Tóm tắt 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:28

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật "Dự đoán và định hướng luồng giao thông trong môi trường bất định" được nghiên cứu với mục tiêu: Nghiên cứu đề xuất giải pháp để dự đoán và định hướng luồng giao thông trong môi trường bất định.

Chủ đề:

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

Lưu

Nội dung Text: Tóm tắt 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 Ngành : KHOA HỌC MÁY TÍNH Mã số : 9480101 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Đà Nẵng - 2024
Công trình được hoàn thành tại TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Người hướng dẫn khoa học: 1. TS. Trần Thế Vũ 2. TS. Ngô Văn Sỹ Phản biện 1: ………………………………………………. Phản biện 2: ………………………………………………. Phản biện 3: ………………………………………………. Luận án sẽ được bảo vệ trước Hội đồng chấm luận án cấp cơ sở tại : Trường Đại học Bách khoa Vào hồi … giờ … ngày … tháng … năm … Có thể tìm hiểu luận án tại: - Thư viện quốc gia Việt Nam. - Trung tâm Thông tin - Học liệu & Truyền thông, Đại học Đà Nẵng.
1 PHẦN MỞ ĐẦU 1. Tính cấp thiết của luận án 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. 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, đối tượng và phạm vi nghiên cứu của luận án 2.1. Mục tiêu nghiên cứu Mục tiêu chung của luận án là nghiên cứu đề xuất giải pháp để dự đoán và định hướng luồng giao thông trong môi trường bất định. 2.2. Đối tượng nghiên cứu • 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.
2 • Mô hình dự đoán để ước lượng và dự đoán luồng giao thông dựa trên dữ liệu lịch sử và thời gian thực. 2.3. Phạm vi nghiên cứu • Giao thông đường bộ tại thành phố Đà Nẵng; • Tập trung xử lý trên các loại xe như: Xe máy, xe hơi, xe đạp; • Trong môi trường giao thông bất định. 3. Các đóng góp của luận án Luận án nghiên cứu trong lĩnh vực giao thông thông minh đã đóng góp vào sự phát triển của khoa học thông qua việc áp dụng kiến thức và công nghệ vào các vấn đề thực tế. Dưới đây là một số đóng góp về mặt khoa học của luận án: Xây dựng bộ dữ liệu giao thông ở các nút camera. Đặc biệt là một vài nút giao thông có góc quay cao, từ trên xuống như camera ở Tây Cầu Rồng, Camera ở cầu vượt Ngã ba Huế, hay Camera ở Vòng xuyến hướng Điện Biên phủ, v.v. đóng góp vào việc phân tích dữ liệu giao thông dựa trên video, từ đó giúp hiểurõ hơn về cách mà luồng giao thông diễn ra trong thực tế. Các nhà nghiên cứu và quản lý giao thông có thể sử dụng dữ liệu này để đưa ra các quyết định thông minh hơn. Xây dựng kiến trúc cho Phân tích dữ liệu video IoT(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. Đề xuất mô hình nhận dạng các đối tượng tham gia giao thông từ nhiều góc quay và độ cao khác nhau của camera. Đề xuất và triển khai phương pháp ước lượng mật độ trong giao thông. Dự đoán luồng giao thông: Dự đoán luồng giao thông tại các điểm quan trọng, như giao lộ, hay khu vực tập trung xe cộ. Việc này có thể giúp tối ưu hóa quy hoạch giao thông, giảm thiểu ùn tắc và thời gian di chuyển.
3 4. Phương pháp nghiên cứu Phương pháp tài liệu và Phương pháp thực nghiệm. 5. Bố cục của luận án Ngoài phần mở đầu và phần kết luận, kiến nghị, Luận án được chia thành các chương với bố cục như sau: Chương 1. Tổng quan về dự đoán và định hướng luồng giao thông trong môi trường bất định Trong chương 1 của luận án sẽ trình bày các khái niệm cơ bản liên quan tới luồng giao thông, các nghiên cứu liên quan về nguồn dữ liệu, kiến trúc tích hợp, nhận dạng đối tượng, ước lượng mật độ và dự đoán luồng giao thông. Chương 2: Cơ sở lý thuyết và mô hình đề xuất Đầu tiên sẽ giới thiệu về hệ thống ITS bao gồm định nghĩa và các thành phần của hệ thống ITS; Ứng dụng của hệ thống ITS trong giải quyết các vấn đề giao thông. Tiếp theo sẽ trình bày về các khó khăn và thách thức trong việc tích hợp dữ liệu trong hệ thống ITS như tính đa dạng và phức tạp của các nguồn dữ liệu trong hệ thống ITS; Bên cạnh đó sẽ đưa ra các kiến trúc tích hợp dữ liệu trong hệ thống ITS, các kiến trúc mạng tích hợp dữ liệu cổ điển; Các kiến trúc mạng tích hợp dữ liệu mới và tiên tiến. Song song đó, trong chương này cũng trình bày về nền tảng trong nhận dạng đối tượng, phân tích các thách thức trong quá trình nhận dạng. Việc ước lượng mật độ và dự đoán luồng giao thông cũng được tìm hiểu và trình bày một cách chi tiết và cụ thể Chương 3: Kết quả thực nghiệm Trong chương 3 của luận án sẽ trình bày về kết quả xây dựng kiến trúc tích hợp để thực hiện các ứng dụng nhận dạng đối tượng tham gia giao thông, đặc biệt là nhận dạng các đối tượng có kích thước rất nhỏ. Nội dung tập trung vào trình bày hai công trình đã công bố về phương pháp trừ nền ngưỡng động và sử dụng học sâu để nhận dạng đối tượng. Bên cạnh đó, chương này cũng trình bày về kết quả Ước lượng mật độ giao thông. Việc xác định làn đường, tham chiếu kích
4 thước phương tiện và tính mật độ là những điểm trong tâm của chương này. Ngoài ra chương 3 còn trình bày kết quả dự đoán luồng giao thông. Dự đoán này có thể giúp cho việc quản lý giao thông trở nên hiệu quả hơn, giảm thiểu ùn tắc, giảm thời gian di chuyển và giảm tác động đến môi trường. Tuy nhiên, việc dự đoán luồng giao thông là một thách thức lớn do sự phức tạp của hệ thống giao thông và sự biến đổi của các yếu tố ảnh hưởng. CHƯƠNG 1- TỔNG QUAN VỀ DỰ ĐOÁN VÀ ĐỊNH HƯỚNG LUỒNG GIAO THÔNG TRONG MÔI TRƯỜNG BẤT ĐỊNH 1.1. Giao thông thông minh Giao thông thông minh đánh dấu một bước tiến quan trọng trong ngành kỹ thuật và quản lý giao thông, nhờ vào việc ứng dụng công nghệ tiên tiến nhằm nâng cao hiệu quả, an toàn và tính bền vững của hệ thống giao thông hiện đại. 1.2. Luồng giao thông Luồng giao thông là việc di chuyển các phương tiện giao thông hoặc người từ một điểm đến điểm khác trong mạng lưới giao thông. 1.3. Định hướng luồng giao thông Định hướng luồng giao thông là quá trình điều hướng và quản lý giao thông trên các tuyến đường, tại các ngã tư, và trong các hệ thống giao thông khác nhau để đảm bảo hiệu quả và an toàn trong việc di chuyển của phương tiện và người dân. 1.4. Tính bất định trong giao thông Tính bất định trong giao thông ở Việt Nam có thể được gây ra bởi một số các yếu tố đặc biệt, bao gồm: Tắc nghẽn và ùn tắc giao thông, phương tiện giao thông đa dạng.
5 1.5. Bài toàn về dự đoán luồng giao thông Phần này trình bày tổng quát hóa các mô hình toán học để dự đoán luồng giao thông đường bộ. Tham số về thời gian Gọi δ(t) là một khoảng thời gian giữa một điểm bắt đầu đến điểm kế tiếp (δ(t) = t1 − t0) trong dữ liệu lịch sử và dự đoán. Đặc trưng đầu vào Đặc trưng đầu vào là các biến độc lập riêng lẻ đóng vai trò là đầu vào trong mô hình dự đoán lưu lượng giao thông đường bộ. Nhiều tính năng đầu vào (p) đã được sử dụng trong các mô hình dự đoán để cải thiện độ chính xác dự đoán. Bao gồm tốc độ, mật độ, trạng thái, số phương tiện, luồng giao thông, thời tiết, quãng đường .v.v. Một số đặc trưng đầu vào được sử dụng phổ biến nhất là tốc độ, lưu lượng và mật độ giao thông 1.6. Nghiên cứu liên quan Nghiên cứu liên quan về nền tảng tích hợp dữ liệu video Nghiên cứu liên quan về môi trường bất định trong giao thông Nghiên cứu liên quan về nhận dạng đối tượng Nghiên cứu liên quan về ước lượng mật độ giao thông Nghiên cứu liên quan về dự đoán luồng giao thông
6 1.7. Kết chương Chương 1 của luận án trình bày một số khái niệm liên quan đến công thức toán học áp dụng trong luận án cho các chương tiếp theo. Đặc biệt trong chương này đã làm rõ những khái niệm như luồng giao thông và tính bất định trong giao thông. Ngoài ra, trong chương này còn trình bày các nghiên cứu liên quan về nguồn dữ liệu, mô hình tích hợp dữ liệu, các nghiên cứu liên quan nhận dạng đối tượng, đặc biệt là về nhận dạng đối tượng nhỏ. Bên cạnh đó, trong chương còn đề cập đến các nghiên cứu liên quan về ước lượng mật độ giao thông và dự đoán luông giao thông. Đây là những kiến thức nền tảng dùng để phục vụ nghiên cứu cho các nội dung tiếp theo trong luận án. CHƯƠNG 2- CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH ĐỀ XUẤT 2.1. Mô hình đề xuất hệ thống HAIVAN-CVA Luận án đề xuất mô hình 2.1 gồm 2 giai đoạn như sau: Giai đoạn đầu tiên xây dựng kiến trúc tích hợp. Giai đoạn tiếp theo sẽ tiến hành thực hiện nhận dạng đối tượng, từ kết quả nhận dạng đối tượng sẽ tiến hành ước lượng mật độ và sau cùng sẽ dự đoán về luồng giao thông. Hình 2.1: Mô hình đề xuất chung cho toàn hệ thống HAIVAN-CVA
7 2.2. Kiến trúc tích hợp dữ liệu 2.2.1. Giới thiệu 2.2.2. Mô hình đề xuất kiến trúc tích hợp dữ liệu Như Hình 2.2 đã thể hiện, trong phần này NCS xây dựng một nền tảng công nghệ có thể thu nhận tính hiệu từ các dữ liệu camera bằng các giao diện ứng dụng lập trình như NodeJS, dữ liệu sẽ thông qua một lớp dịch vụ ngầm được xây dựng để mã hóa tất cả các loại dữ liệu về cùng một chuẩn. Hình 2.2: Kiến trúc hệ thống 2.2.3. Mô hình hệ thống tích hợp dữ liệu tổng quát 2.3. Nhận dạng đối tượng 2.3.1. Giới thiệu 2.3.2. Thách thức trong nhận dạng đối tượng Việc nhận dạng phương tiện giao thông qua camera có thể gặp phải nhiều thách thức, đặc biệt khi liên quan đến camera có góc quay cao và góc camera khác nhau. Khi camera được đặt ở vị trí cao, ví dụ như trên các cột đèn hoặc tòa nhà, góc nhìn từ trên xuống có thể làm biến dạng hình ảnh của phương tiện, khiến cho việc nhận dạng và phân
8 loại trở nên khó khăn. Hình ảnh xe cộ có thể bị co giãn hoặc méo mó, làm cho các đặc điểm đặc trưng khó được xác định chính xác. Thêm vào đó, góc quan sát của camera khác nhau cũng tạo ra thách thức riêng biệt. 2.3.3. Mô hình toán học trong nhận dạng đối tượng Để xây dựng một mô hình toán học cho quy trình nhận dạng phương tiện giao thông từ hình ảnh camera, ta cần xác định biến đầu vào, quy trình xử lý, và biến đầu ra. Cụ thể như sau: N=C(F(I)) - I: Tập hợp các hình ảnh I = {i1, i2, ..., im}, nơi ik là hình ảnh thứ k thu được từ camera. - F : Hàm xử lý hình ảnh, có thể sử dụng các kỹ thuật xử lý hình ảnh và học máy để phát hiện và phân loại xe. - C: Hàm phân loại, nhận diện và phân biệt giữa xe máy và xe hơi từ các đặc trưng được trích xuất bởi F . - N : Số lượng xe, được xác định bởi N = (nmoto, ncar), nơi nmoto là số lượng xe máy và ncar là số lượng xe hơi được phân loại. 2.3.4. Nhận dạng đối tượng kết hợp phương pháp trừ nền và YOLO Mô hình HAIVAN-BSYOLO (hình 2.10) cho việc nhận dạng đối tượng xe tham gia giao thông được thực hiện theo các bước sau: Bước 1: Tiền xử lý Video - Thu thập video: Sử dụng video từ camera giao thông. -Tách khung hình: Phân tách video thành các khung hình riêng lẻ để xử lý. Mỗi khung hình sẽ được xem xét như một ảnh tĩnh. Bước 2: Áp dụng phương pháp Trừ nền - Khởi tạo và cập nhật mô hình nền: Dựa trên các khung hình đầu tiên để tạo môhình nền, sau đó liên tục cập nhật mô hình này qua từng khung hình để phản ánh sự thay đổi trong môi trường. - Xác định đối tượng động: Phát hiện sự khác biệt giữa khung hình hiện tại và mô hình nền để xác định vùng chứa đối tượng động.
9 Bước 3: Lọc và chuẩn bị dữ liệu - Lọc nhiễu: Áp dụng các kỹ thuật lọc nhiễu như erosion và dilation để loại bỏ các điểm nhiễu nhỏ, không ổn định. - Phân đoạn đối tượng: Sử dụng các thuật toán phân đoạn để tách rõ ràng đối tượng từ nền, tạo ra một mask cho mỗi đối tượng. - Chuẩn bị dữ liệu cho YOLO: Cắt các vùng chứa đối tượng từ khung hình dựa trên mask đã phân segment, chuẩn bị làm đầu vào cho YOLO. Bước 4: Nhận dạng đối tượng với YOLO 2.3.5. Nhận dạng đối tượng bằng phương pháp trừ nền ngưỡng động Để thực nghiệm mô hình kiến trúc tích hợp dữ liệu đã đề xuất ở chương trước, NCS đã sử dụng dữ liệu đầu vào của hệ thống gồm các video thu được từ camera đặt ở góc đường trong nội thành Đà Nẵng. Sau khi có được dữ liệu này, hệ thống sẽ tiến hành xử lý để tách ra từng khung hình trên mỗi video. 2.3.6. Nhận dạng đối tượng bằng phương pháp học sâu Mạng nơ-ron trong học sâu được thiết kế với nhiều lớp liên kết với nhau, mỗi lớp chứa nhiều nơ-ron được liên kết với nhau thông qua các trọng số, đầu vào của mỗi nơ-ron được xử lý và truyền đến các nơ-ron trong lớp tiếp theo để tạo ra đầu ra. Các lớp trong mạng nơ-ron sẽ tự động học các đặc trưng từ dữ liệu thông qua việc điều chỉnh các trọng số và các siêu tham số trong quá trình huấn luyện. 2.3.7. Nhận dạng đối tượng nhỏ theo mô hình SSD Cho một ảnh đầu vào kích thước w × h, ta sử dụng một mạng CNN để trích xuất các đặc trưng của ảnh. Sau đó, ta áp dụng một loạt các lớp tích chập để tạo ra các feature map với các kích thước khác nhau. Với mỗi điểm ảnh trên các feature map, ta áp dụng một số hộp giới hạn có kích thước và tỉ lệ khác nhau để phát hiện các đối tượng. Cụ thể, với mỗi điểm ảnh (i, j) trên feature map thứ k, ta dự đoán n hộp giới hạn, trong đó n là số lượng các hộp giới hạn ứng với mỗi điểm ảnh
10 2.3.8. Nhận dạng đối tượng nhỏ dựa trên mô hình YOLO Một điểm nổi bật của YOLO là khả năng nhận dạng đối tượng với kích thước nhỏ. Trong quá trình huấn luyện, mô hình được cung cấp nhiều hơn 1 triệu ảnh đào tạo từ nhiều nguồn khác nhau, bao gồm cả dữ liệu đối tượng phương tiện giao thông. 2.3.9. Nhận dạng đối tượng nhỏ dựa vào kết hợp Transformer và YOLO Cụ thể, kiến trúc Transformer có thể được sử dụng để tạo ra một feature map cụ thể cho từng vị trí trên hình ảnh đầu vào. Feature map này sẽ chứa thông tin chi tiết về các đối tượng nhỏ hoặc chi tiết hơn. Sau đó, mô hình đề xuất có thể sử dụng feature map này để phát hiện đối tượng nhỏ hơn. Mô hình có khả năng phát hiện được các đối tượng nhỏ hơn và chi tiết hơn. 2.4. Ước lượng mật độ giao thông 2.4.1. Giới thiệu 2.4.2. Thách thức trong ước lượng mật độ Trong ước lượng mật độ giao thông, việc sử dụng phương pháp hạt nhân (kernel) là một cách phổ biến để ước lượng mật độ phương tiện trên đường. Đây là một phần của quá trình phân tích giao thông, giúp dự đoán và quản lý lưu lượng. Độ rộng của hạt nhân (còn được gọi là băng thông hạt nhân) quyết định kích thước của ”cửa sổ” mà qua đó dữ liệu được xem xét để ước lượng mật độ. Thách thức đặt ra khi dữ liệu giao thông không phải là một phân phối đồng nhất, việc ước lượng mật độ trở nên phức tạp hơn. Các phương pháp tiêu chuẩn có thể không hiệu quả do chúng thường giả định rằng dữ liệu có tính chất đồng nhất. Việc áp dụng một băng thông cố định trong trường hợp này có thể không phản ánh chính xác các khác biệt cục bộ trong dữ liệu, như sự khác biệt về mật độ giao thông giữa giờ cao điểm và giờ ít xe
11 2.4.3. Mô hình toán học Đặt X là vector đặc trưng đầu vào có chứa N và A, và p là biến phân loại đầu ra có thể nhận một trong ba giá trị tắc nghẽn, trung bình, thông thoáng. Ta có: Trong đó: - P (Y = j) là xác suất của trạng thái giao thông thuộc lớp j, - β0j , β1j , β2j là các tham số mô hình cần được ước lượng cho lớp j, - k là lớp tham chiếu (Trong mô hình đa lớp thì k là lớp cuối cùng), - j là một trong các lớp tắc nghẽn, trung bình với lớp thông thoáng làm lớp tham chiếu. 2.4.4. Mô hình đề xuất Dữ liệu đầu vào sẽ là các khung hình được tách ra từ video, các đối tượng được trích xuất ra và được nhận dạng, tiếp theo tùy vào từng loại đối tượng, NCS sẽ đối sánh đối tượng đó với bảng tham chiếu để tính ra kích thước của đối tượng, song song đó, diện tích mặt đường cũng được xác định. Từ đó, NCS sẽ ước lượng mật độ một cách chính xác. Hình 2.16: Mô hình đề xuất ước lượng mật độ
12 2.4.5. Xây dựng dữ liệu Dữ liệu NCS thu được là những đoạn video về giao thông. Các video được phân tích để tìm các yếu tố bất định như các yếu tố về tuân thủ làn đường khi tham gia giao thông, các phương tiện rất nhỏ trong khung hình. Nghiên cứu chính của chương này là ước lượng mật độ giao thông qua các frame ảnh đó. Ảnh thu nhận đầu vào sẽ được xử lý qua các công đoạn sau: xác định làn đường, tính diện tích làn đường. Bên cạnh đó sẽ sử dụng yolo để phát hiện các phương tiện và tính tổng diện tích của các phương tiện. Tính tỷ lệ và đưa ra kết luận. 2.4.6. Xác định làn đường Giả sử ta có một ảnh với tọa độ pixel (x, y), ta có thể tính toán tọa độ thực tế của điểm đó trên mặt đất bằng cách sử dụng các thông số về camera như độ dài tiêu cự, góc nhìn của camera, độ cao của camera so với mặt đất và tọa độ của camera. Với mỗi pixel ở tọa độ (x, y), ta có thể tính toán tọa độ thực tế trên mặt đất (X, Y, Z) như sau: Sau khi tính được tọa độ thực tế (X, Y, Z), ta có thể sử dụng chúng để xác định vị trí của điểm trên mặt đất và từ đó tính toán được tọa độ của làn đường dựa trên thông tin về chiều rộng của làn đường và khoảng cách giữa camera và đường.
13 2.4.7. Xác định diện tích tổng quát Giả sử chiều dài và chiều rộng của mặt đường là l và w, ta có thể tính diện tích mặt đường bằng công thức: 2.4.8. Công thức tính mật độ giao thông Công thức toán học ước lượng mật độ giao thông thường sử dụng phương pháp tính tỷ lệ giữa số lượng phương tiện giao thông và diện tích mặt đường. Cụ thể, công thức được thể hiện như sau: 2.4.9. Kích thước phương tiện tham gia giao thông Nhìn chung, ở Việt Nam có rất nhiều loại xe tham gia giao thông trên đường phố. Riêng ở Đà nẵng có một số loại xe lưu thông như: Xe xích lô dùng để chở khách đi tham quan khu vực trung tâm như dọc sông Hàn, cầu Rồng, chợ Hàn... xe buýt, xe chở rác, xe hơi 5 chỗ và 7 chỗ ngồi, xe từ 40 đến 80 chỗ ngồi. 2.4.10. Tính tổng diện tích phương tiện Tổng diện tích xe được xác định (TL) trên đường và diện tích mặt đường (DT) sẽ được tính toán để biết được mức độ lưu thông trên cả con đường. Công thức tính TL như sau: 𝑛 𝑇𝐿 = ∑(𝑋 𝑖 ∗ 𝑆𝐿 𝑖 ) 𝑖
14 2.5. Dự đoán luồng giao thông 2.5.1. Giới thiệu 2.5.2. Thách thức trong dự đoán luồng giao thông Việc dự đoán luồng giao thông là một vấn đề quan trọng trong lĩnh vực giao thông. Dự đoán này có thể giúp cho việc quản lý giao thông trở nên hiệu quả hơn, giảm thiểu ùn tắc, giảm thời gian di chuyển và giảm tác động đến môi trường. Tuy nhiên, việc dự đoán luồng giao thông là một thách thức lớn do sự phức tạp của hệ thống giao thông và sự biến đổi của các yếu tố ảnh hưởng. 2.5.3. Mô hình toán học Trong đó: v là tốc độ di chuyển của phương tiện, phụ thuộc vào mật độ phương tiện, và x đại diện cho vị trí dọc theo tuyến đường. Sự biến thiên của ρ theo thời gian t và không gian x được mô tả thông qua phương trình này, phản ánh tính chất động của luồng giao thông. 2.5.4. Mô hình đề xuất
15 Hình 2.21: Mô hình đề xuất kết hợp phương pháp ARIMA và LSTM (HAIVAN-ALSTM) Kết quả của mô hình kết hợp (HAIVAN_ALSTM) được tính toán dựa theo công thức 3.23. 2.6. Kết chương Nghiên cứu phương pháp thu thập và phân tích thông tin giao thông từ nhiều nguồn khác nhau là một lĩnh vực đa dạng và đòi hỏi sự tích hợp các công nghệ và phương pháp khác nhau. Quy trình gồm các bước sau: Thu thập dữ liệu giao thông: Thu thập dữ liệu từ các nguồn khác nhau như camera giám sát giao thông. Tiền xử lý dữ liệu: Dữ liệu giao thông thu thập được cần được tiền xử lý để loại bỏ nhiễu, chuẩn hóa định dạng, chuyển đổi đơn vị, và phát hiện và xử lý dữ liệu bất thường. Phân tích dữ liệu: Các phương pháp phân tích dữ liệu giao thông, bao gồm các kỹ thuật thống kê, học máy, mạng lưới, dữ liệu lớn, v.v. được sử dụng để phân tích và rút trích thông tin hữu ích từ dữ liệu giao thông thu thập được. Tích hợp dữ liệu: Dữ liệu giao thông từ nhiều nguồn khác nhau cần được tích hợp lại để đạt được một cái nhìn toàn cầu và toàn diện về hoạt động giao thông. Công nghệ tích hợp dữ liệu, bao gồm tích hợp dữ liệu địa lý, tích hợp dữ liệu thời gian thực, tích hợp dữ liệu đa nguồn, v.v. được sử dụng để tích hợp dữ liệu giao thông từ các nguồn khác nhau. CHƯƠNG 3-KẾT QUẢ THỰC NGHIỆM 3.1. Kết quả thực nghiệm kiến trúc tích hợp dữ liệu 3.1.1. Cấu hình phần cứng 3.1.2. Truy vấn dữ liệu từ camera giám sát
16 Hình 3.3: Địa chỉ camera từ nhà cung cấp Hiện thị tất cả các khung hình ở các điểm camera thông qua địa chỉ: url/camera/:camera/list/all Ví dụ: Muốn xem camera tại điểm 2co2...NG33, thì địa chỉ truy vấn sẽ có dạng: url/camera/2co2...NG33/list/all Xem khung hình mới nhất bằng cách truy cập địa chỉ: url/camera/:camera/list/now Ví dụ: Muốn xem camera tại điểm 2co2...NG33 thì địa chỉ có dạng sau: url/camera/2co2...NG33/list/now Tải các video về máy từ dịch vụ đám mây theo địa chỉ: url/camera/: cameraName/. Yêu cầu sẽ được thực hiện và cho phép tải về. Những video được trích xuất vẫn được lưu trữ tạm thời và sẽ tự xóa sau 3 ngày kể từ khi nhận được yêu cầu tải dữ liệu. 3.1.3. Lưu trữ dữ liệu trên máy chủ đám mây 3.1.4. Ứng dụng sử dụng nguồn camera thực tế 3.2. Kết quả thực nghiệm nhận dạng đối tượng 3.2.1. Kết quả thực nghiệm bằng phương pháp học sâu Phương pháp học sâu đã được chứng minh là rất hiệu quả trong việc giải quyết các bài toán liên quan đến thị giác máy tính, bao gồm cả việc nhận dạng đối tượng xe trên đường. Dữ liệu được lưu trữ thời gian thực trên máy chủ đám mây chẳng hạn như trên máy chủ điện toán đám mây Flickr.
17 Hình 3.14. Kết quả nhận dạng xe 3.2.2. Kết quả thực nghiệm bằng phương pháp trừ nền ngưỡng động Phương pháp này bao gồm các thành phần được mô tả như một máy trạng thái. Là một thành phần trung tâm, khối quyết định sẽ quyết định một điểm ảnh là tiền cảnh hay không dựa trên hình ảnh hiện tại và hình nền B(xi). Quyết định này dựa vào ngưỡng R(xi) của mỗi điểm ảnh. Hơn nữa, hình nền đã được cập nhật theo thời gian để cho phép thay đổi nền dần dần.
18 Hình 3.18: Kết quả nhận dạng bằng phương pháp trừ nền 3.2.3. Kết quả thực nghiệm phương pháp SSD nhận dạng phương tiện giao thông nhỏ 3.2.4. Kết quả thực nghiệm phương pháp YOLO nhận dạng phương tiện giao thông nhỏ 3.2.5. Kết quả Transformer và YOLO 3.2.6. Kết quả thực nghiệm phương pháp trừ nền kết hợp với YOLO Giai đoạn 1: Phương pháp trừ nền làm nổi bật các đối tượng chuyển động trong ảnh bằng cách loại bỏ nền tĩnh. Giai đoạn 2: Áp dụng mô hình YOLO để xác định loại phương tiện và vị trí của nó trong ảnh.