Thông tin kết quả nhiệm vụ KH&CN

Nghiên cứu dự báo tình trạng giao thông theo thời gian tại các nút giao thông trọng điểm dựa trên các công nghệ học sâu (Deep learning) tiên tiến (22/06/2025)

Nhiệm vụ khoa học và công nghệ cấp Bộ: Nghiên cứu dự báo tình trạng giao thông theo thời gian tại các nút giao thông trọng điểm dựa trên các công nghệ học sâu (Deep learning) tiên tiến, được Cục Đường bộ Việt Nam triển khai nghiên cứu từ tháng 01 năm 2023 đến tháng 02 năm 2024.Mục tiêu của đề tài là sử dụng trí tuệ nhân tạo để xây dựng mô hình dự báo tình trạng giao thông theo thời gian thực cho các nút giao thông trọng điểm. Từ đó góp phần giảm thiểu ùn tắc giao thông, bảo vệ môi trường, phát triển kinh tế.

Ngày nay hệ thống giao thông vận tải là một trong những cơ sở hạ tầng quan trọng nhất trong thành phố hiện đại, hỗ trợ việc đi lại hàng ngày của hàng triệu người dân. Với tốc độ đô thị hóa và gia tăng dân số nhanh chóng, hệ thống giao thông ngày càng trở nên phức tạp hơn. Giao thông hiện đại ngày nay không chỉ giới hạn trong phạm vi đường bộ, đường sắt, mà còn mở rộng ra nhiều phương thức khác, bao gồm cả dịch vụ gọi xe trực tuyến và thuê xe đạp, xe máy. Điều này thể hiện sự đa dạng và tính toàn diện của hệ thống giao thông hiện đại trong những năm gần đây. Các thành phố mở rộng phải đối mặt với nhiều vấn đề liên quan đến giao thông vận tải, bao gồm vấn nạn tắc đường, ùn tắc giao thông hay nghiêm trọng hơn là tai nạn giao thông. Việc can thiệp sớm vào việc điều khiển giao thông dựa trên dự báo giao thông được coi là chìa khóa để nâng cao hiệu quả của một hệ thống giao thông vận tải và giải quyết các vấn đề liên quan đến giao thông vận tải.

Trong bối cảnh thách thức của ùn tắc giao thông và các vấn đề liên quan đến an toàn giao thông, nghiên cứu về dự báo tình trạng giao thông theo thời gian thực tại các nút giao thông trọng điểm dựa trên các công nghệ học sâu tiên tiến là một hướng nghiên cứu quan trọng và tiềm năng. Kết quả nghiên cứu đã phân tích và giới thiệu một cách tổng quan nhất về các mạng học sâu hiện nay và cũng đã đưa ra nhiều ví dụ trực quan cho thấy tiềm năng ứng dụng lớn trong lĩnh vực giao thông vận tải. Mạng học sâu (Deep learning) là lĩnh vực con của máy học, tập trung vào xây dựng mạng nơ-ron nhân tạo phức tạp để hiểu và xử lý dữ liệu. Nó cải thiện hiệu suất so với máy học truyền thống, là một phần của trí tuệ nhân tạo, tạo mô hình mạng nơ-ron lớn cho quyết định từ dữ liệu. Học sâu phù hợp với dữ liệu phức tạp và lớn. Mạng học sâu xử lý dữ liệu phi cấu trúc, khám phá mối quan hệ ẩn và học không giám sát. Đề tài đã tiến hành nghiên cứu tổng quan về dự báo giao thông, đề cập đến các mô hình học sâu tiên tiến như mạng nơ-ron tích chập, nơ-ron hồi quy và nơ-ron đồ thị. Trong đó độ tin cậy của T-GCN là cao nhất trong các thuật toán, lượng sai số khi dự báo các lớp được chỉ định, độ chính xác của T-GCN tương đương khoảng 81% cho việc dự đoán tình trạng giao thông sau 3h kế tiếp. Đây là độ chính xác có thể chấp nhận được và đem lại những thông tin quan trọng cho việc dự báo tình trạng giao thông theo thời gian thực.

Dữ liệu thu thập cho trường hợp giao thông thông thoáng.

Sự kết hợp giữa camera và cảm biến trong lĩnh vực giao thông đã tạo ra một cách tiếp cận thông minh và hiệu quả để quản lý và cải thiện hệ thống giao thông. Bằng cách kết hợp sự quan sát hình ảnh từ camera và dữ liệu cảm biến, chúng ta có khả năng đạt được hiểu biết sâu hơn về tình trạng giao thông và tạo ra những biện pháp quản lý thông minh. Kết quả nghiên cứu đã tạo ra một hệ thống thu thập và tiền xử lý dữ liệu toàn diện để cung cấp dữ liệu đầu vào chất lượng cho các mô hình học sâu. Điều này bao gồm việc thu thập dữ liệu từ các nguồn khác nhau và dữ liệu địa lý. Bên cạnh đó, đề tài cũng đã nghiên cứu và sử dụng các thuật toán tiên tiến để xác định độ đặc trưng của các phương tiện giao thông tại các nút giao thông. Điều này giúp xác định các lớp tương ứng dựa trên mức độ tải của từng nút. Thiết lập kiến trúc mạng cho các mô hình học sâu: nhóm nghiên cứu đã lựa chọn và tối ưu hóa kiến trúc mạng cho các mô hình học sâu, đảm bảo rằng chúng có khả năng học tốt từ dữ liệu và có khả năng dự báo chính xác tình trạng giao thông. Kiến trúc này đã được điều chỉnh để phù hợp với đặc điểm của dữ liệu giao thông. Cuối cùng, đã triển khai các mô hình học sâu vào hệ thống thời gian thực để dự báo tình trạng giao thông.

Từ những kết quả đạt được, đề tài đã xây dựng một chương trình dự báo tình trạng giao thông với giao diện thân thiện. Phần mềm được phát triển để dự báo tình trạng giao thông theo thời gian thực tại các nút giao thông trọng điểm. Phần mềm này được xây dựng dựa trên các công nghệ học máy sâu tiên tiến, nhằm cung cấp khả năng dự báo chính xác và hiệu quả để hỗ trợ quản lý giao thông trong thời gian thực. Đặc điểm các tính năng quan trọng của phần mềm bao gồm khả năng nhập dữ liệu, huấn luyện mô hình, và dự báo tình trạng giao thông. Với 5 mức độ tắc đường: nghiêm trọng, mật độ cao, nguy cơ cao, thông thoáng, đường vắng phần mềm giúp cải thiện hiệu suất giao thông và giảm tắc nghẽn giao thông. Đồng thời, đề tài đã cung cấp hướng dẫn về cách sử dụng phần mềm từ việc chuẩn bị dữ liệu cho đến quá trình đánh giá hiệu suất của mô hình dự báo.

Mặc dù các kết quả thu được là tương đối khả quan. Tuy nhiên, đề tài vẫn còn một số hạn chế và cần những nghiên cứu tiếp theo để cải thiện kết quả thu được. Hạn chế thứ nhất là việc sử dụng thiết bị flycam để thu thập dữ liệu làm cho tính liên tục của dữ liệu bị ảnh hưởng; lý do này xuất phát từ nguyên nhân đề tài thực hiện nghiên cứu 3 nút giao trên quốc lộ 5 như đã đề xuất, trong khi đó các nút này không có các camera giám sát giao thông và việc lắp đặt các camera ở các nút giao này không thực hiện được vì một số lý do như tính an toàn, và khó khăn thiết lập nơi lắp đặt thiết bị. Thêm nữa, trong đề tài này, ảnh hưởng không gian của các nút chưa được thể hiện rõ ràng, lý do là các nút có khoảng cách tương đối xa cũng như những hạn chế về tính liên tục của dữ liệu. Chính vị vậy, độ chính xác dự đoán của mô hình cần phải cải thiện, đặc biệt cho các khoảng thời gian dự báo xa.

Kết quả nghiên cứu đã có những đóng góp đáng lưu ý như sau:

(1) Xây dựng được chương trình để đếm được lưu lượng xe với độ chính xác từ 60%-80%.

(2) Ứng dụng được chương trình Deepsort kết hợp thuật toán học máy để xác định được vận tốc của xe dựa trên các video.

(3) Áp dụng các mạng nơ-ron học sâu tiên tiến như mạng nơ-ron tích chập (Convolution Neural Network), mạng nơ-ron hồi quy (Recurrent Neural Network) để dự báo tình trạng giao thông theo thời gian thực.

(4) Đề xuất sử dụng các thuật toán học máy (KST-GCN, T-GCN) có độ chính xác cao hơn các thuật toán học máy truyền thống để dự báo tình trạng giao thông theo thời gian thực.

(5) Xây dựng được chương trình để dự báo tình trạng giao thông cho các nút giao trên quốc lộ 5. Chương trình này có thể sử dụng để dự báo tình trạng giao thông cho các nút giao thông khác.

(6) Xây dựng tài liệu hướng dẫn sử dụng chương trình dự báo tình trạng giao thông theo thời gian thực tại các nút giao thông.

Đề tài đã xây dựng được mô hình sử dụng các thuật toán học máy hiện đại để dự báo tình trạng giao thông cho các nút giao thông trọng điểm. Các mô hình này là tiền đề quan trọng để phát triển cho bài toán dự báo tình trạng giao thông theo thời gian thực không chỉ cho các nút giao thông trên quốc lộ mà còn các nút giao phức tạp trong nội đô. Tuy nhiên, để áp dụng thành công những nghiên cứu này vào thực tế, cần tiếp tục nghiên cứu, cải thiện và phát triển, đặc biệt là trong việc tích hợp mô hình vào hệ thống quản lý giao thông thực tế.

Đề tài đề xuất sử dụng thiết bị cảm biến kết hợp với các camera, không chỉ để theo dõi hình ảnh mà còn xác định được tốc độ lưu thông, lưu lượng của các phương tiện để dự báo tình trạng giao thông tại các nút giao theo thời gian thực.Đề tài này sẽ áp dụng các các thuật toán AI hiện đại như mạng nơ ron đồ thị (Graph Neural Network), mạng nơ ron tích chập (Convolution Neural Network), mạng nơ ron hồi quy (Recurrent Neural Network). Các thuật toán hiện đại này đang được áp dụng rỗng rãi trên thế giới để dự báo báo tình trạng giao thông theo thời gian thực với độ chính xác rất cao.Đề tài này sử dụng được các mô hình tính toán sự phụ thuộc giữa các nút giao thông theo miền thời gian và không gian để dự báo tình trạng giao thông theo thời gian thực.Dữ liệu dùng để huấn luyện mạng của các đề tài phong phú bao gồm: dữ liệu giao thông trong quá khứ (tình trạng tại nút giao thông tại nhiều thời điểm trong quá khứ); các thông số kỹ thuật của các cung đường (chiều rộng mặt đường, số làn đường, số chiều lưu thông, tình trạng ngập úng, ...); dữ liệu thời tiết; dữ liệu được trích xuất từ các nền tảng mạng xã hội.

Có thể tìm đọc toàn văn Báo cáo kết quả nghiên cứu dự án tại Trung tâm Thông tin và Truyền thông Hải Phòng hoặc Cục Thông tin, Thống kê.