Ứng dụng AI trong giải quyết bài toán ùn tắc giao thông đô thị

Từ dự báo đến lý giải ùn tắc

Với hàng triệu người sinh sống tại các đô thị lớn, ùn tắc giao thông không chỉ làm gia tăng thời gian di chuyển mà còn ảnh hưởng đến năng suất lao động và chất lượng cuộc sống. Tại Hà Nội, ùn tắc giao thông được dự báo gây thiệt hại khoảng 1,2 tỷ USD mỗi năm cho nền kinh tế [1]. Bên cạnh chi phí kinh tế, giao thông ùn tắc còn góp phần làm gia tăng ô nhiễm không khí tại các đô thị.

Trí tuệ nhân tạo (AI) đang được sử dụng để dự báo tình trạng giao thông, giúp xác định những khu vực có khả năng xảy ra ùn tắc. Tuy nhiên, dự báo chỉ trả lời một phần câu hỏi. Để lựa chọn giải pháp can thiệp phù hợp, các nhà quản lý cần biết vì sao ùn tắc xảy ra, yếu tố nào có ảnh hưởng lớn và trong điều kiện nào ùn tắc có thể hình thành.

TS. Phạm Việt Hùng và nhóm nghiên cứu, Trường Đại học (ĐH) RMIT Việt Nam đã tập trung vào vấn đề này thông qua việc 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 (AI) có khả năng giải thích (Explainable Artificial Intelligence - XAI) [2].

Theo hướng tiếp cận này, AI không chỉ đưa ra dự báo mà còn hỗ trợ xác định những biến số có ảnh hưởng đến kết quả dự báo. Đây là bước chuyển từ mô hình “dự báo” sang mô hình “dự báo và lý giải”, giúp kết quả phân tích có thêm giá trị đối với quá trình ra quyết định.

Địa điểm có thể quan trọng hơn giờ cao điểm

Nhóm nghiên cứu sử dụng một mô hình AI để phân tích các quy luật giao thông nhằm 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 yếu tố đặc thù liên quan đến từng khu vực.

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 tình trạng giao thông hơn các 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 giải thích đơn giản bằng quy luật giờ cao điểm. Một số điểm nghẽn xuất hiện vào những khoảng thời gian ít phương tiện hơn, có thể liên quan đến hoạt động đặc thù tại khu vực hoặc những điều kiện riêng của từng địa điểm.

Nếu chỉ sử dụng mô hình dự báo thông thường, những mối quan hệ này có thể khó được nhận diện. XAI cung cấp thêm một lớp thông tin bằng cách cho biết biến số nào đóng góp vào kết quả của mô hình, từ đó giúp các nhà nghiên cứu hiểu rõ hơn về cơ chế hình thành dự báo.

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

Dữ liệu từ người tham gia giao thông

Một vấn đề khác được đặt ra là nguồn dữ liệu phục vụ phân tích. Các thành phố có thể triển khai hệ thống cảm biến và camera để thu thập dữ liệu giao thông, nhưng việc xây dựng mạng lưới cảm biến quy mô lớn đòi hỏi nguồn lực đáng kể.

Trong khi đó, hàng triệu người tham gia giao thông đã mang theo thiết bị di động trong quá trình di chuyển. Dữ liệu từ các thiết bị này, khi được thu thập và xử lý phù hợp, 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 được kết hợp với AI để tạo ra bức tranh chi tiết hơn về tình trạng giao thông. Giá trị của cách tiếp cận này không chỉ nằm ở khả năng xác định khu vực ùn tắc, mà còn ở việc tìm kiếm các yếu tố có liên quan đến sự hình thành điểm nghẽn.

Tại TP. Hồ Chí Minh, với quy mô dân số và lượng phương tiện lớn, nguồn dữ liệu từ người tham gia giao thông có thể cung cấp thêm một lớp thông tin cho quá trình phân tích giao thông đô thị. Thay vì chỉ quan sát một số điểm thông qua cảm biến cố định, dữ liệu từ thiết bị di động có khả năng phản ánh hoạt động di chuyển trên phạm vi rộng hơn.

Tuy nhiên, dữ liệu chỉ trở nên hữu ích khi được chuyển hóa thành thông tin có thể giải thích và sử dụng. Đây chính là vai trò của các mô hình AI kết hợp XAI trong nghiên cứu.

Từ kết quả AI đến quyết định quy hoạch

Khả năng xác định nguyên nhân và yếu tố liên quan đến ùn tắc có thể mang lại giá trị cho nhiều nhóm đối tượng. Đối với các đơn vị 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 chính xác các điểm ùn tắc có tính lặp lại giúp cơ quan quản lý có thêm cơ sở để 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.

Điểm quan trọng là AI không thay thế quyết định của nhà quản lý. Giá trị của công nghệ nằm ở khả năng cung cấp thêm bằng chứng để con người đánh giá và lựa chọn phương án phù hợp.

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

Đây cũng là một trong những ý nghĩa của XAI. Một mô hình chỉ đưa ra kết quả dự báo có thể khó được sử dụng trong những quyết định liên quan trực tiếp đến quy hoạch và đầu tư. Khi mô hình đồng thời cung cấp thông tin về các yếu tố góp phần tạo ra kết quả, khả năng đánh giá và kiểm chứng của con người được tăng cường.

Mở rộng mô hình với các yếu tố môi trường

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

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

Với TS. Phạm Việt Hùng, động lực của nghiên cứu xuất phát từ việc tìm cách chuyển dữ liệu được tạo ra trong quá trình di chuyển hằng ngày thành thông tin có giá trị cho 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, bài toán không còn chỉ là thu thập ngày càng nhiều dữ liệu giao thông. Thách thức quan trọng hơn là làm thế nào chuyển dữ liệu thành tri thức có thể giải thích, kiểm chứng và sử dụng trong thực tế.

Theo hướng đó, XAI mở ra một cách tiếp cận khác đối với bài toán ùn tắc: không chỉ dự báo khi nào và ở đâu giao thông sẽ gặp vấn đề, mà từng bước tìm hiểu vì sao vấn đề xuất hiện. Đây có thể là cơ sở để các đô thị xây dựng những quyết định giao thông dựa nhiều hơn trên dữ liệu và bằng chứng./.

“

Tài liệu tham khảo

[1] Ngân Hà (2025), "Hà Nội mất 1,2 tỷ USD/năm vì tắc nghẽn giao thông", VnEconomy, https://vneconomy.vn/ha-noi-mat-1-2-ty-usd-nam-vi-tac-nghen-giao-thong.htm.

[2] H. Pham, T. Pham, S. Luong, et al. (2024), "Modelling Traffic Conditions in Developing Urban Areas: A Combined Approach of Explainable Artificial Intelligence and Mobile Crowd-Sourcing", Lecture Notes in Mechanical Engineering, Springer, DOI: 10.1007/978-3-031-59042-9_5.