Dự báo tình trạng giao thông đô thị bằng các kỹ thuật học máy

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ LƯƠNG TRƯỜNG KỲ DỰ BÁO TÌNH TRẠNG GIAO THÔNG ĐÔ THỊ BẰNG CÁC KỸ THUẬT HỌC MÁY Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số : 8480101 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 07 năm 2023 ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ LƯƠNG TRƯỜNG KỲ DỰ BÁO TÌNH TRẠNG GIAO THƠNG ĐƠ THỊ BẰNG CÁC KỸ THUẬT HỌC MÁY Chuyên ngành: KHOA HỌC MÁY TÍNH Mã số : 8480101 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 07 năm 2023 I think, therefore I am; — René Descartes CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG –HCM Cán hướng dẫn khoa học: PGS.TS TRẦN MINH QUANG Cán chấm nhận xét 1: PGS.TS NGUYỄN VĂN VŨ Cán chấm nhận xét 2: PGS.TS NGUYỄN TUẤN ĐĂNG Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 11 tháng 07 năm 2023 Thành phần hội đồng đánh giá luận văn thạc sĩ gồm: Chủ tịch: PGS.TS LÊ HỒNG TRANG Thư ký: TS PHAN TRỌNG NHÂN Phản biện 1: PGS.TS NGUYỄN VĂN VŨ Phản biện 2: PGS.TS NGUYỄN TUẤN ĐĂNG Uỷ viên: PGS.TS TRẦN MINH QUANG Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KH & KTMT ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Lê Lương Trường Kỳ MSHV: 2070414 Ngày, tháng, năm sinh: 16/10/1997 Nơi sinh: Quảng Nam Chuyên ngành: Khoa học máy tính Mã số : 8480101 I TÊN ĐỀ TÀI: DỰ BÁO TÌNH TRẠNG GIAO THƠNG ĐƠ THỊ BẰNG CÁC KỸ THUẬT HỌC MÁY (FORECASTING URBAN TRAFFIC CONDITIONS USING MACHINE LEARNING TECHNIQUES) II NHIỆM VỤ VÀ NỘI DUNG: Nghiên cứu đề xuất mơ hình gom cụm đoạn đường có tình trạng giao thơng tương tự từ liệu thu thập khứ kỹ thuật học máy, để người dùng có nhìn tổng quan tình trạng giao thơng khu vực khác dự đốn xu hướng giao thơng tương lai III NGÀY GIAO NHIỆM VỤ : 06/02/2023 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 11/06/2023 V CÁN BỘ HƯỚNG DẪN: PGS.TS TRẦN MINH QUANG Tp HCM, ngày tháng năm 20 CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) HỘI ĐỒNG NGÀNH (Họ tên chữ ký) TRƯỞNG KHOA….……… (Họ tên chữ ký) L ic m n L i u tiên, xin bày t lòng bi t n g i n th y PGS.TS Tr n Minh Quang l i c m n chân thành Th y ã t n tình ch b o, h ng d n nh h ng cho tơi su t q trình th c hi n lu n v n Tôi xin g i l i cám n chân thành n qu˝ th y cô Khoa Khoa h c K thu t Máy Tính ã h t lịng truy n d y cho nh ng ki n th c su t th i gian h c t p t i tr ng i h c Bách Khoa – i h c Qu c Gia Tp H Chí Minh Sau xin c g i l i cám n chân thành nh t n gia ình tơi, b n bè, nh ng ng i ã ng viên, khuy n khích t o i u ki n thu n l i cho tơi tồn b q trình h c t p c ng nh th c hi n tài nghiên c u H c viên th c hi n tài Lê L ng Tr ng K i Tóm t t M c ích c a nghiên c u xu t ph ng pháp d ốn tình tr ng giao thơng b ng gi i thu t gom c m h c máy d a vào d li u trình tr ng giao thông (TTGT) kh c thu th p t nhi u ngu n khác nh camera giao thông an ninh ng d ng bên th cung c p TTGT , a o n ng có TTGT t ng t nhau, th i gian kéo dài c a TTGT t i o n ng ó d oán TTGT t i o n ng không thu th p c v n t c c ng nh d báo TTGT t ng lai c a o n ng Bên c nh ó, k t qu c a tài s cung c p cho ng i tham gia giao thơng có nhìn t ng quan v tình tr ng giao thơng t i khu v c khác c a thành ph t ó có th l a ch n có n ng di chuy n phù h p nh m gi m tình tr ng ùn t c giao thơng T khố: khai phá d li u, giao thơng ô th , gom c m tình tr ng giao thông ii Abstract The purpose of this thesis is to propose a method for predicting traffic conditions using clustering algorithms in machine learning based on historical traffic data collected from various sources such as security traffic cameras and third-party applications providing transportation data The aim is to identify similar traffic clusters, the duration of traffic congestion on specific road segments and predict traffic status at road segments where speed cannot be collected as well as predict the future traffic status of road segments Additionally, the results of this research will provide commuters with an overview of traffic conditions in different areas of the city, enabling them to choose appropriate travel routes to alleviate traffic congestion Keywords: data mining, urban transportation, traffic congestion clustering iii L i cam oan Tôi xin cam oan ây cơng trình nghiên c u khoa h c ã t th c hi n D li u c s d ng toàn b trình phân tích c a lu n v n có ngu n g c rõ ràng minh b ch, c công b theo úng quy nh o c nghiên c u khoa h c Các k t qu t c c a nghiên c u lu n v n này, ã t th c hi n m t cách trung th c khách quan K t qu lu n v n c công b l n u tiên b n báo cáo ch a t ng c cơng b tr c ó H c viên Lê L ng Tr ng K iv M cl c L ic m n i Tóm t t ii Abstract iii L i cam oan iv M c l c hình viii Thu t ng & t vi t t t GI 1.1 1.2 1.3 I THI U BÀI TOÁN L˝ ch n tài M c ích nghiên c u › ngh a khoa h c th c ti n 1.3.1 › ngh a khoa h c 1.3.2 › ngh a th c ti n 1.4 B c c lu n v n xi 1 4 CÁC NGHIÊN C U LIÊN QUAN 2.1 T ng quan v tình hình ùn t c giao thơng Tp HCM 2.2 Các nghiên c u Vi t Nam 2.3 Các nghiên c u n c 7 N N T NG L› THUY T 3.1 nh ngh a khai phá d li u 3.2 nh ngh a v d li u l n - Big data 3.3 Các thu t toán áp d ng thu th p d li u b ng Deep Learning 12 12 13 14 v 5.5 Hi n th c Website h tr trình t ng tác v i h th ng c p hi u su t t t, tin c y tài nguyên h n so v i framework web truy n th ng khác Nó s d ng ki n trúc d a hàm khái ni m c a Python n gi n hóa vi c xây d ng API M t nh ng i m n i b t c a FastAPI s h tr cho ki u d li u ng ki u d li u c xác nh t nh trình ch y (runtime) FastAPI s d ng Pydantic t o xác th c d li u, cho phép nh ngh a mơ hình d li u ki u d li u mã ngu n i u giúp gi m l i cung c p mã ngu n rõ ràng d b o trì FastAPI c ng h tr c ch x l˝ b t ng b (asynchronous) s d ng cú pháp async/await c a Python i u cho phép x l˝ ng th i hi u su t t t h n cho yêu c u API M t s API s dùng h th ng: /data_mining/get_infor: l y thông tin v m c th i gian (các gi cao i m) qu n có data phân tích c a h th ng /data_mining/K_means: l y k t qu sau hi n th c gi i thu t gom c m d li u tình tr ng giao thơng 5.5.2 Hi n th c Frontend Công ngh s d ng Hi n có framework giúp vi (SPA) ReactJS, VueJs Angular M Tuy nhiên, ReactJS có nhi u u i m v c ch ng minh b ng vi c ReactJS có t web theo d ng Single Page Application i framework s có u nh c i m riêng t tr i h n framework l i, i u m t c ng ng r t l n ReactJS m t th vi n JavaScript ph bi n c s d ng xây d ng giao di n ng i dùng (UI) ng d ng web Nó c phát tri n b i Facebook c ng ng React, ã nhanh chóng tr thành m t cơng ngh ph bi n vi c phát tri n ng d ng web hi n i V i ReactJS, có th xây d ng thành ph n UI tái s d ng, tách bi t 64 5.5 Hi n th c Website h tr trình t ng tác v i h th ng có kh n ng tái s d ng cao ReactJS s d ng cách ti p c n g i "componentbased architecture"(ki n trúc d a thành ph n), ó giao di n ng i dùng c chia thành thành ph n c l p, m i thành ph n i di n cho m t ph n c a giao di n i u giúp t ng tính tái s d ng, hi u su t kh n ng qu n l˝ mã ngu n M t nh ng c i m n i b t c a ReactJS Virtual DOM (DOM o) ReactJS s d ng Virtual DOM c i thi n hi u su t vi c c p nh t hi n th thành ph n Thay c p nh t tr c ti p DOM th t (DOM th t c u trúc HTML), React s d ng DOM o ánh x thay i, ch c p nh t DOM th t c n thi t i u giúp gi m t i cho trình t c i thi n t c hi n th Ngồi ra, ReactJS h tr mơ hình d li u m t chi u (one-way data flow), ó d li u ch di chuy n t thành ph n cha n thành ph n i u giúp qu n l˝ tr ng thái ng d ng d dàng h n gi m thi u l i có th x y d li u c c p nh t không ng b ReactJS c ng có c ng ng l n sơi ng, v i nhi u tài li u, th vi n, cơng c h tr Nó k t h p t t v i công ngh th vi n khác, cho phép xây d ng ng d ng web phong phú m nh m Trên c b n, ReactJS m t công ngh phát tri n giao di n ng i dùng m nh m linh ho t, giúp t o ng d ng web tin c y, hi u qu d b o trì hi n th giao di n Map lên giao di n Website tơi có k t h p s d ng OpenStreetMap Leaflet OpenStreetMap (OSM) m t d án c ng ng toàn c u nh m xây d ng m t b n s t mã ngu n m cho toàn b th gi i OSM c phát tri n b i m t c ng ng a d ng g m tình nguy n viên kh p th gi i i u c bi t v OSM cho phép b t k s d ng, ch nh s a phân ph i l i theo gi y phép t OSM cung c p m t ngu n d li u a l˝ phong phú chi ti t, bao g m thông tin v n ng, i m a danh, khu v c a l˝ nhi u thông tin khác i u làm cho OSM tr thành m t ngu n tài nguyên h u ích vi c xây d ng ng d ng a l˝ hi n th b n tr c n 65 5.5 Hi n th c Website h tr trình t ng tác v i h th ng Leaflet m t th vi n JavaScript mã ngu n m nh nhàng, linh ho t d s d ng cho vi c hi n th b n tr c n V i Leaflet, có th tích h p d li u a l˝ t ngu n khác t o ng d ng b n t ng tác Leaflet cung c p m t t p h p tính n ng phong phú hi n th l p d li u a l˝, nh i m a danh, n ng, a giác l p tùy ch nh khác Chúng ta có th tùy ch nh bi u , i u ch nh phóng i, i u h ng t ng tác v i b n M t nh ng u i m c a Leaflet nh nhàng t ng thích v i nhi u n n t ng web Leaflet cung c p m t API linh ho t cho phép tùy ch nh m r ng tính n ng theo nhu c u Nó c ng h tr tích h p v i d ch v b n tr c n khác nh OSM, Mapbox, Google Maps V i nh ng u i m trên, k t h p s d ng OpenStreetMap Leaflet cho phép t o ng d ng b n tr c n m nh m tùy ch nh 5.5.3 Ch c n ng H th ng cho phép ng i dùng có th th c hi n m t s ch c n ng sau: Quan sát segment có TTGT gi ng (hình 5.20 hình 5.21) Bi t c c thông tin c a c m d li u nh phân tích 5.2.2 66 5.5 Hi n th c Website h tr trình t ng tác v i h th ng Hình 5.20: Hi n th segments có chung TTGT (các marker màu ) Hình 5.21: Hi n th segments có chung TTGT (các marker màu xanh) 67 ÁNH GIÁ VÀ T NG K T NGHIÊN C U 6.1 6.1.1 ánh giá h th ng xác c a gi i thu t gom c m Trong nghiên c u này, ã xác l n l t nh sau: xu t m t s ph ng pháp m i k t qu • Gán c m cho segments d a vào v n t c th c t , k t qu thu xác 76% cv i • D ốn th i gian kéo dài c a segments d a vào v n t c th c t xác c a ph ng pháp so sánh th i gian kéo dài th c t v i tr ng h p s c k t qu nh sau: – Th i gian kéo dài th c t b ng v i giá tr d nh t, xác: 52% oán có kh n ng x y – Th i gian kéo dài th c t n m kho ng th i gian d ng n nh t lâu nh t, xác: 57% • D ốn TTGT t i segments thi u d li u pháp c chia thành tr ng h p sau: – V n t c th c t b ng v i v n t c d oán kéo dài xác c a ph ng ốn có kh n ng x y nh t: 60% – V n t c th c t b ng n m kho ng v n t c d nh t: 67.9% oán nh cao 68 6.1 – Th i gian kéo dài th c t b ng v i giá tr d cao nh t: 54% ánh giá h th ng ốn có kh n ng x y – Th i gian kéo dài th c t n m kho ng th i gian d ng n nh t lâu nh t: 61% oán kéo dài V i k t qu ánh giá xác c a t ng ph ng pháp, nh n th y r ng ph ng pháp mà xu t nghiên c u t xác ch a nh k v ng b i y u t nh : • Th i gian thu th p d li u ch a • dài nh y trong vi c thu th p v n t c d n n k t qu tính tốn th i gian kéo dài c a v n t c khơng t xác cao 6.1.2 T c x l˝ c a gi i thu t K-means ánh giá h th ng ã l a ch n m t s tr ng h p tính tốn th i gian th c hi n gi i thu t k-means Các tr ng h p ó bao g m d li u t i m t th i i m c th c a ngày tu n c chia thành tr ng h p sau: T i m t qu n c th (ví d : t i qu n 2) T i qu n li n k (ví d t i qu n 10, qu n Tân Bình ) Trên tồn thành ph Chi ti t mơi tr ng ánh giá h th ng B ng 6.1: Môi tr H i u hành RAM CPU Tr ng h p Tr ng h p Tr ng h p c hi n th b ng 6.1: ng ánh giá MacOS 16GB nhân CPU, nhân GPU 16 NPU lúc 16h55 ngày tu n t i Tp Th c lúc 16h55 ngày tu n t i qu n 10 qu n Tân Bình lúc 16h55 ngày tu n toàn thành ph 69 6.1 B ng 6.2: K t qu tính tốn th i gian Ngày tu n S l ng d li u i v i tr ánh giá h th ng ng h p s c m K-means (giây) Th 508 2.4034 Th 508 2.5401 Th 635 1.3356 Th 635 0.9354 Th 635 2.2858 Th 508 0.9857 Chúa Nh t 508 2.3425 Sau th c hi n tính tốn th i gian cho c tr k t qu gi ng nh b ng 6.2 6.1.3 xác c a mơ hình d ng h p nêu tơi ốn TTGT t c ng lai Ngồi o q trình hu n luy n mơ hình nh : train_loss, test_loss, nghiên c u tơi cịn s d ng m t s o khác nh MSE MAPE MAPE (Mean Absolute Percentage Error) m t phép o ánh giá l i trung bình c a mơ hình d ốn so v i giá tr th c t toán d oán MAPE c s d ng o l ng t l l i t ng i gi a d oán giá tr th c t Công th c tính MAPE c xác nh nh sau: M AP E = n 1ÿ yi ≠ yˆi | | ú 100 n i=1 yi Trong ó: • n: s l ng m u t p d li u • yi : giá tr th c t c a m u th i • yˆi : giá tr d ốn c a m u th i MSE (Mean Squared Error) m t phép o ánh giá trung bình gi a d oán giá tr th c t mơ hình d l i bình ph ng ốn Cơng th c 70 6.2 tính MSE c xác ánh giá k t qu t c nh nh sau: M SE = n 1ÿ (yi ≠ yˆi )2 n i=1 Trong ó: • n: s l ng m u t p d li u • yi : giá tr th c t c a m u th i • yˆi : giá tr d oán c a m u th i Hình 6.1: K t qu ánh giá mơ hình d oán TTGT t ng lai T k t qu ánh giá hình 6.1 ta có th th y r ng k t qu d oán t ng i g n v i k t qu th c t Vì v y, mơ hình d ốn TTGT t ng lai c xu t có th áp d ng vào toán th c t 6.2 6.2.1 ánh giá k t qu t c › ngh a khoa h c V m t khoa h c, nghiên c u a c ch giúp gi i quy t v n v m t gom c m o n ng có TTGT gi ng nhau, t ó giúp ng i dùng có nhìn t ng quan v TTGT t i khu v c khác c a thành ph d oán xu 71 6.3 h ng giao thơng t óng góp sau ây: • Xác nh bi n li u kh • 6.2.2 ng m r ng ng lai K t qu c a nghiên c u mang l i nh ng u vào c n thi t cho mơ hình d xu t h th ng cho vi c gom c m d pháp h c máy • xu t h oán TTGT d a vào d oán TTGT d a ph ánh giá tính kh thi kh n ng ng d ng th c t c a mơ hình ng xu t › ngh a th c ti n tài góp ph n cung c p thơng tin v tình tr ng giao thơng cho c dân nhân viên làm vi c t i Tp HCM, nh m giúp h có nhìn t ng quan v tình hình giao thơng t i v trí c th khơng gian th i gian nh t nh M c tiêu c a vi c ng i tham gia giao thông có th i u ch nh l trình di chuy n k p th i nh m gi m thi u tình tr ng ùn t c i u khơng ch mang l i l i ích tr c ti p b ng cách tránh ho c gi m thi u k t xe, mà cịn góp ph n gián ti p nâng cao ch t l ng cu c s ng c a c dân, gi m ô nhi m khơng khí, ti t ki m nhiên li u t ng tính kinh t thơng qua vi c rút ng n th i gian di chuy n Bên c nh ph c v cho ng i dân, tài ph c v cho c p qu n l˝ c ng nh c quan ch u trách nhi m v i u ph i giao thông, quy ho ch, nâng c p c s h t ng giao thông b ng cách cung c p báo cáo, th ng kê thơng tin v tình tr ng giao thơng a bàn, t ó h có kh n ng a nh ng quy t nh k p th i nh m gi m thi u tình tr ng ùn t c giao thơng t i nh ng a i m th ng xuyên có TTGT ph c t p 6.3 xu t h ng m r ng Nghiên c u m i ch a ph ng pháp c b n v v n thu th p thông tin TTGT qua camera giám sát b ng k thu t Deep Learning, k t qu t c v n ch a th áp d ng vào toán th c t d li u hu n luy n h n ch nhiên ây có th n n t ng xây d ng m t h th ng thu th p thông tin 72 6.3 xu t h ng m r ng b ng cách m r ng d li u hu n luy n t ng xác c a mơ hình c ng nh hồn thi n ph ng pháp tính tốn v n t c sau nh n di n theo dõi i t ng Tuy nghiên c u ã hi n th c c k thu t gom c m nh k-means nh ng h n ch l n v d li u thu th p Trong t ng lai, h th ng hi n t i có th m r ng theo h ng: k thu t, qu n l˝ • V h ng k thu t: C n m r ng khai phá nh ng thu t toán nh : quy t c k t h p (association rules) (s d ng thu t toán quy t c k t h p d oán nh ng o n ng ho c i m nóng có liên quan v i nhau, ví d : o n ng A x y tình tr ng k t xe o n ng g n ó B, C c ng s x y tình tr ng t ng t ) ho c s d ng ph ng pháp h c t ng c ng (Reinforcement Learning) xây d ng m t h th ng thông minh t ng i u ch nh tín hi u giao thơng • V h ng qu n l˝: C n m r ng h th ng h tr th ng kê, d báo TTGT c ng nh nh h ng h tr quy t nh cho nhà qu n l˝, giúp nhà qu n l˝ c quan liên quan có nhìn t ng quát v TTGT thành ph 73 Tài li u tham kh o [1] T T Anh, N X Dao, and T T Anh, "The los of road traffic accident in Vietnam,"Eastern Assian Society for Transportation Studies, Vol 2005, pp 1923- 1933 [2] An toàn giao thông, "Nhi u gi i pháp ch ng ùn t c giao thông Tp HCM,"http://www.atgt.vn/nhieu-giai-phap-chong-un-tac-giao-thong-otp-hcm-d126317.html, truy c p 5/2023 [3] TomTom, Tomtom navigation https://www.tomtom.com/products/navengine/"truy c p 03/2023 [4] Trung tâm d báo nghiên c u ô th , tài li u qu n l˝ v n hành m ng l i giao thơng cơng c ng , Khóa t p hu n h p tác v i AFD, 2015 [5] T ng c c th ng kê Vi t Nam, S li u di n tích, m t ph ng , Hà N i, 2016 dân s theo a [6] Cơng ty TomTom, "Báo cáo tình tr ng giao thông thành ph th gi i n m 2020 ", https://www.tomtom.com/newsroom/explainers-andinsights/how-the-world-moved-in-2020/, truy c p 5/2023 [7] DH (2018) Qu t giao thông th p, m i gi k t xe TP HCM thi t h i 2,4 t ng , http://ndh.vn/quy-dat-giao-thong-thap-moi-gio-ket-xe-tp-hcmthiet-hai-2-4-ty- dong-20180112101058307p148c173.news, truy c p 4/2023 [8] S giao thông v n t i Tp.HCM, http://sgtvt.hochiminhcity.gov.vn/ [9] T ng c c th ng kê "Công b k t qu T ng i u tra dân s 2019"http://tongdieutradanso.vn/cong-bo-ket-qua-tong-dieu-tra-dan-so2019.html, truy c p 5/2023 74 Tài li u tham kh o [10] Giao thông FM91 MHz, "VOV – b n giao thông,"http://vovgiaothong.vn/ [11] C ng thông tin giao thông TP HCM c a S giao thông v n t i TP HCM, http://giaothong.hochiminhcity.gov.vn/, truy c p 5/2023 [12] P T Vu, et al., "Smart BK Traffic", http://traffic.hcmut.edu.vn/index.html, truy c p 5/2023 [13] N T Th ng, "Nghiên c u xây d ng H th ng giám sát x l˝ vi ph m TTATGT b ng hình nh h th ng giao thông ng b ,"H i ngh An tồn giao thơng, 2015, pp 1-12 [14] T C M Hien, "Xây d ng h th ng giám sát x l˝ vi ph m TTATGT b ng hình nh h th ng giao thông ng b ,"H i ngh An tồn giao thơng, 2015, pp 1-8 [15] Japan Ministry of Land Infrastructure and Transport: The System Outline of VICS, http://www.vics.or.jp, truy c p 4/2023 [16] Route search and location based consumer http://www.navitime.co.jp, truy c p 4/2023 services in Japan [17] B Coifman, Improved velocity estimation using single loop detectors, Trans Res A, vol 35, no 10, pp 863–880, Dec 2001 [18] S Mane and S Mangale Moving object detection and tracking using convolutional neural networks, in 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS), 2018, pp 1809–1813 [19] Y Zhang, Y Tang, B Fang, and Z Shang Fast multi-object tracking using convolutional neural networks with tracklets updating, in 2017 International Conference on Security, Pattern Analysis, and Cybernetics (SPAC), 2017, pp 313–317 [20] M I H Azhar, F H K Zaman, N M Tahir, and H Hashim People tracking system using deepsort, in 2020 10th IEEE International Conference on Control System, Computing and Engineering (ICCSCE), 2020, pp 137–141 [21] N Wojke, A Bewley, and D Paulus, Simple online and realtime tracking with a deep association metric, in 2017 IEEE International Conference on Image Processing (ICIP), 2017, pp 3645–3649 75 Tài li u tham kh o [22] R Ghosh, A Mishra, G Orchard, and N V Thakor, Real-time object recognition and orientation estimation using an event-based camera and cnn, in 2014 IEEE Biomedical Circuits and Systems Conference (BioCAS) Proceedings, 2014, pp 544–547 [23] L C M Junior and J Alfredo C Ulson, Real time weed detection using computer vision and deep learning, in 2021 14th IEEE International Conference on Industry Applications (INDUSCON), 2021, pp 1131– 1137 [24] Chen, G., Wang, S., Yang, Z, "Traffic Flow Data Clustering Using Unsupervised Learning"in IEEE Transactions on Intelligent Transportation Systems, 2014 [25] Xing Wang, Ruihao Zeng, Fumin Zou, Lyuchao Liao, Faliang Huang "Traffic Congestion Prediction Using Cluster Analysis and Support Vector Regression"in International Journal of Computational Intelligence Systems volume 16(2022) [26] Jian Wang, Sonil Kwak, Kwangchol Ri, Kyongjin Sok "Traffic Flow Clustering and Prediction Based on Spatiotemporal Features"in Journal of Computer and Communications 2022 [27] Bowu Zhang, K Xing, X Cheng, Liusheng Huang and Rongfang Bie, "Traffic clustering and online traffic prediction in vehicle networks: A social influence perspective,"2012 Proceedings IEEE INFOCOM, Orlando, FL, 2012, pp 495503 [28] Jagadish, D.N., Mahto, L., Chauhan, A (2021), "Deep Learning and Density Based Clustering Methods for Road Traffic Prediction", In Computer Vision and Image Processing CVIP 2020 [29] "Data-Flair", https://data-flair.training/, truy c p 05/2023 [30] "SAS company , https://www.sas.com/en_us/company-information.html, truy c p 05/2022 [31] "D li u l n gì?", https://ictnews.vietnamnet.vn/cntt/cach-mang-40/dulieu-lon-la-gi-162374.ict, truy c p 05/2023 [32] " c tr ng c a Big data", http://camnanglaptrinh.com/index.php/2019/04/04/dactrung-co-ban-cua-big-data-5v/, truy c p 05/2023 76 Tài li u tham kh o [33] J Redmon, S Divvala, R Girshick, and A Farhadi, You only look once: Unified, real-time object detection, in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp 779–788 [34] Shuai Hua1, Manika Kapoor1, David C Anastasiu, "vehicle Tracking and Speed Estimation from Traffic Videos"in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2018 [35] Q Li, R Li, K Ji, and W Dai, Kalman filter and its application, in 2015 8th International Conference on Intelligent Networks and Intelligent Systems (ICINIS), 2015, pp 74–77 [36] OpenStreetMap, https://www.openstreetmap.org/#map=3/2.55/66.71, truy c p 5/2023 [37] Mai T n Hà Xây d ng h th ng d ốn tình tr ng giao thơng Master thesis, HCMC University of Technology, 2020 TP.HCM, , [38] Gi i thu t k-Means, "https://phamdinhkhanh.github.io/deepaibook/ch_ml/index_KMeans.html", truy c p 03/2023 [39] Gi i thu t Hierarchical Clustering (phân c m phân c p), "https://phamdinhkhanh.github.io/deepaibook/ch_ml/index_HierarchicalClustering.html", truy c p 03/2023 77 PHẦN LÝ LỊCH TRÍCH NGANG Họ tên: Lê Lương Trường Kỳ Ngày, tháng, năm sinh: 16/10/1997 Nơi sinh: Quảng Nam Địa liên lạc: An Mỹ, Tam Lãnh, Phú Ninh, Quảng Nam QUÁ TRÌNH ĐÀO TẠO: Bậc đào tạo Thạc sỹ Đại học Nơi đào tạo Trường đại học Bách Khoa – ĐHQG Tp HCM Trường đại học Bách Khoa – ĐHQG Tp HCM Chuyên ngành Khoa học máy tính Năm tốt nghiệp 2023 Kỹ thuật máy tính 2020 Q TRÌNH CÔNG TÁC Thời gian (Từ năm … đến năm …) Vị trí cơng tác Địa cơng tác Từ 2021 đến Data and Software Engineer Công ty TNHH Sutrix Solutions (Toà nhà BlueSky số1 Bạch Đằng, Phường 2, Tân Bình, TP HCM) Từ 2020 đến 2021 AI and Software Engineer Công ty TNHH Emage Development (46 Hồng Hà, Phường 2, Tân Bình, TP HCM)