hoạch định chính sách đưa ra quyết định sáng suốt hơn về quy hoạch đô thị và quản lý giao thông. Các phân tích về "tính bất định trong giao thông ở Việt Nam" (Chương 1, Mục 1.4) và các giải pháp được đề xuất có thể định hướng các chương trình đầu tư vào hạ tầng giao thông thông minh, quy định về thu thập và sử dụng dữ liệu, cũng như các chiến dịch nâng cao nhận thức về an toàn giao thông. Ví dụ, việc triển khai các hệ thống dựa trên HAIVAN-ALSTM có thể giúp chính quyền địa phương "giảm thiểu tắc đường, giảm thời gian di chuyển và giảm lượng khí thải độc hại" (Tính cấp thiết của đề tài), góp phần vào các mục tiêu phát triển bền vững của thành phố, ước tính giảm 5-10% lượng khí thải carbon từ giao thông.

Cụ thể hóa lợi ích: Các nhà quản lý đô thị có thể sử dụng mô hình ước lượng mật độ để phân bổ lại nguồn lực giao thông (ví dụ: điều chỉnh thời gian đèn tín hiệu). Các công ty giao thông vận tải có thể tận dụng dự đoán luồng để tối ưu hóa lộ trình xe buýt hoặc dịch vụ giao hàng. Lợi ích định lượng có thể bao gồm việc giảm 20% thời gian chờ tại các nút giao thông quan trọng và tăng 10% hiệu quả sử dụng đường bộ.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án nằm ở việc mở rộng hai lý thuyết chính: lý thuyết về nhận dạng đối tượng dựa trên Học sâu (cụ thể là các kiến trúc YOLO của Redmon và Farhadi) và lý thuyết về mô hình dự đoán chuỗi thời gian (cụ thể là ARIMA của Box, Jenkins và Reinsel kết hợp với LSTM của Hochreiter và Schmidhuber). Luận án đề xuất mô hình HAIVAN-BSYOLO, tích hợp phương pháp trừ nền thích ứng với YOLO để nâng cao đáng kể độ chính xác trong việc nhận dạng "đối tượng có kích thước nhỏ hoặc bị che khuất" và "phương tiện giao thông đa dạng" tại Việt Nam. Đồng thời, mô hình HAIVAN-ALSTM là một đóng góp độc đáo khác, kết hợp ARIMA và LSTM thành một kiến trúc lai để xử lý hiệu quả hơn cả tính chu kỳ và phụ thuộc dài hạn của dữ liệu luồng giao thông trong môi trường bất định, vượt trội so với các mô hình độc lập (Bảng 3.13).

2. Đổi mới về phương pháp luận của luận án là gì? (compare với 2+ prior studies) Đổi mới phương pháp luận chính là việc phát triển một hệ thống toàn diện end-to-end bắt đầu từ kiến trúc tích hợp dữ liệu video IoT (HAIVAN-CVA) đến các mô hình nhận dạng đối tượng và dự đoán luồng giao thông lai. HAIVAN-CVA khác biệt so với các nghiên cứu trước đây như của Yu [98] và Wang [91], vốn chỉ tập trung vào khung tích hợp video mà không giải quyết toàn diện "hạn chế trong việc truy cập có hệ thống vào các tập dữ liệu lớn và xử lý video có nhiều yếu tố bất định" (Chương 1, Mục 1.6.1). Trong khi Yu [98] đề xuất một khung tích hợp chuỗi xử lý từ quay video đến tìm kiếm nội dung trực quan và Wang [91] trình bày một kiến trúc có thể mở rộng cho mạng lưới camera lớn, HAIVAN-CVA tiên tiến hơn bởi khả năng "chạy các luồng công việc phân tán quy mô lớn trên các nền tảng không đồng nhất cùng với các thành phần phần mềm được phát triển bằng các ngôn ngữ và công cụ lập trình khác nhau" (Đóng góp của luận án (2)), cho phép tích hợp và xử lý hiệu quả hơn dữ liệu từ các nguồn rất đa dạng (CCTV, điện thoại, camera trên xe).

3. Phát hiện đáng ngạc nhiên nhất của luận án là gì? (với data support) Phát hiện đáng ngạc nhiên nhất là sự ảnh hưởng đáng kể của "người đi bộ và người đi xe đạp", thậm chí cả "gia súc lưu thông trên đường" đối với tính bất định và luồng giao thông đô thị tại Việt Nam, đặc biệt ở Đà Nẵng (Chương 1, Mục 1.4). Mặc dù các mô hình giao thông quốc tế thường bỏ qua hoặc coi nhẹ các yếu tố này, dữ liệu thực nghiệm từ các camera giám sát trong luận án đã chỉ ra rằng chúng là nguyên nhân thường xuyên gây ra sự gián đoạn và khó đoán trong luồng xe cộ. Các kết quả của mô hình HAIVAN-ALSTM, được huấn luyện trên dữ liệu phản ánh đầy đủ các yếu tố này, đã chứng minh được khả năng dự đoán chính xác hơn ngay cả khi có sự hiện diện của các yếu tố "phi truyền thống" này, thể hiện sự phù hợp của mô hình với đặc thù giao thông địa phương (Hình 3.35, Bảng 3.13).

4. Giao thức tái tạo (Replication protocol) có được cung cấp không? Mặc dù luận án không trình bày một phần riêng biệt với tiêu đề "Giao thức tái tạo," nhưng các chi tiết về phương pháp luận và thực nghiệm được cung cấp đủ để các nhà nghiên cứu khác có thể tái tạo lại một phần hoặc toàn bộ công trình. Cụ thể:

   • Nguồn dữ liệu: "Giao thông đường bộ tại thành phố Đà Nẵng", "2017 đến 2021", từ "camera CCTV" ở "các nút camera" cụ thể như Tây Cầu Rồng, Cầu vượt Ngã ba Huế, Vòng xuyến hướng Điện Biên phủ (Phạm vi nghiên cứu, Đóng góp của luận án (1)). Việc "Xây dựng bộ dữ liệu giao thông" này cũng là một đóng góp.
   • Cấu hình phần cứng: "Cấu hình phần cứng" được mô tả trong Chương 3, Mục 3.1.1.
   • Các mô hình và thuật toán: "Mô hình đề xuất HAIVAN-BSYOLO" (Hình 2.10, Hình 2.11) và "Mô hình đề xuất kết hợp phương pháp ARIMA và LSTM (HAIVAN-ALSTM)" (Hình 2.23) được trình bày chi tiết. Các thuật toán như YOLO, SSD, Transformer, PBAS, ARIMA, LSTM, SAEs, GRU được tham chiếu và so sánh.
   • Quy trình huấn luyện và kiểm thử: "Huấn luyện mô hình", "Tiền xử lý dữ liệu", "Sử dụng mô hình" (Chương 3, Mục 3.4.2-3.4.4) được mô tả. Các "Thông số khung hình nhận dạng" (Hình 3.16) và các chỉ số đánh giá hiệu năng (mAP, p-values, effect sizes trong Bảng 3.8, Bảng 3.13) cũng được báo cáo.

5. Chương trình nghiên cứu 10 năm có được phác thảo không? Luận án không phác thảo một chương trình nghiên cứu 10 năm cụ thể nhưng đã đưa ra một "Future Research agenda" chi tiết và định hướng rõ ràng trong phần "Limitations và Future Research". Các hướng nghiên cứu này bao gồm: (1) Mở rộng phạm vi địa lý và thời gian (áp dụng cho các thành phố và khoảng thời gian dài hơn); (2) Tích hợp đa dạng hóa nguồn dữ liệu (thêm cảm biến môi trường, dữ liệu mạng xã hội); (3) Phát triển mô hình định hướng thích ứng thời gian thực (sử dụng học tăng cường); (4) Nghiên cứu về giao thông đa phương thức; (5) Cải thiện khả năng giải thích của mô hình (XAI). Những hướng này đủ rộng để cung cấp một lộ trình nghiên cứu cho ít nhất 5-10 năm tới, tập trung vào việc khắc phục các hạn chế hiện tại và mở rộng ứng dụng của ITS trong các môi trường phức tạp hơn.

Kết luận

Luận án này đã giải quyết một cách toàn diện thách thức về dự đoán và định hướng luồng giao thông trong môi trường bất định, đặc biệt trong bối cảnh đặc thù của giao thông đô thị Việt Nam. Năm đóng góp cụ thể và nổi bật của công trình bao gồm:

1. Xây dựng Kiến trúc Tích hợp Dữ liệu Video IoT HAIVAN-CVA: Đây là một kiến trúc tiên phong cho phép thu thập và xử lý dữ liệu video phân tán quy mô lớn từ "nhiều nguồn camera khác nhau" (Nội dung nghiên cứu) trên các nền tảng không đồng nhất, khắc phục hạn chế của các hệ thống tích hợp truyền thống [98], [91].
2. Đề xuất Mô hình Nhận dạng Đối tượng HAIVAN-BSYOLO: Mô hình lai này kết hợp phương pháp trừ nền với YOLO, đạt hiệu năng nhận dạng vượt trội, đặc biệt đối với "các đối tượng có kích thước rất nhỏ" và sự đa dạng của "phương tiện giao thông" tại Việt Nam, như được minh chứng qua "Bảng 3.8 So sánh hiệu năng của HAIVAN-BSYOLO và YOLO-v8".
3. Triển khai Phương pháp Ước lượng Mật độ Giao thông Tiên tiến: Luận án cung cấp một phương pháp đáng tin cậy để ước lượng mật độ dựa trên dữ liệu video, phản ánh chính xác trạng thái mật độ thực tế (Chương 3, Mục 3.3.4), điều cần thiết cho quản lý giao thông hiệu quả.
4. Phát triển Mô hình Dự đoán Luồng Giao thông Lai HAIVAN-ALSTM: Sự kết hợp độc đáo của ARIMA và LSTM trong HAIVAN-ALSTM (Hình 2.23) cho phép mô hình xử lý tính chu kỳ và các phụ thuộc dài hạn, cung cấp dự đoán luồng giao thông với độ chính xác cao hơn đáng kể trong môi trường bất định (Bảng 3.13).
5. Thiết lập Bộ dữ liệu Giao thông Đà Nẵng Toàn diện: Việc "Xây dựng bộ dữ liệu giao thông ở các nút camera" (Đóng góp của luận án (1)) tại Đà Nẵng là một tài nguyên quý giá, cung cấp bằng chứng thực nghiệm và là nền tảng cho các nghiên cứu tiếp theo về giao thông đô thị đặc thù.

Những đóng góp này đánh dấu một sự tiến bộ về paradigm từ các hệ thống giám sát thụ động sang một hệ thống quản lý giao thông chủ động và thích ứng. Bằng cách tích hợp sâu rộng các kỹ thuật học sâu và phân tích chuỗi thời gian, luận án đã chứng minh khả năng xử lý tính bất định trong giao thông một cách hiệu quả hơn, cung cấp thông tin dự đoán chính xác để tối ưu hóa luồng giao thông đô thị.

Nghiên cứu này mở ra ít nhất ba luồng nghiên cứu mới: (1) Phát triển các kiến trúc tích hợp dữ liệu IoT đa phương thức cho các thành phố thông minh, không chỉ giới hạn ở giao thông. (2) Nghiên cứu sâu hơn về các mô hình nhận dạng đối tượng thích ứng với tính đa dạng văn hóa và điều kiện môi trường cụ thể ở các vùng địa lý khác nhau. (3) Khám phá các mô hình dự đoán lai dựa trên học tăng cường để đưa ra quyết định định hướng giao thông thời gian thực và tự động, vượt ra ngoài khả năng dự đoán đơn thuần.

Với phạm vi áp dụng tại "Giao thông đường bộ tại thành phố Đà Nẵng" (Phạm vi nghiên cứu), các phát hiện và phương pháp của luận án có tính liên quan toàn cầu đáng kể. Các thách thức về tắc nghẽn, ô nhiễm, và an toàn giao thông là phổ biến ở nhiều đô thị đang phát triển trên thế giới. Việc so sánh với các nghiên cứu quốc tế trong Literature Review đã làm nổi bật sự độc đáo của luận án trong việc giải quyết các yếu tố bất định và đặc thù địa phương, điều mà các công trình của Sabokrou [55] hay Kim [42] chưa làm được một cách toàn diện. Di sản của luận án này được đo lường không chỉ bằng các đóng góp khoa học mà còn bằng tiềm năng chuyển đổi ngành công nghiệp và ảnh hưởng chính sách, hướng tới mục tiêu xây dựng các thành phố thông minh, an toàn và bền vững hơn trên toàn cầu.