Với các đô thị đang phát triển mạnh như TP.HCM, kẹt xe không chỉ là nỗi căng thẳng thường nhật mà còn là một bài toán kinh tế - xã hội đắt đỏ.
Theo tính toán của Sở Giao thông Vận tải TP.HCM (nay là Sở Xây dựng) và Viện Nghiên cứu phát triển vào năm 2022, sau đó được nhiều báo đưa tin, mỗi năm thành phố thiệt hại khoảng 6 tỷ USD do ùn tắc giao thông, bao gồm thời gian lao động bị mất, chi phí nhiên liệu, gián đoạn sản xuất kinh doanh và nhiều tổn thất gián tiếp khác.
Trong nỗ lực tìm kiếm giải pháp cho vấn nạn đắt đỏ này, các mô hình trí tuệ nhân tạo (AI) đã được triển khai nhằm dự báo ở đâu và khi nào kẹt xe có khả năng xảy ra. Chẳng hạn, từ năm 2022–2024, TP.HCM đã triển khai thí điểm các mô hình AI trong quản lý, điều hành giao thông với trọng tâm là điều khiển đèn tín hiệu thông minh, dự báo ùn tắc và phát hiện sự cố tự động.
AI thấy gì từ dữ liệu giao thông?
Tuy nhiên, dự báo do AI đưa ra giống như "hộp đen" mà không đi kèm giải thích nguyên nhân ẩn đằng sau, theo TS. Phạm Việt Hùng (Trường Khoa học, Kỹ thuật và Công nghệ, Đại học RMIT Việt Nam). Với các nhà quy hoạch và quản lý đô thị, việc AI đưa ra thông tin dự báo một ngã tư sắp kẹt mà không hiểu nguồn cơn giống như việc bác sĩ biết bệnh nhân sốt nhưng không rõ nguyên nhân gây bệnh, rất khó để đưa ra một phác đồ điều trị tận gốc.
Kẹt xe thường xuyên ở đường Cộng Hòa - cửa ngõ ra vào Tân Sơn Nhất, TP HCM, ảnh chụp năm 2024. Tác giả: Gia Minh - Khánh Hoàng
Các AI dự đoán hiện nay dựa trên những mẫu mà thuật toán học được từ dữ liệu. Nhưng điều đó không có nghĩa dự đoán luôn đúng, nếu dữ liệu thiếu, nhiễu hoặc không còn đại diện cho thực tế, mô hình vẫn có thể đưa ra một kết quả rất tự tin nhưng sai.
Do đó, để luận giải về cách AI dự báo giao thông, nhóm nghiên cứu của TS. Hùng đã sử dụng AI có tên XGBoost* để dự đoán tình trạng ùn tắc theo thời gian thực. Sau đó nhóm lại sử dụng tiếp một mô hình gọi là LIME có khả năng luận giải các kết luận ùn tắc mà XGBoost đưa ra, để xác định những yếu tố gây ùn tắc cho từng tình huống cụ thể.
"Bằng cách kết hợp hai mô hình, chúng tôi không chỉ dự đoán tình hình giao thông mà còn lý giải tại sao ùn tắc xảy ra", TS. Hùng nói.
Mô hình LIME do nhóm tác giả Marco Tulio Ribeiro giới thiệu từ năm 2016, được áp dụng rộng rãi cho giao thông và nhiều lĩnh vực khác. Nhóm TS. Hùng là một trong những nhóm tiên phong ở Việt Nam sử dụng AI giải thích dựa trên nguồn dữ liệu di động của cộng đồng để giải mã hiện tượng ùn tắc giao thông tại đô thị.
Nghiên cứu sử dụng dữ liệu đầu vào từ hệ thống quản lý giao thông thành phố như camera giao thông, website thông tin của Sở Giao thông vận tải và kênh VOV Giao thông và dữ liệu theo mà người dùng chia sẻ từ ứng dụng "TTGT TP Hồ Chí Minh".
Từ đó, nhóm tác giả đã bóc tách bốn biến số ảnh hưởng tới dự báo ùn tắc ở TP.HCM, gồm: tọa độ địa điểm, thời gian trong ngày, ngày cuối tuần hay các sự kiện đặc biệt.
Biến số thời gian và địa điểm sẽ ảnh hưởng tới tính chính xác của dự báo
Mỗi khi mô hình XGBoost đưa ra dự đoán ùn tắc cho một đoạn đường/thời điểm nhất định, mô hình LIME sẽ giải mã cách hệ thống XGBoost đi đến dự báo. Chẳng hạn, dựa trên dữ liệu cho trước, khi XGBoost dự đoán một điểm thuộc nhóm ùn tắc, LIME có thể giúp trả lời câu hỏi: các biến số vị trí, thời gian, ngày đặc biệt hay những đặc điểm khác đang đóng góp như thế nào vào dự báo.
Điều đáng chú ý là thông tin về vị trí và thời gian ảnh hưởng nhiều tới tính chính xác trong dự báo của mô hình AI. "Có những cung đường và khu vực nhất định ảnh hưởng đến dự báo giao thông nhiều hơn các yếu tố khác, chẳng hạn phân loại đường nơi đó. Khi bỏ thông tin địa điểm khỏi khung tham chiếu, độ chính xác của mô hình giảm đi rõ rệt", TS. Hùng cho biết. "Nếu không có giải thích, những quy luật này sẽ vẫn nằm sâu trong kho dữ liệu mà người điều hành không thể thấy được".
Tuyến đường Võ Nguyên Giáp, TP HCM
Đây cũng là một lưu ý quan trọng đối với các cơ quan quản lý khi đưa AI vào vận hành. Một AI có thể cho ra những dự báo với độ chính xác khá cao, nhưng điều đó chưa đủ để biết nó có thực sự "hiểu" tình trạng giao thông hay không. Nhà quản lý cần biết mô hình đang dựa vào những tín hiệu nào để đưa ra dự báo, và điều gì xảy ra nếu một trong những tín hiệu đó bị thay đổi hoặc không còn đầy đủ. Đồng thời, một mô hình AI có thể đạt kết quả tốt trên bộ dữ liệu hiện có nhưng chưa chắc giữ được độ tin cậy khi được đưa sang một bối cảnh khác, nơi dữ liệu đầu vào thay đổi.
Ông Trần Hữu Nhân, chuyên gia dữ liệu và AI, người không tham gia nghiên cứu này, cho rằng giá trị của cách tiếp cận này là dùng AI giải thích để "đào" quy luật từ dữ liệu và xác định các mối quan hệ nhân - quả, từ đó xây dựng những quy tắc giao thông mà con người có thể hiểu, kiểm chứng và áp dụng ngay cả khi không có AI.
Xử lý trúng hơn và linh hoạt hơn
Theo nhóm tác giả, những mô hình dạng AI giải thích giúp việc ra quyết định điều hành trở nên minh bạch và linh hoạt hơn. Chẳng hạn, thay vì điều tiết hoặc hạn chế đồng loạt trên các tuyến đường chính, cơ quan quản lý có thể tập trung nguồn lực vào những khu vực mà mô hình xác định là có nguy cơ ùn tắc và có thể giải thích được các yếu tố góp phần vào dự báo đó.
Cơ quan quản lý cũng có thể lập kế hoạch phân luồng linh hoạt riêng cho các "ngày đặc biệt/ngày lễ" tại các khu vực trọng điểm, hoặc điều tiết đèn giao thông tốt hơn tại những nơi dễ xảy ra ùn tắc.
Theo hướng này, việc ứng dụng AI không chỉ dừng ở dự báo tình trạng giao thông, mà còn cần giúp nhà quản lý hiểu mô hình đang dựa vào những tín hiệu nào để đưa ra dự báo, từ đó đánh giá độ tin cậy của mô hình trước khi sử dụng kết quả cho các quyết định điều hành.
Sắp tới, nhóm nghiên cứu sẽ tích hợp thêm các biến số môi trường như thời tiết, sự cố giao thông và sự kiện công cộng vào khung tham chiếu để tìm hiểu đầy đủ hơn quy luật giao thông ở TP.HCM. Các nhà nghiên cứu cũng kỳ vọng sử dụng AI giải thích dựa trên dữ liệu giao thông tại các thành phố khác để hiểu hơn về quy luật giao thông đô thị.
Ngoài ra, TS. Hùng cho rằng, dữ liệu từ người tham gia giao thông có thể trở thành một nguồn quan trọng cho việc phân tích và quản lý giao thông đô thị. Thay vì chỉ dựa vào hệ thống cảm biến giao thông cố định, dữ liệu từ điện thoại của hàng triệu người tham gia giao thông cũng có thể cho biết về tình hình di chuyển trên các cung đường trong những khung giờ khác nhau, giúp thành phố nhìn rõ hơn bức tranh giao thông của mình.
Ở điểm này, chuyên gia Trần Hữu Nhân lưu ý, trong quá trình khai thác tiềm năng của dữ liệu cộng đồng, cần bảo đảm quyền riêng tư ngay từ khi thiết kế ứng dụng giao thông. Chẳng hạn, nếu một ứng dụng "chống kẹt xe" liên tục theo dõi vị trí của người dùng, việc thu thập dữ liệu cần được giới hạn ở mức thực sự cần thiết cho bài toán giao thông, thay vì biến điện thoại của mỗi người thành một thiết bị theo dõi thường trực.
Tuy nhiên, theo ông, không nên nhìn vấn đề này như lý do để chùn bước trước việc ứng dụng AI. Ngược lại, đây là cơ hội để xây dựng một mô hình giao thông thông minh, trong đó người dân vừa là nguồn dữ liệu, vừa có quyền kiểm soát và hiểu rõ dữ liệu của mình được sử dụng như thế nào.
---
*Thông tin chi tiết hơn về công bố của nhóm nghiên cứu: Pham, H., Pham, T., Luong, S., Nguyen, K., Nguyen, HTQ., Nguyen, Q.D. (2024). Modelling Traffic Conditions in Developing Urban Areas: A Combined Approach of Explainable Artificial Intelligence and Mobile Crowd-Sourcing. In: Abdul-Nour, G., et al. 17th WCEAM Proceedings. WCEAM 2023. Lecture Notes in Mechanical Engineering. Springer, Cham. https://doi.org/10.1007/978-3-031-59042-9_5