Ứng dụng AI trong phân tích và giải quyết ùn tắc giao thông đô thị

Ứng dụng AI trong giao thông đô thị đang mở ra hướng tiếp cận mới nhằm nhận diện và giảm thiểu tình trạng ùn tắc. Tại Hà Nội, ùn tắc giao thông được dự báo gây thiệt hại khoảng 1,2 tỷ USD mỗi năm cho nền kinh tế, đồng thời làm gia tăng ô nhiễm không khí, ảnh hưởng đến năng suất lao động và chất lượng cuộc sống. Tuy nhiên, bên cạnh dự báo khu vực có nguy cơ ùn tắc, cơ quan quản lý cần xác định những nguyên nhân và yếu tố tác động để lựa chọn giải pháp can thiệp phù hợp.

TS. Phạm Việt Hùng cùng nhóm nghiên cứu tại Trường Đại học RMIT Việt Nam đã tiếp cận vấn đề này bằng cách kết hợp dữ liệu giao thông từ thiết bị di động của người tham gia giao thông với các phương pháp học máy và trí tuệ nhân tạo có khả năng giải thích (Explainable Artificial Intelligence - XAI).

Điểm đáng chú ý của phương pháp là AI không chỉ đưa ra kết quả dự báo mà còn hỗ trợ xác định những biến số đóng góp vào kết quả đó. Nhờ vậy, quá trình phân tích chuyển từ việc dự báo tình trạng giao thông sang tìm hiểu các yếu tố đứng sau dự báo, giúp kết quả có thêm giá trị đối với công tác quản lý và ra quyết định.

AI và XAI giúp nhận diện yếu tố gây ùn tắc giao thông

Nhóm nghiên cứu sử dụng mô hình AI để phân tích các quy luật giao thông, xác định những yếu tố đóng góp vào kết quả dự báo. Các biến số được xem xét bao gồm địa điểm, thời gian trong ngày, ngày trong tuần và những đặc điểm riêng của từng khu vực.

Hàng triệu người tham gia giao thông tạo ra dữ liệu giá trị hằng ngày (Nguồn: Unsplash).

Kết quả cho thấy, địa điểm là một trong những yếu tố có ảnh hưởng đáng kể đến tình trạng ùn tắc. Một số tuyến đường và khu vực có tác động lớn đến diễn biến giao thông hơn những đặc điểm chung của loại đường. Khi loại bỏ thông tin về vị trí khỏi mô hình, khả năng dự báo giảm đáng kể.

Phát hiện này cho thấy ùn tắc không phải lúc nào cũng có thể lý giải đơn giản bằng quy luật giờ cao điểm. Một số điểm nghẽn có thể xuất hiện ngay cả trong những khoảng thời gian có ít phương tiện hơn, liên quan đến hoạt động đặc thù hoặc điều kiện riêng của từng địa điểm.

Với các mô hình dự báo thông thường, những mối quan hệ này có thể khó được nhận diện đầy đủ. Trong khi đó, XAI bổ sung thông tin về mức độ đóng góp của các biến số vào kết quả dự báo, giúp nhà nghiên cứu hiểu rõ hơn cách mô hình đưa ra kết quả.

Theo TS. Phạm Việt Hùng, điểm khác biệt của hướng nghiên cứu là không dừng lại ở câu hỏi “ở đâu và khi nào xảy ra ùn tắc”, mà tiếp tục tìm hiểu “vì sao tình trạng đó xuất hiện”.

Cách tiếp cận này có ý nghĩa đối với công tác quy hoạch và điều hành giao thông. Khi xác định được những yếu tố có liên quan đến sự hình thành điểm nghẽn, cơ quan quản lý có thêm căn cứ để đánh giá tình hình, lựa chọn khu vực ưu tiên và xem xét các giải pháp can thiệp phù hợp.

Một vấn đề quan trọng khác là nguồn dữ liệu phục vụ phân tích. Các đô thị có thể sử dụng hệ thống cảm biến và camera để giám sát giao thông, nhưng việc xây dựng mạng lưới cảm biến trên diện rộng đòi hỏi nguồn lực đáng kể.

Trong khi đó, hàng triệu người tham gia giao thông sử dụng thiết bị di động trong quá trình di chuyển. Nếu được thu thập và xử lý phù hợp, dữ liệu từ những thiết bị này có thể cung cấp thông tin về hành vi và đặc điểm di chuyển trong đô thị.

Nghiên cứu cho thấy dữ liệu từ người tham gia giao thông có thể kết hợp với AI để xây dựng bức tranh chi tiết hơn về tình trạng giao thông. Giá trị của phương pháp không chỉ nằm ở khả năng xác định khu vực ùn tắc, mà còn ở việc tìm kiếm những yếu tố liên quan đến sự hình thành điểm nghẽn.

Tại TP. Hồ Chí Minh, nơi có quy mô dân số và lượng phương tiện lớn, dữ liệu từ thiết bị di động có thể bổ sung thông tin cho quá trình phân tích giao thông trên phạm vi rộng hơn so với việc chỉ theo dõi một số điểm thông qua cảm biến cố định.

Tuy nhiên, dữ liệu chỉ thực sự phát huy giá trị khi được chuyển hóa thành thông tin có thể giải thích và sử dụng. Đây là vai trò quan trọng của việc kết hợp AI với XAI trong nghiên cứu giao thông đô thị.

Từ kết quả phân tích AI đến quyết định quy hoạch đô thị

Khả năng nhận diện các yếu tố liên quan đến ùn tắc có thể mang lại lợi ích cho nhiều lĩnh vực. Đối với doanh nghiệp logistics và giao hàng, thông tin về những khu vực thường xuyên phát sinh điểm nghẽn có thể hỗ trợ lựa chọn tuyến đường và tổ chức hoạt động vận chuyển.

Đối với công tác quy hoạch đô thị, việc xác định các điểm ùn tắc có tính lặp lại giúp cơ quan quản lý có thêm cơ sở đánh giá phương án can thiệp. Thay vì phân bổ nguồn lực đồng đều trên phạm vi rộng, dữ liệu có thể hỗ trợ tập trung vào những khu vực có vấn đề rõ rệt.

Điều quan trọng là AI không thay thế vai trò quyết định của nhà quản lý. Công nghệ cung cấp thêm thông tin và bằng chứng để con người đánh giá, kiểm chứng và lựa chọn phương án phù hợp với điều kiện thực tế.

Theo hướng tiếp cận này, giải quyết ùn tắc giao thông không nhất thiết chỉ dựa vào mở rộng hạ tầng. Dữ liệu giao thông kết hợp AI có thể giúp đô thị xác định chính xác hơn khu vực cần can thiệp, thời điểm cần ưu tiên và những yếu tố cần xem xét trước khi đưa ra quyết định.

Camera AI sẽ được lắp đặt dày đặc, giúp điều tiết giao thông, phát hiện lỗi vi phạm (Ảnh - Internet).

Đây cũng là giá trị của XAI đối với các quyết định liên quan đến quy hoạch và đầu tư. Một mô hình chỉ đưa ra kết quả dự báo có thể chưa đủ để làm căn cứ cho những quyết định quan trọng. Khi mô hình đồng thời cung cấp thông tin về các yếu tố đóng góp vào kết quả, khả năng đánh giá và kiểm chứng của con người được tăng cường.

Trong thời gian tới, nhóm nghiên cứu dự kiến mở rộng khung phân tích bằng cách bổ sung dữ liệu về điều kiện thời tiết, sự cố giao thông và các sự kiện công cộng. Những nguồn thông tin này có thể giúp mô hình phản ánh đầy đủ hơn các biến động giao thông trong thực tế.

Việc thử nghiệm phương pháp tại những thành phố khác cũng được đặt ra nhằm đánh giá khả năng áp dụng trong các môi trường đô thị có đặc điểm khác nhau. Đây là bước cần thiết để xác định mức độ khái quát của mô hình, đồng thời phân biệt những yếu tố có tính phổ quát với các yếu tố phụ thuộc vào đặc điểm từng đô thị.

Động lực của nghiên cứu, theo TS. Phạm Việt Hùng, xuất phát từ mong muốn chuyển dữ liệu được tạo ra trong quá trình di chuyển hằng ngày thành thông tin có giá trị đối với cơ quan quản lý, doanh nghiệp và cộng đồng.

Trong bối cảnh đô thị hóa và chuyển đổi số diễn ra nhanh tại Việt Nam, thách thức không chỉ là thu thập ngày càng nhiều dữ liệu giao thông, mà còn là chuyển dữ liệu thành tri thức có thể giải thích, kiểm chứng và ứng dụng trong thực tế.

Sự kết hợp giữa AI và XAI mở ra hướng tiếp cận mới đối với bài toán ùn tắc giao thông: không chỉ dự báo khi nào, ở đâu giao thông gặp vấn đề, mà còn từng bước làm rõ những yếu tố liên quan đến sự hình thành điểm nghẽn. Đây có thể là cơ sở để các đô thị tăng cường sử dụng dữ liệu và bằng chứng khoa học trong điều hành giao thông, quy hoạch và phân bổ nguồn lực.