KIẾN TRÚC CỦA VIỆC TIẾN HÀNH PHÂN TÍCH DỮ LIỆU LỚN TRONG ITS
Đặc điểm dữ liệu lớn trong ITS
Hệ thống Giao thông thông minh (ITS) là việc ứng dụng công nghệ và kỹ thuật, bao gồm cảm biến, thiết bị điều khiển, điện tử, công nghệ thông tin và viễn thông, nhằm quản lý và điều hành hiệu quả hệ thống giao thông vận tải.
Công nghệ ITS (Hệ thống giao thông thông minh) đang nổi lên như một giải pháp hiệu quả cho các vấn đề giao thông toàn cầu, bao gồm tai nạn và ùn tắc ITS kết hợp các tiến bộ trong công nghệ thông tin và viễn thông để tạo ra một mạng lưới liên kết giữa con người, hệ thống đường và phương tiện giao thông Điều này giúp tối ưu hóa lưu thông trên đường, đặc biệt là đối với các phương tiện đường bộ.
Năm 2012, Gartner định nghĩa dữ liệu lớn là khối lượng thông tin lớn, tốc độ xử lý cao và đa dạng về loại hình, đòi hỏi phương pháp xử lý mới để nâng cao khả năng ra quyết định, khám phá thông tin và tối ưu hóa quy trình Ba đặc trưng cơ bản này giúp mô tả rõ nét về dữ liệu lớn.
Dung lượng (Volume) – Dữ liệu lớn:
• Số lượng dữ liệu được tạo ra và lưu trữ
Xử lý dữ liệu lớn đòi hỏi bạn phải làm việc với khối lượng lớn dữ liệu phi cấu trúc và mật độ thấp, bao gồm các thông tin có giá trị không xác định như dữ liệu từ Twitter, lượt truy cập web hoặc ứng dụng trên thiết bị di động.
• Đối với một số tổ chức khối lượng dữ liệu có thể lên tới hàng chục terabyte hay hàng trăm terabyte
Vận tốc (Velocity) – Dữ liệu lớn:
• Tốc độ các dữ liệu được tạo ra và xử lý theo thời gian thực
Một số sản phẩm thông minh kết nối internet hoạt động trong thời gian thực hoặc gần thời gian thực cần phải được đánh giá và thực hiện hành động ngay lập tức.
Tính đa dạng (Variety) – Dữ liệu lớn:
• Các dạng và kiểu loại của dữ liệu có sẵn
• Các kiểu dữ liệu truyền thống có cấu trúc và kiểu dữ liệu mới phi cấu trúc và bán cấu trúc (văn bản, âm thanh, video)
Ngoài ra, trong những năm trở lại đây, dữ liệu lớn có thêm 2 đặc trưng V khác đó là:
Giá trị (Value): một phần lớn giá trị của các công ty công nghệ lớn nhất thế giới đến từ quá trình phân tích dữ liệu của họ
Tính xác thực (Veracity): chất lượng của dữ liệu thu được có thể khác nhau rất nhiều ảnh hưởng đến việc phân tích chính xác.[2]
Kiến trúc của việc tiến hành phân tích dữ liệu lớn trong ITS
Kiến trúc phân tích dữ liệu lớn trong Hệ thống Giao thông Thông minh (ITS) được cấu trúc thành ba lớp: lớp thu thập dữ liệu, lớp phân tích dữ liệu và lớp ứng dụng Lớp đầu tiên, lớp thu thập dữ liệu, đóng vai trò quan trọng trong việc thu thập thông tin cần thiết để phục vụ cho các quá trình phân tích và ứng dụng sau này.
Lớp thu thập dữ liệu là lớp đầu tiên và cơ sở trong kiến trúc, đóng vai trò quan trọng trong việc cung cấp dữ liệu cho các lớp phía trên Dữ liệu được thu thập từ nhiều nguồn khác nhau như máy vòng cảm ứng, GPS, và hệ thống giám sát video.
Lớp phân tích dữ liệu là thành phần quan trọng nhất trong kiến trúc, nhận dữ liệu từ lớp thu thập dữ liệu và áp dụng các phương pháp phân tích dữ liệu lớn để thực hiện việc phân tích và chia sẻ thông tin.
Tầng ứng dụng là tầng cao nhất trong kiến trúc, chịu trách nhiệm xử lý dữ liệu từ lớp phân tích với nhiều tình huống khác nhau, chẳng hạn như quản lý lưu lượng giao thông, điều tiết giao thông để giảm ùn tắc, và điều khiển đội cứu hộ khẩn cấp.
Hình 1: Kiến trúc tiến hành phân tích dữ liệu lớn
ChươngIII Tổng quan về các giải pháp
Mọi người vô thức tham gia vào việc thu thập và ứng dụng Dữ liệu lớn trong Hệ thống Giao thông Thông minh (ITS) Sự phát triển công nghệ trong ITS đã làm tăng độ phức tạp, tính đa dạng và lượng dữ liệu từ phương tiện và chuyển động của con người Theo các nguồn khác nhau, Dữ liệu lớn trong ITS có thể được phân loại thành nhiều loại khác nhau, với các dữ liệu thu thập được minh họa trong bảng.
Hình 2: Dữ liệu lớn trong nó
Các giải pháp thu thập dữ liệu lớn trong ITS
1 Dữ liệu lớn từ thẻ thông tin
Trong giao thông công cộng đô thị, thẻ thông minh ngày càng được sử dụng để thu vé tự động, cho phép hành khách tiếp cận nhiều phương thức như xe buýt, tàu điện, và phà bằng một thẻ duy nhất Mặc dù mục tiêu chính là thu doanh thu, thẻ thông minh cũng tạo ra lượng lớn dữ liệu từ thiết bị công nghệ, giúp các nhà hoạch định hiểu rõ hành vi hành khách để lập kế hoạch dịch vụ hiệu quả Tuy nhiên, cơ sở hạ tầng truyền thống gặp khó khăn trong việc xử lý khối lượng dữ liệu lớn Do đó, công nghệ dữ liệu lớn trở thành giải pháp tối ưu cho việc thu thập, lưu trữ, và phân tích dữ liệu, đồng thời giảm chi phí xử lý Sự kết hợp giữa kiến thức lập kế hoạch và công nghệ dữ liệu lớn cho phép xây dựng chỉ số về hành vi đi lại, chính sách giao thông công cộng, và hiệu suất hoạt động.
2 Dự liệu lớn từ GPS
GPS là một công cụ xác định vị trí hiệu quả, giúp thu thập dữ liệu giao thông một cách an toàn Khi kết hợp với hệ thống thông tin địa lý (GIS), GPS trở thành một giải pháp toàn diện để thu thập và phân tích dữ liệu Những thông tin này có thể được sử dụng để giải quyết nhiều vấn đề giao thông, bao gồm phát hiện chế độ di chuyển, đo độ trễ hành trình và giám sát tình hình giao thông.
3 Dữ liệu lớn từ video
Video là phương tiện điện tử ghi lại và phát lại hình ảnh chuyển động, được ứng dụng trong các hệ thống quản lý giao thông tiên tiến (ATMS) và hệ thống phát hiện hình ảnh video (VIDS), mang lại lợi ích vượt trội so với cảm biến truyền thống trong việc nhận dạng phương tiện và phát hiện luồng giao thông Với chi phí thấp, dữ liệu video lớn đã được sử dụng hiệu quả để phát hiện sự cố, cho thấy độ chính xác cao trong nhiều trường hợp Ngoài ra, việc thu thập dữ liệu video phương tiện chính xác giúp các kỹ sư và nhà quy hoạch giao thông cải thiện hệ thống xử lý hình ảnh, đáp ứng tốt hơn nhu cầu giao thông và mô hình phát thải của phương tiện.
4 Dữ liệu cảm ứng biến
Cảm biến được lắp đặt trên mặt đường nhằm thu thập thông tin về luồng giao thông, khí hậu và thời tiết Thông tin này được hệ thống máy tính phân tích và cung cấp cho tài xế về tình hình giao thông, bao gồm tai nạn, ùn tắc và thời tiết, giúp họ chọn giải pháp giao thông tối ưu Điều này không chỉ hạn chế tai nạn và ùn tắc mà còn đảm bảo thời gian di chuyển ngắn nhất và an toàn nhất cho các phương tiện Dữ liệu thu thập từ cảm biến có thể được chia thành ba nguồn: dữ liệu bên đường, dữ liệu ô tô nổi và dữ liệu diện rộng.
Dữ liệu bên đường được thu thập thông qua các cảm biến hiện đại như cảm biến siêu âm, cảm biến âm thanh, thiết bị phát hiện xe từ kế, hệ thống hồng ngoại, LIDAR và công nghệ phát hiện hình ảnh video Những công nghệ tiên tiến này đang dần trở nên phổ biến, góp phần cải thiện khả năng giám sát và phân tích giao thông.
Dữ liệu ô tô nổi (FCD) chủ yếu liên quan đến việc theo dõi di chuyển của phương tiện tại các vị trí khác nhau trong Hệ thống Giao thông Thông minh (ITS) Một số cảm biến tàu cung cấp thông tin đáng tin cậy và hiệu quả để ước lượng lộ trình đi hợp lý Với sự phát triển của công nghệ cảm biến phương tiện, các kỹ thuật FCD phổ biến bao gồm nhận dạng phương tiện tự động (AVI), nhận dạng biển số xe (LPR) và các thiết bị như phương tiện thăm dò và thẻ thu phí điện tử.
Dữ liệu diện rộng về lưu thông giao thông được thu thập từ các kỹ thuật theo dõi cảm ứng biến như xử lý hình ảnh, ghi âm và video, dựa trên không gian.
5 Dữ liệu lớn từ CAV and VANET
Các phương tiện kết nối và tự động (CAV) đại diện cho những công nghệ tiên tiến trong lĩnh vực Hệ thống Giao thông Thông minh (ITS), mang lại những cải tiến đáng kể trong thiết kế phương tiện và cách chúng tương tác với hạ tầng đường bộ.
Xe kết nối và xe tự hành kết hợp nhiều công nghệ tiên tiến, nâng cao an toàn và hiệu quả trong việc di chuyển người và hàng hóa Hệ thống giao thông hỗ trợ CAV có tiềm năng lớn trong việc giảm tắc nghẽn và chậm trễ, đồng thời cải thiện hiệu suất an toàn CAV tạo ra lượng lớn dữ liệu giao thông thời gian thực, bao gồm tọa độ, tốc độ, gia tốc và dữ liệu an toàn Bằng việc áp dụng công nghệ mạng hiện đại, dữ liệu được thu thập một cách hiệu quả, từ đó cung cấp thông tin có thể hành động để hỗ trợ các lựa chọn cổng chuyển đổi xanh và điều khiển tín hiệu thích ứng thời gian thực.
Mạng xe cộ bất định (VANET) là một hệ thống mạng không cần cơ sở hạ tầng, bao gồm các phương tiện giao thông trên đường được trang bị thiết bị thu/phát để giao tiếp và chia sẻ thông tin Các thông tin được trao đổi trong mạng VANET bao gồm dữ liệu về lưu lượng xe, tình trạng kẹt xe, tai nạn giao thông, các nguy hiểm cần tránh, cũng như các dịch vụ đa phương tiện và kết nối Internet.
6 Dữ liệu lớn từ thu thập thụ động
Thu thập dữ liệu thụ động được áp dụng để phân tích cạnh tranh và đánh giá kết quả trước và sau phẫu thuật Tuy nhiên, một số quốc gia hoặc tiểu bang có luật riêng cho phép người dùng từ chối cung cấp dữ liệu nhạy cảm của họ.
Trong những tình huống này, việc thu thập dữ liệu thụ động rất quan trọng Bằng cách sử dụng dữ liệu thụ động, khách hàng có thể thu thập thông tin về người dùng thông qua nhiều phương pháp khác nhau.
• Dữ liệu thiết bị di động
7 Dữ liệu lớn từ các nguồn khác
Một nguồn dữ liệu quan trọng trong hệ thống giao thông thông minh (ITS) là dữ liệu từ các thử nghiệm chuyên dụng Chẳng hạn, trong nghiên cứu trước đây, chúng tôi đã thực hiện các thử nghiệm thực địa trong một hệ thống thông tin liên lạc trên mặt đất thực tế cho hệ thống điều khiển tàu hỏa dựa trên thông tin liên lạc (CBTC) Từ các thử nghiệm này, chúng tôi thu thập được một lượng lớn dữ liệu khuếch đại kênh, sau đó được xử lý để mô hình hóa đặc tính ngẫu nhiên của trạng thái kênh Mô hình này được sử dụng để tối ưu hóa hiệu suất của hệ thống CBTC.
II.Phương pháp phân tích dữ liệu lớn trong ITS
Dữ liệu huấn luyện được dán nhãn là thành phần quan trọng trong thuật toán học có giám sát, giúp các mô hình học cách ánh xạ giữa dữ liệu đầu vào và đầu ra mục tiêu Bằng cách kết hợp mô hình đã học với dữ liệu đầu vào, các mô hình này có khả năng dự đoán kết quả đầu ra mới Trong lĩnh vực Hệ thống Giao thông Thông minh (ITS), các mô hình như hồi quy tuyến tính, cây quyết định, mạng thần kinh và máy vectơ hỗ trợ thường được sử dụng phổ biến.
Hồi quy là phương pháp giải thích mối quan hệ giữa biến phụ thuộc và các biến độc lập, trong đó hồi quy tuyến tính là kỹ thuật phổ biến nhất Phương pháp này nổi bật với sự đơn giản, mạnh mẽ, dễ hiểu và dễ triển khai Mặc dù có cấu trúc đơn giản, hồi quy tuyến tính rất hiệu quả trong nhiều tình huống khác nhau, như dự đoán lưu lượng giao thông, ước lượng tốc độ và đánh giá tuyến đường vận chuyển.
Ứng dụng dữ liệu lớn trong ITS
Road Traffic Accidents Analysis
Mỗi năm, khoảng 1,2 triệu người trên thế giới thiệt mạng và 50 triệu người bị thương do tai nạn giao thông Việc phân tích dữ liệu tai nạn giao thông một cách chính xác có thể cung cấp thông tin quan trọng cho các cơ quan giao thông, giúp họ xây dựng các chính sách hiệu quả nhằm ngăn ngừa tai nạn.
Các phân tích thống kê đa biến tuyến tính và phi tuyến đã được thực hiện để tìm hiểu mối liên hệ giữa các loại tai nạn trên các đường cao tốc đông đúc ở Nam California với luồng giao thông và điều kiện ánh sáng cũng như môi trường Lưu lượng giao thông được đo qua chuỗi thời gian 30 giây từ máy dò vòng cảm ứng gần hiện trường tai nạn Kết quả cho thấy loại va chạm có liên quan chặt chẽ đến tốc độ giao thông trung bình và sự biến đổi theo thời gian của tốc độ ở các làn đường bên trái và bên trong Các vụ va chạm liên quan đến nhiều phương tiện thường xảy ra khi có thao tác thay đổi làn đường trên đường ướt, trong khi tai nạn phía sau thường xảy ra trên đường khô vào ban ngày Khi kiểm soát các yếu tố thời tiết và ánh sáng, có bằng chứng cho thấy mức độ nghiêm trọng của tai nạn chịu ảnh hưởng nhiều hơn so với tốc độ.
Các mô hình thống kê như hồi quy Poisson và nhị thức âm đã được sử dụng để phân tích tần suất tai nạn xe cộ, nhưng chúng có giả định riêng và mối quan hệ đã được xác định trước giữa các biến Nếu các giả định này không được đáp ứng, kết quả có thể không chính xác Trong khi đó, cây phân loại và hồi quy (CART) không yêu cầu mối quan hệ xác định trước, đã trở thành công cụ mạnh mẽ cho dự đoán và phân loại Nghiên cứu này sử dụng dữ liệu tai nạn từ Quốc lộ 1 tại Đài Loan trong năm 2001–2002, phát triển mô hình CART và hồi quy nhị thức âm để xác định mối quan hệ giữa tai nạn giao thông và các yếu tố như hình học đường, đặc điểm giao thông và yếu tố môi trường.
Road Traffic Flow Prediction
Hình 4: Một mô hình dự đoán lưu lượng giao thông điển hình
Public Transportation Services Planning
Phân tích dữ liệu lớn trong giao thông công cộng giúp hiểu rõ các mô hình hành trình của hành khách trên mạng lưới vận tải Những mẫu hành trình này có thể cung cấp thông tin quan trọng cho các nhà khai thác vận tải trong việc lập kế hoạch dịch vụ hiệu quả hơn.
Quá trình đô thị hóa nhanh chóng đã dẫn đến sự gia tăng lưu lượng du lịch, tạo ra nhu cầu cấp thiết về các chính sách quy hoạch giao thông hiệu quả Dữ liệu điện thoại di động, mặc dù là nguồn dữ liệu lớn, vẫn chưa được tích hợp vào các mô hình quy hoạch giao thông, khiến các cơ quan quản lý vận tải thiếu cái nhìn tổng quát về lưu lượng hành khách hàng ngày Chúng tôi đề xuất phương pháp mới để suy ra các luồng Điểm gốc-Đích động dựa trên dữ liệu mạng di động, như bản ghi chi tiết cuộc gọi, thông qua việc xử lý 360 triệu quỹ đạo từ hơn 2 triệu thiết bị tại Greater Paris Mô hình kết hợp định vị mạng di động với dữ liệu không gian địa lý, khảo sát du lịch, điều tra dân số và dữ liệu thẻ du lịch, sử dụng thuật toán học bán giám sát để xác định các chế độ vận chuyển Sau khi gán chế độ có xác suất cao nhất cho từng quỹ đạo, chúng tôi xây dựng ma trận Điểm gốc-Đích và điều chỉnh các luồng theo tổng dân số bằng hệ số mở rộng hiện đại Kết quả cho thấy các luồng hành khách đường bộ và đường sắt biến đổi theo thời gian, với sự khác biệt rõ rệt giữa Paris và các vùng ngoại ô, được xác thực qua khảo sát du lịch và dữ liệu thẻ du lịch.
Sử dụng dữ liệu điện thoại di động từ kho dữ liệu mã nguồn mở, mô hình nhu cầu du lịch có thể được triển khai hiệu quả Dữ liệu Bản ghi dữ liệu cuộc gọi (CDR) cho phép trích xuất các mạng đường có thể định tuyến ma trận và bảng hành trình Công trình này đóng vai trò như một hướng dẫn hữu ích cho các nhà khai thác vận tải trong việc thực hiện quy hoạch giao thông công cộng.
Personal Travel Route Planning
Các ứng dụng vận chuyển đã ra đời với tầm nhìn cung cấp thông tin thời gian thực cho các phương tiện như xe buýt, tàu điện ngầm và đường sắt nhẹ tại nhiều thành phố trên toàn cầu Tuy nhiên, việc duy trì màn hình thông tin tại các trạm xe buýt là rất tốn kém Với sự phát triển của thiết bị di động và dữ liệu lịch trình có thể đọc được, nhiều công cụ đã được phát triển để cung cấp thông tin này qua các giao diện khác nhau, bao gồm cả thiết bị di động Những hệ thống này thường rẻ hơn để triển khai so với màn hình cố định và còn hỗ trợ các chức năng cá nhân hóa như cảnh báo tùy chỉnh Một trong những hệ thống theo dõi xe buýt trực tuyến đầu tiên, Busview, được phát triển bởi Daniel Tweetsey và nhóm của ông.
Gần đây, Google Transit đã bắt đầu cung cấp kế hoạch chuyến đi vận chuyển cho hơn 400 thành phố trên toàn thế giới, mặc dù thông tin không phải là thời gian thực.
Google Transit cung cấp thông tin cho các tay đua trên toàn cầu và thiết lập tiêu chuẩn dữ liệu vận chuyển chung (GTFS) Nhiều cơ quan vận chuyển đã phát hành dữ liệu lịch trình theo định dạng GTFS, tạo cơ hội cho các nhà phát triển phát triển ứng dụng từ dữ liệu công khai này Ở Portland, hơn 20 ứng dụng sử dụng dữ liệu vận chuyển, nhiều trong số đó tập trung vào việc cung cấp thông tin trên thiết bị di động Các hệ sinh thái tương tự cũng tồn tại ở San Francisco, Chicago và nhiều thành phố lớn khác Nghiên cứu cho thấy ứng dụng di động có thể cải thiện khả năng sử dụng quá trình vận chuyển cho cả người dùng chung và các nhóm nhắm mục tiêu OneBusaway là một bộ công cụ hỗ trợ khả năng sử dụng, cung cấp nhiều tùy chọn giao diện và tập trung vào việc dễ dàng truy cập thông tin, đồng thời thúc đẩy quyền truy cập mở vào dữ liệu vận chuyển thông qua mã nguồn mở.
Rail Transportation Management and Control
Trong những thập kỷ qua, nghiên cứu về vận hành đường sắt đã tập trung vào việc phát triển các mô hình kính hiển vi nhằm hỗ trợ các nhà khai thác giao thông quản lý các khu vực điều phối Tuy nhiên, những mô hình này thường dẫn đến thời gian tính toán kéo dài, đặc biệt trên các mạng lớn và được sử dụng cao Vấn đề kiểm soát lưu lượng truy cập trên toàn quốc vẫn còn là thách thức do sự phối hợp giữa các khu vực địa phương khó khăn và sự phụ thuộc lẫn nhau giữa các chuyến tàu Do đó, công việc hiện tại tập trung vào việc phát triển các mô hình vĩ mô mới có khả năng tích hợp các quyết định quản lý giao thông hiệu quả hơn.
Phân tích dữ liệu lớn trong giao thông công cộng giúp hiểu rõ mô hình di chuyển của hành khách, từ đó cải thiện chất lượng dịch vụ Dự đoán hành vi của những người đi lại thường xuyên dựa trên dữ liệu điện thoại di động từ người dùng ẩn danh là khả thi Kết hợp dữ liệu vị trí từ Metro và IBUS với thông tin từ thẻ thông minh cho phép tính toán thời gian lên và xuống tàu Dữ liệu này hỗ trợ quản lý giao thông hiệu quả hơn, bao gồm việc tạo ma trận dòng chảy và tuyến xe buýt cho các chuyến đi BRT và không BRT Các nhà hoạch định và vận hành vận chuyển đường sắt có thể nhận phản hồi gần thời gian thực về nhiều khía cạnh dịch vụ bằng cách sử dụng nền tảng quản lý cập nhật Ngoài ra, khai thác dữ liệu mở và hồ sơ cuộc gọi (CDR) giúp xây dựng mạng đường, ma trận OD và bảng chuyến đi, phục vụ công tác của các nhà hoạch định giao thông công cộng trên toàn cầu.
Hou và các cộng sự đã đề xuất ba thuật toán điều khiển dừng tàu, sử dụng dữ liệu vị trí phanh ban đầu, lực phanh và sự kết hợp của chúng làm đầu vào điều khiển Phương pháp điều khiển học lặp đầu cuối (TILC) được áp dụng lần đầu trong lĩnh vực điều khiển điểm dừng của nhà ga, với ba thuật toán dựa trên TILC được phát triển Phương pháp này sử dụng lỗi vị trí dừng đầu cuối từ quá trình phanh trước để cập nhật cấu hình điều khiển hiện tại Đầu vào điều khiển được chọn từ vị trí phanh ban đầu, lực phanh hoặc sự kết hợp của chúng, kèm theo việc phát triển luật học tương ứng Phân tích nghiêm ngặt đảm bảo rằng lỗi vị trí dừng đầu cuối của mỗi thuật toán hội tụ về một vùng nhỏ liên quan đến độ lệch ban đầu của vị trí phanh.
Asset Maintenance
Hình 5: Một khuôn khổ điển hình của việc sử dụng phân tích dữ liệu lớn để bảo trì tài sản
Trong hệ thống ITS, việc duy trì và vận hành tài sản phụ thuộc vào dữ liệu lớn, do đó, phương pháp bảo trì tài sản hiệu quả là rất cần thiết để bảo vệ vốn và giảm chi phí Phân tích Dữ liệu lớn giúp xác định vấn đề nhanh chóng và chính xác, từ đó tối ưu hóa chi phí bảo trì Một khuôn khổ điển hình cho việc áp dụng phân tích Dữ liệu lớn trong quyết định bảo trì được thể hiện qua việc thu thập dữ liệu từ cảm biến, bao gồm dữ liệu hư hỏng vật lý như xuống cấp mặt đường và lão hóa dằn Ngoài ra, dữ liệu văn bản từ các báo cáo bảo trì và thông tin dựa trên kinh nghiệm cũng có thể được xử lý để trích xuất thông tin quan trọng.
Dữ liệu trạng thái của cơ sở hạ tầng và phương tiện, như nhiệt độ và độ ẩm, có thể được xử lý thông qua các phương pháp điều khiển dữ liệu để thu được các chỉ báo tình trạng Kết quả từ ba phương pháp quy trình được tích hợp giúp chẩn đoán chính xác tình trạng tài sản và xác định thời gian sử dụng hữu ích còn lại, từ đó hỗ trợ người dùng cuối trong việc đưa ra quyết định về bảo trì hoặc vận hành.
Một phương pháp ra quyết định bảo trì dựa trên mờ cho cơ sở hạ tầng đường sắt đã được trình bày nhằm giải quyết vấn đề lỗi mỏi tiếp xúc lăn gọi là ngồi xổm Phương pháp này sử dụng các phép đo Gia tốc hộp trục (ABA) để phát hiện các ô vuông, đồng thời áp dụng một mô hình mạnh mẽ để dự đoán sự phát triển của các ô vuông theo ba kịch bản tăng trưởng (nhanh, trung bình, chậm) Khi một đường đua được xác định là ứng cử viên cho bảo trì phòng ngừa, phương pháp phân cụm mờ được đề xuất để nhóm các ô vuông nhẹ lại với nhau, tạo điều kiện thuận lợi cho các hoạt động mài Sử dụng phương pháp α% mới, các mặt trận Pareto được phân tích để thể hiện sự đánh đổi giữa số lượng ô vuông chưa xử lý và tỷ lệ phần trăm bao phủ Bốn chỉ số hiệu suất chính được kết hợp qua một hệ thống chuyên gia mờ nhằm ước tính tình trạng sức khỏe toàn cầu của từng cụm ô vuông Phương pháp này giúp các nhà quản lý cơ sở hạ tầng ước tính tình trạng theo dõi và xếp hạng các cụm ô vuông nhẹ theo mức độ quan trọng, đồng thời cung cấp các chỉ báo dự đoán để xác định phần nào của đường ray cần được thay thế khi có chỗ ngồi nghiêm trọng Đường ray Groningen-Assen của mạng lưới đường sắt Hà Lan được sử dụng làm ví dụ minh họa cho phương pháp này.
NỀN TẢNG DỮ LIỆU LỚN TRONG NÓ
Phân tích Dữ liệu lớn trong Hệ thống Giao thông Thông minh (ITS) đang phát triển mạnh mẽ nhờ vào các nền tảng Dữ liệu lớn tiên tiến Những nền tảng này sử dụng hệ thống tệp phân tán và khả năng tính toán song song để xử lý dữ liệu một cách nhanh chóng Chúng không chỉ hiểu rõ về Dữ liệu lớn mà còn hỗ trợ tối ưu hóa các hệ thống quy mô lớn.
Hình 6: Khung điển hình sử dụng nền tảng Apache Spark trong ITS
Apache Hadoop là khung phần mềm nguồn mở hàng đầu cho việc phân tán và lưu trữ lượng lớn dữ liệu Nền tảng này hỗ trợ nhiều hoạt động xử lý và phân tích dữ liệu, nhờ vào khả năng xử lý phân tán, Hadoop rất lý tưởng cho việc phân tích dữ liệu trong các hệ thống ITS, bao gồm dữ liệu từ thẻ thông minh, cảm biến, mạng xã hội và dữ liệu GPS.
Apache Spark là nền tảng mã nguồn mở tiên tiến, chuyên xử lý khối lượng lớn dữ liệu và tối ưu cho các tác vụ học máy Nó sử dụng công nghệ lưu trữ phân tán tương tự như Hadoop, cho phép người dùng tải dữ liệu vào bộ nhớ cụm và thực hiện các truy vấn lặp lại Spark rất phù hợp với các phương pháp học máy, và những phương pháp phân tích Dữ liệu lớn đã đề cập trước đây có thể được triển khai trên cả hai nền tảng Hadoop và Spark.
Khung điển hình sử dụng nền tảng Apache Spark trong hệ thống ITS cho phép thu thập dữ liệu từ các nguồn khác nhau thông qua API HBase, một cơ sở dữ liệu Hadoop Dữ liệu được gửi đến trung tâm dữ liệu và được xử lý theo thời gian thực bằng Spark Streaming, cho phép thực hiện các tác vụ như phát hiện tốc độ xe, nhận dạng xe và cảnh báo thời gian thực HBase, với tính năng là một cơ sở dữ liệu nguồn mở phân tán, hỗ trợ trích xuất tính năng cấp cao và tạo chỉ mục cho các tập dữ liệu lớn, từ đó nâng cao hiệu quả và tốc độ truy xuất dữ liệu.
Spark Core là nền tảng chính của hệ thống Spark, cho phép thực hiện các tác vụ ngoại tuyến với khả năng tính toán phân tán Nó có thể xử lý các nhiệm vụ quan trọng như quản lý và kiểm soát giao thông, cũng như phân tích tai nạn một cách hiệu quả.
Dữ liệu lớn đóng vai trò quan trọng trong việc chuẩn bị cho các thành phố thông minh, yêu cầu quyết định thông minh và xử lý khối lượng dữ liệu lớn trong thời gian thực Các ứng dụng hệ thống giao thông thông minh (ITS) sử dụng trí tuệ nhân tạo và môi trường mô phỏng để đánh giá các chiến lược giao thông Bài báo này giới thiệu mô hình mạng lưới giao thông Greater Toronto Area (GTA), cho phép các ứng dụng vận chuyển dữ liệu lớn hoạt động trong thời gian thực, mặc dù cần làm việc chuyên sâu với dữ liệu lớn Chúng tôi trình bày cấu trúc, hiệu chuẩn và kết quả đầu ra của mô hình, cùng với một số ứng dụng thực tiễn, góp phần vào việc phát triển thành phố thông minh Toronto Nền tảng phân tích dữ liệu giao thông đô thị bao gồm các lớp dữ liệu, phân tích và quản lý, có thể được sử dụng bởi các nhà nghiên cứu và kỹ sư lưu lượng để hiểu rõ hơn về các kiểu giao thông Nền tảng này dựa trên cụm và tận dụng công nghệ đám mây để đảm bảo độ tin cậy, khả năng mở rộng và thích ứng với điều kiện thay đổi, phục vụ cho cả phân tích trực tuyến và hồi cứu Chúng tôi đã xác thực một số trường hợp sử dụng, như tìm tốc độ trung bình và xác định các đoạn tắc nghẽn trên các đường cao tốc chính ở khu vực Greater Toronto.
Trung tâm dữ liệu truyền thống gặp nhiều thiếu sót về chi phí, sử dụng tài nguyên và tiêu thụ điện năng, dẫn đến việc nghiên cứu xu hướng phát triển của trung tâm dữ liệu ảo và các ưu điểm kỹ thuật của nó Bài báo đề xuất sơ đồ hệ thống ảo cho trung tâm dữ liệu giao thông thông minh trên nền tảng VMware vSphere, đồng thời định hướng quản lý luồng dữ liệu giao thông trong môi trường điện toán đám mây Hệ thống này hướng đến việc xử lý luồng dữ liệu lớn, đa nguồn và thời gian thực từ các thiết bị cảm biến điều khiển Bài viết phân tích mối tương quan giữa hoạt động giao thông thực tế và luồng dữ liệu, nghiên cứu cơ chế phát triển của dữ liệu không chắc chắn, và xây dựng mô hình luồng dữ liệu dựa trên ontology và lý thuyết ràng buộc Cuối cùng, bài báo áp dụng ảo hóa và xử lý song song để tối ưu hóa cân bằng tải và cơ chế thích ứng, kết hợp lý thuyết mờ và lý thuyết đa đối tượng động nhằm tìm kiếm thuật toán truy vấn hiệu quả cho dòng dữ liệu giao thông phức tạp.
Chức năng xử lý luồng dữ liệu thời gian thực là yếu tố quan trọng trong nền tảng xử lý Dữ liệu lớn của Hệ thống Giao thông Thông minh (ITS), phục vụ cho các ứng dụng như giám sát và kiểm soát giao thông, cũng như quản lý lịch trình giao thông công cộng Các hệ thống truyền dữ liệu thời gian thực đã được phát triển dựa trên nền tảng Dữ liệu lớn truyền thống Guerreiro và các cộng sự đã đề xuất một kiến trúc ETL (trích xuất, biến đổi và tải) cho các hệ thống giao thông thông minh, nhằm giải quyết vấn đề thu phí động trên đường cao tốc Kiến trúc này có khả năng xử lý cả dữ liệu lịch sử và dữ liệu thời gian thực thông qua việc sử dụng các công nghệ Dữ liệu lớn như Spark trên Hadoop và MongoDB.
Nền tảng xử lý luồng dữ liệu đề xuất hỗ trợ chia sẻ nguồn dữ liệu giữa nhiều bên, bao gồm phần mềm và kết quả trung gian Ví dụ, nền tảng này có thể được sử dụng để quản lý lưu lượng Một kiến trúc linh hoạt dựa trên tính toán phân tán được đề xuất để kiểm soát lưu lượng thời gian thực Phần kiến trúc này đã được hiện thực hóa trong một nền tảng nguyên mẫu sử dụng Kafka, một công cụ Dữ liệu lớn hiện đại cho việc xây dựng các đường dẫn dữ liệu và xử lý luồng.
Các hệ thống vận chuyển được kết nối (CTS) cần một cơ sở hạ tầng mạnh mẽ để xử lý tín hiệu thời gian thực và đảm bảo khả năng mở rộng Hệ thống không chỉ thu thập dữ liệu mà còn phải hỗ trợ phân tích dữ liệu quy mô lớn, như việc sử dụng dữ liệu không gian địa lý để phát hiện các mối quan tâm an toàn trong khu vực xung quanh xe Chương này sẽ xem xét các hệ thống cơ sở hạ tầng dữ liệu hiện tại trong lĩnh vực này.
