Nghiên cứu phát triển công cụ lấy dữ liệu từ Google Maps ứng dụng trong việc phát hiện ùn tắc và tai nạn giao thông theo thời gian thực

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:7

Thêm vào BST

Báo xấu

30
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Nghiên cứu phát triển công cụ lấy dữ liệu từ Google Maps ứng dụng trong việc phát hiện ùn tắc và tai nạn giao thông theo thời gian thực nghiên cứu này giới thiệu và phát triển một kỹ thuật thu thập, phân tích dữ liệu thời gian, tốc độ hành trình của dòng giao thông theo thời gian thực được lấy từ Google Maps.

Chủ đề:

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

Lưu

Nội dung Text: Nghiên cứu phát triển công cụ lấy dữ liệu từ Google Maps ứng dụng trong việc phát hiện ùn tắc và tai nạn giao thông theo thời gian thực

NGHIÊN CỨU PHÁT TRIỂN CÔNG CỤ LẤY DỮ LIỆU TỪ GOOGLE MAPS ỨNG DỤNG TRONG VIỆC PHÁT HIỆN ÙN TẮC VÀ TAI NẠN GIAO THÔNG THEO THỜI GIAN THỰC DEVELOPMENT OF A TRAFFIC DATA COLLECTION APPLICATION BASED ON GOOGLE MAPS IN REAL-TIME TRAFFIC CONGESTION AND ACCIDENT DETECTION TS. Đặng Minh Tân ThS. NCS. Đặng Thu Hương Trường Đại học Giao thông vận tải TÓM TẮT: Mục đích của nghiên cứu này giới thiệu và phát triển một kỹ thuật thu thập, phân tích dữ liệu thời gian, tốc độ hành trình của dòng giao thông theo thời gian thực được lấy từ Google Maps. Trên cơ sở đó bài báo trình bày ứng dụng dữ liệu thời gian hành trình của dòng giao thông trong việc phát hiện ùn tắc và tai nạn giao thông. Nghiên cứu đã tiến hành một nghiên cứu tình huống trên tuyến đường vành đai 3 ở Hà Nội từ đó sơ bộ đề xuất một phương pháp đơn giản xác định ùn tắc hay sự cố giao thông trên đường. Kết quả cho thấy việc sử dụng dữ liệu từ Google Maps có độ tin cậy cao, kết hợp với công cụ và phương pháp xác định ùn tắc hay sự cố giao thông trên đường mà nghiên cứu phát triển và đề xuất có thể ứng dụng tốt trong công tác điều hành, tổ chức giao thông nhằm giảm thiểu ùn tắc và tai nạn giao thông. Từ khóa: Dữ liệu đám đông, tốc độ hành trình, thời gian hành trình, ùn tắc, tai nạn giao thông, Google Maps API. ABSTRACT: The purpose of this study is to introduce and develop a technique to collect and analyze real-time travel speed and time data obtained from Google Maps. On that basis, the paper presents the application of travel time data of traffic flow in detecting traffic congestions and accidents. The study conducted a case study on Ring Road 3 in Hanoi from which preliminary proposed a simple method to identify traffic congestions or accidents on the road network. The results show that the use of data from Google Maps has high reliability. The data combining with the proposed tool and method to identify traffic congestions and accidents on the road network can be applied well in traffic management and organization in order to reduce traffic congestion and accidents. Keywords: Crowdsourced data, travel speed, travel time, traffic congestion, traffic accident, Google Maps API. 1. GIỚI THIỆU Dữ liệu đám đông là dữ liệu bao gồm các hoạt động, công việc, thông tin hoặc ý tưởng... từ các nhóm lớn người dùng tạo ra trên Internet, phương tiện truyền thông xã hội và ứng 40
dụng điện thoại thông minh. Lợi ích của việc thu thập dữ liệu đám đông là khai thác, nắm bắt được hành vi, nhu cầu của đám đông, góp phần tiết kiệm thời gian, chi phí và nguồn lực, hơn nữa có thể giúp cho công tác phân tích dữ liệu theo thời gian thực. Hiện nay Google Maps của công ty Google có thể coi là một ứng dụng bản đồ trực tuyến phổ biến nhất trên thế giới [1]. Đây là một dịch vụ ứng dụng công nghệ bản đồ trực tuyến trên web miễn phí có khả năng hỗ trợ tìm đường và chỉ đường; hiển thị bản đồ đường sá; các tuyến đường tối ưu cho từng loại phương tiện; hỗ trợ người dùng các loại phương tiện công cộng (xe bus, xe khách...); và địa điểm (kinh doanh, trường học, bệnh viện, cây ATM...). Google Maps cung cấp cung cấp API cho phép các lập trình viên sử dụng một số dữ liệu bản đồ hay là nhúng bản đồ Google Maps trên các ứng dụng của bên thứ ba. Đặc biệt Google Maps cho phép người dùng có thể sử dụng một số dữ liệu giao thông như khoảng cách, thời gian hành trình của dòng giao thông trên nền tảng bản đồ mà Google thu thập được. Đã có một số nghiên cứu trên thế giới sử dụng dữ liệu này ứng dụng để phân tích dòng giao thông theo thời gian thực. Wu [2] so sánh dữ liệu Google Maps và dữ liệu thời gian hành trình của Uber cho thấy dữ liệu thời gian của hành trình có thấp hơn dữ liệu Google Maps một mức độ nhất định, tuy nhiên nó có sự biến đổi tương đồng. Kumarage [3] sử dụng nhiều phương pháp so sánh đánh giá độ chính xác dữ liệu thời gian hành trình của dòng giao thông thông qua dữ liệu từ Google Maps với nhiều dữ liệu xác thực như từ biển số xe, hay từ các phương tiện có gắn GPS... Nghiên cứu cho thấy rằng dữ liệu thời gian hành trình từ Google Maps đảm bảo độ chính xác và tin cậy cần thiết. Dumbliauskas và các đồng nghiệp [4] nghiên cứu biến đổi thời gian hành trình của dòng giao thông thành phố Kaunas, Litva sử dụng dữ liệu Google Maps. Nghiên cứu cho thấy việc ứng dụng thời gian hành trình của các điểm đi-đến trong thành phố có nhiều ứng dụng trong bài toán tổ chức, điều hành giao thông của thành phố, đặc biệt là khả năng tiếp cận các điểm hấp dẫn để phát triển công nghiệp và kinh doanh. Bài báo này trước hết giới thiệu phương pháp thu thập dữ liệu giao thông theo thời gian thực từ nguồn Google Maps API và ứng dụng để phát hiện ùn tắc và tai nạn giao thông ở Việt Nam. Nghiên cứu cũng trình bày một nghiên cứu tình huống (Case study) ở đường vành đai 3, Hà Nội, Việt Nam với dữ liệu giao thông từ Google Maps trong 24 giờ. 2. PHƯƠNG PHÁP THU THẬP DỮ LIỆU GIAO THÔNG THÔNG QUA GOOGLE MAPS API Dữ liệu giao thông được thu thập bởi công ty Google là dạng dữ liệu đám đông. Dữ liệu này có thể được thu thập từ nhiều nguồn, nhưng cơ bản nhất là thông qua dữ liệu di động của người tham gia giao thông sử dụng điện thoại di động. Chẳng hạn khi sử dụng điện thoại điện thoại thông minh người dùng bật GPS trong khi sử dụng bản đồ Google Maps, dữ liệu khi đó sẽ tự động gửi đến máy chủ các thông tin về sự thay đổi vị trí và tốc độ của phương tiện theo thời gian thực. Bằng cách sử dụng thông tin thời gian thực do người dùng chia sẻ và kết hợp dữ liệu trong quá khứ và các dữ liệu cần thiết khác, máy chủ của Google xây dựng được hệ thống thông tin giao thông như giao thông dọc theo các tuyến đường, thời gian di chuyển ước tính giữa điểm xuất phát và điểm đến, mức độ phổ biến của các địa điểm và xác định tình trạng giao thông, v.v... Thuật toán và phương pháp dự đoán các 41
tham số lưu lượng dòng giao thông không được Google công bố. Tuy nhiên người dùng có thể tra cứu tuyến đường và thời gian hành trình di chuyển ở thời điểm thực tế và tương lai cũng như tình trạng giao thông trên đường trên Google Maps. Hơn nữa Google cung cấp các APIs là phương thức, giao thức kết nối với thư viện của Google Maps và ứng dụng khác [5]. Tính năng này cho phép người dùng là các lập trình viên có thể lấy một số dữ liệu của Googles Maps để nhúng vào các ứng dụng của bên thứ 3. Cơ chế thu thập thông tin giao thông và công bố cho người dùng được thể hiện trong Hình 1. Hình 1. Cơ chế thu thập dữ liệu giao thông từ Google Maps thông qua các APIs Hình 2. Sơ đồ cơ chế làm việc của công cụ do nghiên cứu phát triển 42
Dựa vào tính năng nói trên, nghiên cứu đã phát triển một ứng dụng bằng ngôn ngữ lập trình Python để có thể thu thập được dữ liệu giao thông từ Google Maps API. Mục đích là thu thập dữ liệu thời gian hành trình trung bình của các phương tiện giao thông giữa các cặp điểm đi và đến OD. Hình 2 thể hiện sơ đồ khối của ứng dụng do nghiên cứu phát triển. Khi phần mềm được thực thi (Hình 2), các dữ liệu đầu vào cần được nhập vào bao gồm dữ liệu về điểm đầu điểm cuối (phần mềm cho phép nhập nhiều cặp điểm OD), phương thức di chuyển (lái xe - driving, giao thông công cộng - transit, xe đạp - bycycling, đi bộ - walking), phương pháp tính thời gian hành trình, thời điểm bắt đầu, thời điểm kết thúc và tần suất lấy dữ liệu (Δt). Google MAPs API cung cấp 3 chế độ để tính thời gian hành trình [6] bao gồm: • Best_guess - Dự đoán tốt nhất (mặc định), cho kết quả thời gian hành trình tốt nhất về thời gian di chuyển dựa trên những gì đã biết về cả điều kiện giao thông lịch sử và giao thông trực tiếp. • Pessimistic - Bi quan, cho kết quả thời gian hành trình dài hơn thời gian di chuyển thực tế trong hầu hết các ngày, mặc dù không thường xuyên có điều kiện giao thông đặc biệt xấu có thể vượt quá giá trị này. • Optomistic - Lạc quan, cho kết quả thời gian hành trình ngắn hơn thời gian di chuyển thực tế trong hầu hết các ngày, mặc dù không thường xuyên có điều kiện giao thông đặc biệt tốt có thể nhanh hơn giá trị này. Sau khi nhập thông số đầu vào, khóa API được cung cấp dưới dạng tham số sẽ được nhập vào hệ thống. Các cặp điểm OD được lưu ở định dạng văn bản và được gọi ra mỗi lần đọc dữ liệu. Tiếp theo, tập lệnh sẽ gọi API cho từng cặp điểm OD một cách lặp đi lặp lại sau thời gian Δt từ đó xuất ra kết quả là thời gian hành trình của dòng giao thông cho từng cặp điểm OD. Dựa trên khoảng cách giữa hai điểm thì tốc độ hành trình cũng được tính ra. Các dữ liệu này được lưu trữ dưới dạng file *.csv hoặc cơ sở dữ liệu. Từ đó Có thể xuất ra dưới dạng biểu đồ. Dựa vào kết quả thời gian hay tốc độ hành trình ta có thể nắm bắt được tình trạng giao thông trên đường theo thời gian thực để từ đó có giải pháp giảm thiểu ùn tắc hay tai nạn giao thông. 3. NGHIÊN CỨU TÌNH HUỐNG VỚI ĐƯỜNG VÀNH ĐAI 3, HÀ NỘI, VIỆT NAM Để minh họa kết quả của nghiên cứu, trong phần này của bài báo trình bày một nghiên cứu tình huống trên đường vành đai 3, Hà Nội đoạn từ cầu vượt Mai Dịch đến Cầu Thanh Trì chiều dài 19,8km (Hình 3). Do tuyến đường dài và có nhiều đoạn đường có đặc điểm giao thông khác nhau nên nghiên cứu chia ra làm 6 đoạn như Hình 3 và Bảng 1. Thời gian khảo sát dòng giao thông được thực hiện từ 9h50 ngày 19/8/2020 đến 7h20 ngày 20/8/2020 (Thời gian đo không được tròn 24 giờ là do Google hạn chế số lượt lấy dữ liệu trong ngày với các API miễn phí). Các thông số khác được chọn như phương thức di chuyển được chọn là lái xe - driving, phương pháp tính thời gian hành trình là Best_guess, chu kỳ lấy dữ liệu Δt = 5 phút. Để dễ hình dung và so sánh giữa các đoạn, lấy quãng đường chia cho thời gian hành trình trung bình được thông số tốc độ hành trình là chỉ tiêu phân tích. Kết quả tốc độ hành trình trung bình của dòng xe trên đường vành đai 3 trong khoảng thời gian thu thập dữ liệu được thể hiện ở Hình 4. 43
Kết quả cho thấy có hai khoảng thời gian giờ cao điểm tốc độ sụt giảm đó là từ khoảng 16h đến 20h tối là thời điểm giờ tan tầm người dân đi làm về và thời điểm sau 11h đêm tốc độ lại có xu hướng sụt giảm do các phương tiện xe tải ban đêm được hoạt động và ra khỏi thành phố. Kết quả cho thấy Đoạn 1 (Từ Cầu vượt Mai Dịch đến trước lối xuống Đại lộ Thăng Long) và đoạn 5 (Từ nút giao Hoàng Liệt đến đầu cầu Thanh Trì) có tốc độ ổn định biến đổi ít do hai đoạn này dòng giao thông liên tục, không bị ngắt bởi nút giao. Đoạn có tốc độ trung bình thấp nhất là đoạn 6, từ đầu cầu đến cuối cầu Thanh Trì. Đoạn có tốc độ sụt giảm nhiều là đoạn 3, đây là đoạn trước và sau nút giao với đường Nguyễn Trãi. Đoạn 4 là đoạn có tốc độ sụt giảm kéo dài ở khung giờ cao điểm chiều. Đoạn này là đoạn có dòng giao thông liên tục không có nút giao, tuy nhiên thời điểm này do ảnh hưởng của công trường thi công lối lên xuống đoạn hồ Linh Đàm do đó có ảnh hưởng đến dòng giao thông. Điểm đặc biệt là 2h30 sáng ngày 20/8/2020 tốc độ đoạn 2 và đoạn 3 sụt giảm mạnh và nhanh (Hình 4). Hai đoạn này đều là các đoạn có lưu lượng lớn các xe nhập vào đường cao tốc từ lối lên gần đại lộ Thăng Long và lối lên gần đường Nguyễn Trãi. Tốc độ sụt giảm nhanh cho thấy khả năng thời điểm này có sự cố trên đường vành đai 3 gây ra ùn tắc giao thông. Nhìn chung qua biểu đồ ta có thể thấy sự biến đổi của dòng giao thông trong ngày. Qua biểu đồ ta cũng có thể thấy mức độ phục vụ của từng đoạn đường tốt hay xấu. Hơn nữa qua biểu đồ có thể phát hiện được các loại ùn tắc giao thông (thường xuyên hay, bất thường), đặc biệt là có thể sơ bộ nắm được sự cố giao thông trên đường để có những biện pháp xử lý kịp thời. Qua đây nghiên cứu cũng sơ bộ đề xuất một phương pháp xác định ùn tắc và sự cố giao thông. Có thể nói nếu tốc độ giao thông sụt giảm đều ở những khung giờ cao điểm là những ùn tắc thường xuyên, nếu tốc độ giao thông sụt giảm nhanh bất thường có thể coi như là có sự cố giao thông hoặc tai nạn giao thông. Hình 3. Đoạn đường nghiên cứu (Ảnh Google Map) 44
Bảng 1 - Thông tin vị trí và tọa độ điểm đầu cuối Tọa độ điểm đầu Tọa độ điểm cuối Tên điểm Đoạn long_start lat_start long_end lat_end Điểm đầu Điểm cuối Cầu vượt Mai Trước lối xuống 1 21.036633 105.780573 21.011825 105.786864 Dịch Đại lộ Thăng Long Trước lối xuống Sau lối lên Đại lộ 2 21.011825 105.786864 21.000318 105.796107 Đại lộ Thăng Thăng Long (432 Long Khuất Duy Tiến) 432 Khuất Duy 3 21.000318 105.796107 20.984277 105.808546 284 Nguyễn Xiển Tiến Nút giao Hoàng 4 20.984277 105.808546 20.965669 105.844505 284 Nguyễn Xiển Liệt Nút giao Hoàng 5 20.965669 105.844505 20.983692 105.892914 Đầu cầu Thanh Trì Liệt 6 20.983692 105.892914 21.000508 105.907957 Đầu cầu Thanh Trì Cuối cầu Thanh Trì Hình 4. Tốc độ hành trình trung bình của phương tiện trên đường vành đai 3 4. KẾT LUẬN Bài báo đã giới thiệu một phương pháp lấy dữ liệu giao thông từ Google Maps API và trình bày một nghiên cứu tình huống ở đường vành đai 3, Hà Nội. Kết quả cho thấy dữ liệu giao thông từ Google Maps thể hiện được thực tế biến đổi dòng giao thông trên đường với độ tin cậy cao. Nghiên cứu cũng sơ bộ đề xuất một phương pháp đơn giản để xác định ùn tắc và sự cố giao thông trên đường. Việc ứng dụng phương pháp này trong công tác quản lý, điều hành giao thông là rất hữu ích, tiện lợi, tiết kiệm thời gian và chi phí, không cần lắp đặt các thiết bị phần cứng hay phần mềm đặc biệt. Trong tương lai nhóm tác giả tiếp tục tiến hành nghiên cứu so sánh phương pháp xác định thời gian hành trình này với các phương pháp khác như nhận diện biển số xe hay sử dụng dữ liệu phương tiện để xác thực, đưa ra các giải pháp tăng độ chính xác của phương 45
pháp. Đặc biệt đưa ra các thông số định lượng và phát triển tính năng để công cụ có khả năng tự động cảnh báo ùn tắc hay tai nạn giao thông. TÀI LIỆU THAM KHẢO 1. Google LLC, 9 things to know about Google’s maps data: Beyond the Map, https:// cloud.google.com/, truy cập ngày 10/9/2020. 2. Wu, H. (2018). Comparing Google Maps and Uber Movement Travel Time Data. Transport Findings, Uber 2018. https://doi.org/10.32866/5115 3. Kumarage, S. (2018). Use of crowdsourced travel time data in traffic engineering applications use of crowdsourced travel time data in traffic engineering applications, Sakitha Pathmila Kumarage Thesis, Civil Engineering Department of Civil Engineering University of Moratuwa Sri Lanka, https://doi.org/10.13140/RG.2.2.16856.75521. 4. Dumbliauskas, V., Grigonis, V., & Barauskas, A. (2017). Application of Google-based Data for Travel Time Analysis: Kaunas City Case Study. PROMET - Traffic&Transportation, 29(6), 613-621. https://doi.org/10.7307/ptt.v29i6.2369 5. Google LLC, Predicting future travel times with the Google Maps APIs, https:// cloud.google.com, truy cập ngày 10/9/2020. 6. Google LLC, Google Maps Platform Documentation, https://developers.google. com/, truy cập ngày 15/1/2021 46