Luận án Tiến sĩ Kỹ thuật: Dự đoán và định hướng luồng giao thông trong môi trường bất định

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:197

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án Tiến sĩ Kỹ thuật "Dự đoán và định hướng luồng giao thông trong môi trường bất định" trình bày các nội dung chính sau: Tổng quan về dự đoán và định hướng luồng giao thông trong môi trường bất định; Cơ sở lý thuyết và mô hình đề xuất.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kỹ thuật: Dự đoán và định hướng luồng giao thông trong môi trường bất định

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA Đoàn Phước Miền DỰ ĐOÁN VÀ ĐỊNH HƯỚNG LUỒNG GIAO THÔNG TRONG MÔI TRƯỜNG BẤT ĐỊNH LUẬN ÁN TIẾN SĨ ĐÀ NẴNG – 2024
ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA Đoàn Phước Miền DỰ ĐOÁN VÀ ĐỊNH HƯỚNG LUỒNG GIAO THÔNG TRONG MÔI TRƯỜNG BẤT ĐỊNH Chuyên ngành: Khoa học máy tính Mã số: 9 48 01 01 LUẬN ÁN TIẾN SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. TS. Trần Thế Vũ 2. TS. Ngô Văn Sỹ Đà Nẵng – 2024
i LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện, dưới sự hướng dẫn của TS. TRẦN THẾ VŨ và TS. NGÔ VĂN SỸ. 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 ghi nguồn gốc xuất xứ rõ ràng và đầy đủ. Đà Nẵng, ngày ... tháng ... năm 2024 NCS Đoàn Phước Miền
ii 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 tỏ 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 tin 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
iii MỤC LỤC LỜI CẢM ƠN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii MỤC LỤC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii DANH MỤC CÁC TỪ VIẾT TẮT . . . . . . . . . . . . . . . . . . vii DANH MỤC CÁC KÝ HIỆU TOÁN HỌC . . . . . . . . . . . . ix DANH MỤC CÁC HÌNH VẼ . . . . . . . . . . . . . . . . . . . . . xi DANH MỤC CÁC BẢNG BIỂU . . . . . . . . . . . . . . . . . . . xiii MỞ ĐẦU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 CHƯƠNG 1. TỔNG QUAN VỀ DỰ ĐOÁN VÀ ĐỊNH HƯỚNG LUỒNG GIAO THÔNG TRONG MÔI TRƯỜNG BẤT ĐỊNH 8 1.1 Giao thông thông minh . . . . . . . . . . . . . . . . . . . . . . . 8 1.2 Luồng giao thông . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 Định hướng luồng giao thông . . . . . . . . . . . . . . . . . . . 9 1.4 Tính bất định trong giao thông . . . . . . . . . . . . . . . . . 10 1.5 Bài toán về dự đoán luồng giao thông . . . . . . . . . . . . . 12 1.5.1 Tham số về thời gian . . . . . . . . . . . . . . . . . . . . . . 13 1.5.2 Đặc trưng đầu vào . . . . . . . . . . . . . . . . . . . . . . . 14 1.6 Nghiên cứu liên quan . . . . . . . . . . . . . . . . . . . . . . . . 15 1.6.1 Nghiên cứu liên quan về nền tảng tích hợp dữ liệu Video . 15 1.6.2 Nghiên cứu liên quan về môi trường bất định trong giao thông . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.6.3 Nghiên cứu liên quan về nhận dạng đối tượng . . . . . . . 18 1.6.4 Nghiên cứu liên quan về ước lượng mật độ giao thông . . . 23 1.6.5 Nghiên cứu liên quan về dự đoán luồng giao thông . . . . . 24
iv 1.7 Kết chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH ĐỀ XUẤT 41 2.1 Mô hình đề xuất hệ thống HAIVAN-CVA . . . . . . . . . . 41 2.2 Kiến trúc tích hợp dữ liệu . . . . . . . . . . . . . . . . . . . . . 45 2.2.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 2.2.2 Mô hình đề xuất kiến trúc tích hợp dữ liệu . . . . . . . . . 48 2.2.3 Mô hình hệ thống tích hợp dữ liệu tổng quát . . . . . . . . 52 2.3 Nhận dạng đối tượng . . . . . . . . . . . . . . . . . . . . . . . . 53 2.3.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 2.3.2 Thách thức trong nhận dạng đối tượng . . . . . . . . . . . 55 2.3.3 Mô hình toán học trong nhận dạng đối tượng . . . . . . . . 58 2.3.4 Nhận dạng đối tượng kết hợp phương pháp trừ nền và YOLO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 2.3.5 Nhận dạng đối tượng bằng phương pháp Trừ nền ngưỡng động . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 2.3.6 Nhận dạng đối tượng bằng phương pháp học sâu . . . . . . 69 2.3.7 Nhận dạng đối tượng nhỏ theo mô hình SSD . . . . . . . . 75 2.3.8 Nhận dạng đối tượng nhỏ dựa trên mô hình YOLO . . . . 77 2.3.9 Nhận dạng đối tượng nhỏ dựa vào kết hợp Transformer và YOLO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 2.4 Ước lượng mật độ giao thông . . . . . . . . . . . . . . . . . . 87 2.4.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 2.4.2 Thách thức trong ước lượng mật độ . . . . . . . . . . . . . 89 2.4.3 Mô hình toán học . . . . . . . . . . . . . . . . . . . . . . . . 90 2.4.4 Mô hình đề xuất . . . . . . . . . . . . . . . . . . . . . . . . 92 2.4.5 Xây dựng dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . 93 2.4.6 Xác định làn đường . . . . . . . . . . . . . . . . . . . . . . . 94 2.4.7 Xác định diện tích tổng quát . . . . . . . . . . . . . . . . . 95 2.4.8 Công thức tính mật độ giao thông . . . . . . . . . . . . . . 96
v 2.4.9 Kích thước phương tiện tham gia giao thông . . . . . . . . 96 2.4.10 Tính tổng diện tích phương tiện . . . . . . . . . . . . . . . 96 2.5 Dự đoán luồng giao thông . . . . . . . . . . . . . . . . . . . . . 98 2.5.1 Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 2.5.2 Thách thức trong dự đoán luồng giao thông . . . . . . . . 99 2.5.3 Mô hình toán học . . . . . . . . . . . . . . . . . . . . . . . . 100 2.5.4 Mô hình đề xuất . . . . . . . . . . . . . . . . . . . . . . . . 105 2.6 Kết chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 CHƯƠNG 3. KẾT QUẢ THỰC NGHIỆM 110 3.1 Kết quả thực nghiệm kiến trúc tích hợp dữ liệu . . . . . . 110 3.1.1 Cấu hình phần cứng . . . . . . . . . . . . . . . . . . . . . . 110 3.1.2 Truy vấn dữ liệu từ camera giám sát . . . . . . . . . . . . . 111 3.1.3 Lưu trữ dữ liệu trên máy chủ đám mây . . . . . . . . . . . 113 3.1.4 Ứng dụng sử dụng nguồn camera thực tế . . . . . . . . . . 115 3.2 Kết quả thực nghiệm nhận dạng đối tượng . . . . . . . . . . 118 3.2.1 Kết quả thực nghiệm bằng Phương pháp học sâu . . . . . 118 3.2.2 Kết quả thực nghiệm bằng Phương pháp trừ nền ngưỡng động . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 3.2.3 Kết quả thực nghiệm phương pháp SSD nhận dạng phương tiện giao thông nhỏ . . . . . . . . . . . . . . . . . . . . . . . 123 3.2.4 Kết quả thực nghiệm phương pháp YOLO nhận dạng phương tiện giao thông nhỏ . . . . . . . . . . . . . . . . . . 125 3.2.5 Kết quả Transformer và YOLO . . . . . . . . . . . . . . . . 127 3.2.6 Kết quả thực nghiệm phương pháp Trừ nền kết hợp với YOLO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 3.2.7 So sánh hiệu năng của HAIVAN-BSYOLO với YOLO-v8 . 132 3.2.8 So sánh hiệu năng trừ nền của thuật toán PBAS với sự khác biệt khung hình động và sự khác biệt khung hình tĩnh134 3.2.9 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
vi 3.3 Kết quả thực nghiệm ước lượng mật độ . . . . . . . . . . . . 138 3.3.1 Cài đặt cấu hình . . . . . . . . . . . . . . . . . . . . . . . . 138 3.3.2 Huấn luyện mô hình . . . . . . . . . . . . . . . . . . . . . . 139 3.3.3 Sử dụng mô hình . . . . . . . . . . . . . . . . . . . . . . . . 141 3.3.4 Kết quả Ước lượng mật độ giao thông . . . . . . . . . . . . 141 3.3.5 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 3.4 Kết quả thực nghiệm dự đoán luồng giao thông . . . . . . 148 3.4.1 Thu thập Dữ liệu theo thời gian . . . . . . . . . . . . . . . 148 3.4.2 Tiền xử lý dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . 149 3.4.3 Sử dụng mô hình . . . . . . . . . . . . . . . . . . . . . . . . 150 3.4.4 Huấn luyện mô hình . . . . . . . . . . . . . . . . . . . . . . 155 3.4.5 Dự đoán luồng giao thông . . . . . . . . . . . . . . . . . . . 158 3.4.6 Đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159 3.5 Kết chương . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 KẾT LUẬN 166 CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ 169 TÀI LIỆU THAM KHẢO 170
vii DANH MỤC CÁC TỪ VIẾT TẮT Ký hiệu Tiếng anh Tiếng việt AI Artificial Intelligence Trí tuệ nhân tạo AIMA Autoregressive Integrated Mô hình tự hồi quy tích hợp Moving Average trung bình di động API Application Programming Giao diện lập trình ứng Interface dụng CCTV Closed Circuit Television Truyền hình mạch kín CTM Cell Transmission Model Mô hình truyền dẫn ô GNN Graph Neural Network Mạng nơ-ron đồ thị HDFS Hadoop Distributed File Hệ thống tệp phân tán System Hadoop ITS Intelligent Transport Sys- Hệ thống giao thông thông tem minh IoT Internet of Things Internet vạn vật LSTM Long Short-Term Memory Mạng bộ nhớ dài -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
viii Ký hiệu Tiếng anh Tiếng việt SARIMA Seasonal Autoregressive In- Mô hình ARIMA theo mùa tegrated Moving Average SVM Support vector machine Máy vectơ hỗ trợ TS-RNN Time-Series Recurrent Neu- Mạng nơ-ron hồi quy theo ral Network chuỗi thời gian SAE Stacked Autoencoder Bộ tự mã hóa xếp chồng SSD Single Shot Multibox De- Bộ phát hiện đối tượng một tector lần ROI Region of Interest Vùng quan tâm GMM Gaussian Mixture Model Mô hình hỗn hợp Gaussian GRU Gated Recurrent Unit Đơn vị hồi qui có cổng
ix DANH MỤC CÁC KÝ HIỆU TOÁN HỌC Ký hiệu Ý nghĩa t Thời gian δ(t) Một khoảng thời gian giữa một điểm bắt đầu đến điểm kế tiếp ∆(t) Độ lớn của khoảng thời gian từ điểm này đến điểm tiếp theo q Luồng giao thông p Mật độ, được tính bằng số lượng phương tiện trung bình trên một đoạn đường tại một thời điểm xác định. x Trạng thái luồng giao thông đường bộ θ(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 I(x, y) Điểm ảnh có tọa độ là (x,y) v Vận tốc của phương tiện vi Vận tốc của phương tiện trên tuyến đường i f(x) Hàm mục tiêu f∗ Biểu thức tối ưu yi Giá trị thực tế yi ˆ Giá trị được dự đoán Z_score Giá trị dữ liệu đã chuẩn hoá theo z-scrore ϕ Hàm kích hoạt phi tuyến tính như ReLU hoặc Tanh
x Ký hiệu Ý nghĩa HAIV ANi : Tham số đầu vào của hệ thống bao gồm các địa chỉ (url), video từ điện thoại (V idm ), video từ camera giám sát trên xe (V idc ) Mf Kết quả dự đoán luồng giao thông HAIV ANO Kết quả trả về của hệ thống HAIV ANR Loại dữ liệu từ hệ thống được yêu cầu truy xuất như các địa chỉ (Durl ), video (Dvid ), hình ảnh (Dim ), và dữ liệu dạng chuỗi (Dapi ) Mv Kết quả đếm phương tiện giao thông Mu Kết quả ước lượng mật độ dựa vào số lượng phương tiện (Mv ) và diện tích mặt đường quan sát.
xi DANH MỤC CÁC HÌNH VẼ Hình 1.1 Kiến trúc hệ thống tích hợp dữ liệu video [30] . . . . . . . . 16 Hình 1.2 Cấu trúc của RNN . . . . . . . . . . . . . . . . . . . . . . . . 31 Hình 1.3 Cấu trúc của LSTM [100] . . . . . . . . . . . . . . . . . . . . 31 Hình 1.4 Cấu trúc chi tiết của một nhánh LSTM [100] . . . . . . . . 32 Hình 1.5 Kiến trúc mạng nơ-ron hồi quy LSTM.[71] . . . . . . . . . . 35 Hình 2.1 Mô hình đề xuất chung cho toàn hệ thống HAIVAN-CVA . 45 Hình 2.2 Kiến trúc hệ thống . . . . . . . . . . . . . . . . . . . . . . . . 48 Hình 2.3 Mô hình hệ thống tổng quát HAIVAN . . . . . . . . . . . . 53 Hình 2.4 Nhiều góc quay camera và nhiều kích cỡ đối tượng . . . . . 55 Hình 2.5 Trường tiếp nhận giới hạn . . . . . . . . . . . . . . . . . . . 56 Hình 2.6 Biểu diễn đặc trưng . . . . . . . . . . . . . . . . . . . . . . . 57 Hình 2.7 Dữ liệu đa dạng về kích thước . . . . . . . . . . . . . . . . . 58 Hình 2.8 Độ lệch dữ liệu đào tạo . . . . . . . . . . . . . . . . . . . . . 58 Hình 2.9 Quy trình nhận dạng phương phương tiện giao thông . . . . 59 Hình 2.10 Mô hình HAIVAN-BSYOLO đề xuất . . . . . . . . . . . . . 62 Hình 2.11 Mô hình HAIVAN-BSYOLO chi tiết . . . . . . . . . . . . . 63 Hình 2.12 Hệ thống nhận dạng đối tượng bằng phương pháp trừ nền ngưỡng động . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Hình 2.13 Mô hình mạng nơ-ron trong học sâu . . . . . . . . . . . . . 69 Hình 2.14 Mô hình kiến trúc nhận dạng đối tượng nhỏ . . . . . . . . . 83 Hình 2.15 Quy trình ước lượng mật độ giao thông với đầu vào là số lượng xe và diện tích, đầu ra là trạng thái mật độ (Tắc nghẽn, trung bình, thông thoáng) . . . . . . . . . . . . . . . . . . . . . . . 90 Hình 2.16 Mô hình đề xuất ước lượng mật độ . . . . . . . . . . . . . . 92
xii Hình 2.17 Mô hình tổng thể ước lượng mật độ . . . . . . . . . . . . . . 94 Hình 2.18 Các yếu tố bất định trong giao thông . . . . . . . . . . . . . 94 Hình 2.19 Mối quan hệ giữa luồng và mật độ . . . . . . . . . . . . . . 101 Hình 2.20 Mối quan hệ giữa vận tốc và luồng. . . . . . . . . . . . . . . 102 Hình 2.21 Mối quan hệ giữa mật độ và vận tốc . . . . . . . . . . . . . 102 Hình 2.22 Quy trình dự đoán luồng giao thông với đầu vào là mật độ và đầu ra là kết quả phân lớp. . . . . . . . . . . . . . . . . . . . . 103 Hình 2.23 Mô hình đề xuất kết hợp phương pháp ARIMA và LSTM (HAIVAN-ALSTM) . . . . . . . . . . . . . . . . . . . . . . . . . . 105 Hình 3.1 Thông tin các yêu cầu truy vấn . . . . . . . . . . . . . . . . 111 Hình 3.2 Hệ thống máy ảo trên AWSC2 . . . . . . . . . . . . . . . . . 112 Hình 3.3 Địa chỉ camera từ nhà cung cấp . . . . . . . . . . . . . . . . 112 Hình 3.4 Khai báo API . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Hình 3.5 Lưu trữ kết quả trên máy chủ điện toán đám mây Flickr. . 114 Hình 3.6 Lịch sử dữ liệu lưu trữ trên Firebase. . . . . . . . . . . . . . 114 Hình 3.7 Biểu đồ lịch sử tải dữ liệu lưu trữ trên Firebase. . . . . . . 115 Hình 3.8 Số lượng ảnh thu được trong tuần . . . . . . . . . . . . . . . 115 Hình 3.9 Số lượng xe ở làn đường 1 . . . . . . . . . . . . . . . . . . . 116 Hình 3.10 Số lượng xe ở làn đường 2 . . . . . . . . . . . . . . . . . . . 116 Hình 3.11 Số lượng xe ở làn đường 3 . . . . . . . . . . . . . . . . . . . 117 Hình 3.12 Ứng dụng đếm xe theo làn đường . . . . . . . . . . . . . . . 117 Hình 3.13 Kết quả nhận dạng xe . . . . . . . . . . . . . . . . . . . . . . 119 Hình 3.14 Một số vị trí camera. . . . . . . . . . . . . . . . . . . . . . . 120 Hình 3.15 Kết quả nhận dạng xe hơi . . . . . . . . . . . . . . . . . . . 122 Hình 3.16 Thông số khung hình nhận dạng . . . . . . . . . . . . . . . . 123 Hình 3.17 Kết quả nhận dạng xe máy . . . . . . . . . . . . . . . . . . . 124 Hình 3.18 Nhận dạng đối tượng nhỏ sử dụng SSD . . . . . . . . . . . . 124 Hình 3.19 Nhận dạng đối tượng nhỏ - camera Tây cầu Rồng (1) . . . 126 Hình 3.20 Nhận dạng đối tượng nhỏ - camera Tầy cầu Rồng (2) . . . 127
xiii Hình 3.21 Kết quả nhận dạng đối tượng sử dụng Transformer và YOLO128 Hình 3.22 Camera góc quay ngang . . . . . . . . . . . . . . . . . . . . . 130 Hình 3.23 Camera góc quay trực diện . . . . . . . . . . . . . . . . . . . 131 Hình 3.24 Camera góc quay từ trên cao . . . . . . . . . . . . . . . . . . 132 Hình 3.25 So sánh kết quả đánh giá dựa vào mAP@0.5 . . . . . . . . . 137 Hình 3.26 Tập huấn luyện . . . . . . . . . . . . . . . . . . . . . . . . . . 139 Hình 3.27 Mô hình hóa kết quả huấn luyện . . . . . . . . . . . . . . . . 140 Hình 3.28 Tính mật độ giao thông . . . . . . . . . . . . . . . . . . . . . 142 Hình 3.29 Kết quả đếm phương tiện giao thông . . . . . . . . . . . . . 143 Hình 3.30 Kết quả ước lượng mật độ trung bình làn đường 1 . . . . . 144 Hình 3.31 Mật độ giao thông . . . . . . . . . . . . . . . . . . . . . . . . 145 Hình 3.32 Bảng so sánh kết quả . . . . . . . . . . . . . . . . . . . . . . 146 Hình 3.33 Các nút camera được giám sát . . . . . . . . . . . . . . . . . 148 Hình 3.34 Nút Camera DNG33 . . . . . . . . . . . . . . . . . . . . . . . 149 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 . . . . . . . . . . . . . . . . . 159 Hình 3.36 Kết quả dự đoán luồng giao thông . . . . . . . . . . . . . . . 160 Hình 3.37 Kết quả dự đoán luồng của HAIVAN-ALSTM, SAEs, GRU 162
xiv DANH MỤC CÁC BẢNG BIỂU Bảng 2.1 Kích thước phương tiện (ĐV: mm) . . . . . . . . . . . . . . . 97 Bảng 2.2 Bảng qui chiếu mật độ . . . . . . . . . . . . . . . . . . . . . . 98 Bảng 3.1 Giải thích thông tin lấy dữ liệu . . . . . . . . . . . . . . . . . 113 Bảng 3.2 Kết quả đếm và nhận dạng phương tiện giao thông bằng học sâu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 Bảng 3.3 Danh sách các địa chỉ camera . . . . . . . . . . . . . . . . . . 121 Bảng 3.4 Kết quả nhận dạng đối tượng nhỏ sử dụng phương pháp SSD125 Bảng 3.5 Kết quả nhận dạng đối tượng nhỏ sử dụng phương pháp YOLO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126 Bảng 3.6 Kết quả nhận dạng đối tượng nhỏ sử dụng phương pháp kết hợp Transformer và YOLO . . . . . . . . . . . . . . . . . . . . 129 Bảng 3.7 Kết quả nhận dạng đối tượng nhỏ sử dụng HAIVAN-BSYOLO131 Bảng 3.8 So sánh hiệu năng của HAIVAN-BSYOLO và YOLO-v8 . . 133 Bảng 3.9 So sánh hiệu năng của thuật toán PBAS với sự khác biệt giữa hai khung hình tĩnh và động. . . . . . . . . . . . . . . . . . . . 134 Bảng 3.10 Đánh giá hệ thống với hai video đầu vào khác nhau . . . . . 135 Bảng 3.11 Bảng kết quả đánh giá hiệu năng từ các video khác nhau . . 147 Bảng 3.12 Bảng so sánh hiệu năng của mô hình LSTM so với các mô hình khác . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161 Bảng 3.13 Bảng so sánh hiệu năng của ba mô hình HAIVAN-ALSTM, SAEs và GRU. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 Bảng 3.14 So sánh hiệu năng các mô hình dự đoán luồng giao thông . 163
1 MỞ ĐẦU 1. Tính cấp thiết của đề tài nghiên cứu Luận án góp phần đóng góp vào sự tiến bộ trong lĩnh vực hệ thống giao thông thông minh, qua việc đề cập đến tầm quan trọng trong việc nâng cao hiệu quả quản lý luồng giao thông. Bằng cách tập trung vào những thách thức đặc trưng của việc điều hướng trong các tình huống không chắc chắn, luận án sẽ mở ra hướng giải pháp mới, cấp thiết, và cung cấp những đóng góp đáng giá cho sự phát triển của hệ thống giao thông thông minh, đặc biệt trong việc ước lượng, hướng dẫn định tuyến và quản lý giao thông. Việc ước lượng mật độ giao thông và dự báo luồng giao thông là hai vấn đề quan trọng trong ITS. Nếu có thể dự đoán được mật độ giao thông và luồng giao thông trước, các hệ thống ITS có thể cung cấp hướng dẫn định tuyến và lên kế hoạch tối ưu để giảm thiểu tắc đường, giảm thời gian di chuyển và giảm lượng khí thải độc hại. Do đó, việc nghiên cứu các phương pháp và kỹ thuật để ước lượng mật độ giao thông và dự báo luồng giao thông là rất quan trọng trong lĩnh vực ITS. Kết quả nghiên cứu sẽ đáp ứng nhu cầu giải quyết vấn đề giao thông trong môi trường bất định, góp phần cải thiện hiệu quả và an toàn của giao thông đô thị. Dưới đây là một số lý do chính để cho thấy sự cần thiết của các nghiên cứu trong luận án: Thứ nhất, giao thông đô thị ngày càng phức tạp: Với sự tăng dân số và số lượng phương tiện tham gia giao thông, giao thông đô thị đang trở nên ngày càng phức tạp. Các yếu tố bất định như tính không chắc chắn trong dữ liệu giao thông, sự thay đổi liên tục của môi trường, khả năng tắc nghẽn, tai nạn, công trình xây dựng, thời tiết, sự kiện đặc biệt, vv. đều ảnh hưởng đến luồng giao thông và gây ra sự chậm trễ, mất mát thời gian và nguy cơ tai nạn. Thứ hai là nhu cầu định tuyến đòi hỏi thông minh và hiệu quả: Định tuyến
2 đúng đắn và hiệu quả là một trong những yếu tố quan trọng để cải thiện giao thông đô thị. Với sự phát triển của công nghệ thông tin, hệ thống hỗ trợ định tuyến dựa trên dữ liệu thời gian thực và thông minh ngày càng được quan tâm và áp dụng trong giao thông đô thị. Tối ưu hóa luồng giao thông nhằm cung cấp hướng dẫn định tuyến trong môi trường bất định là một chủ đề nghiên cứu giúp cải thiện hiệu quả của hệ thống định tuyến và giảm bớt tắc nghẽn, giảm thiểu thời gian di chuyển, tăng tính an toàn và đem lại lợi ích cho cả người dân và hệ thống giao thông. Thứ ba là về ý nghĩa ứng dụng và tiềm năng phát triển: Luận án này không chỉ có ý nghĩa lý thuyết trong lĩnh vực nghiên cứu giao thông, mà còn có tính ứng dụng cao trong thực tế. Công nghệ thông tin và trí tuệ nhân tạo đang phát triển nhanh chóng, và đã được áp dụng trong nhiều giải pháp giao thông thông minh như định tuyến dựa trên dữ liệu thời gian thực, hướng dẫn định tuyến đa phương tiện, quản lý đèn giao thông thông minh, phân tích dữ liệu giao thông, vv. . . . Cuối cùng là cần thiết để giải quyết các thách thức giao thông hiện tại và tương lai: Giao thông đô thị đang đối mặt với nhiều thách thức như tắc nghẽn giao thông, ô nhiễm môi trường, nguy cơ tai nạn, lãng phí tài nguyên, vv. Để đáp ứng nhu cầu ngày càng cao của người dân và doanh nghiệp, giải quyết các thách thức này đòi hỏi nâng cao hiệu quả của hệ thống giao thông và áp dụng công nghệ thông minh trong quản lý và điều hành giao thông. Luận án sẽ góp phần đáp ứng nhu cầu này và đóng vai trò quan trọng trong việc giải quyết các thách thức giao thông hiện tại và tương lai. Xuất phát từ đó, luận án sẽ quan tâm đến vấn đề dự đoán và định hướng luồng giao thông trong môi trường bất định, đây là vấn đề cần thiết nghiên cứu trong giai đoạn hiện nay nhằm giải quyết các bài toán quản lý giao thông trong thực tế chính xác và hiệu quả hơn. 2. Mục tiêu nghiên cứu Mục tiêu của Luận án là nghiên cứu đề xuất giải pháp để dự đoán và định
3 hướng luồng giao thông trong môi trường bất định. 3. Nội dung nghiên cứu Nghiên cứu về cách thu thập và tích hợp dữ liệu từ nhiều nguồn camera khác nhau; Đề xuất mô hình tích hợp dữ liệu; Nghiên cứu các phương pháp về nhận dạng và theo dõi đối tượng; Nghiên cứu các phương pháp về ước lượng mật độ giao thông trong môi trường bất định; Nghiên cứu phương pháp dự đoán luồng giao thông. 4. Đối tượng và phạm vi nghiên cứu Luận án tập trung vào nghiên cứu các đối tượng sau: Phương tiện giao thông: Đây là các đối tượng chính của nghiên cứu bao gồm ô tô, xe máy, xe đạp, và phương tiện công cộng như xe buýt. Các phương tiện này có kích thước, hình dạng khác nhau; Camera CCTV: Đây là thiết bị thu thập dữ liệu quan trọng cho việc giám sát và phân tích luồng giao thông, nhận dạng và theo dõi các phương tiện; Các mô hình học máy và trí tuệ nhân tạo: Mô hình học sâu, học máy, và các thuật toán trí tuệ nhân tạo để phân tích dữ liệu từ camera CCTV và cảm biến; Phương pháp xử lý ảnh và nhận dạng hình ảnh: Các kỹ thuật xử lý ảnh để cải thiện chất lượng hình ảnh, phát hiện đối tượng, và theo dõi chuyển động trong video từ camera CCTV; Mô hình dự đoán để ước lượng và dự đoán luồng giao thông dựa trên dữ liệu lịch sử và thời gian thực.
4 Phạm vi nghiên cứu: Giao thông đường bộ tại thành phố Đà Nẵng; Ước lượng mật độ giao thông; Trong môi trường giao thông bất định; Khoảng thời gian: 2017 đến 2021. 5. Phương pháp nghiên cứu Tổng hợp và phân tích tài liệu: - Thu thập và tổng hợp các nghiên cứu đã công bố liên quan đến lĩnh vực nghiên cứu; - 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. Xây dựng mô hình và phát triển ứng dụng: - Sử dụng các phương pháp như học máy, thuật toán tối ưu hóa, hoặc các công cụ mô phỏng để phát triển mô hình giải quyết các vấn đề đã xác định; - Thực hiện kiểm tra và đánh giá hiệu suất của các mô hình, điều chỉnh để tối ưu hóa kết quả. Phương pháp thực nghiệm và thử nghiệm: - Thực hiện các thí nghiệm trên mô hình đã phát triển, sử dụng các bộ dữ liệu thực tế: Tiến hành thử nghiệm trên mô hình bằng cách áp dụng vào các bộ dữ liệu đã được thu thập từ thực tế. Việc này nhằm đánh giá khả năng hoạt động của mô hình trong các tình huống và môi trường đa dạng, đồng thời kiểm chứng tính chính xác và hiệu quả nhận diện của phương pháp đã đề xuất; - Phân tích kết quả thực nghiệm để xác định hiệu quả và tính khả thi của các giải pháp đề xuất;