Phân loại thời gian sự cố tai nạn giao thông sử dụng lý thuyết tệp mờ

Bài viết này giới thiệu cách phân loại thời gian diễn ra sự cố tai nạn giao thông sử dụng lý thuyết tệp mờ dựa trên một năm dữ liệu về tai nạn trên hệ thống đường cao tốc Singapore. Trong bài viết này, khái niệm “thời gian sự cố tai nạn” không phải là thời gian xảy ra những va chạm vật lý của phương tiện giao thông mà là khoảng thời gian... Đề tài Hoàn thiện công tác quản trị nhân sự tại Công ty TNHH Mộc Khải Tuyên được nghiên cứu nhằm giúp công ty TNHH Mộc Khải Tuyên làm rõ được thực trạng công tác quản trị nhân sự trong công ty như thế nào từ đó đề ra các giải pháp giúp công ty hoàn thiện công tác quản trị nhân sự tốt hơn trong thời gian tới.

Tuyển tập Hội nghị Khoa học thường niên năm 2023 ISBN: 978-604-82-7522-8

158

PHÂN LOẠI THỜI GIAN SỰ CỐ TAI NẠN GIAO THÔNG SỬ DỤNG LÝ THUYẾT TỆP MỜ

Trịnh Đình Toán

Trường Đại học Thủy lợi, email: trinhdinhtoan@tlu.edu.vn

1 TỔNG QUAN

Tai nạn giao thông là một nguyên nhân quan trọng dẫn tới ùn tắc giao thông đô thị, vì vậy các số liệu về thời gian xảy ra sự cố tai nạn cùng các đặc trưng của chúng cần được tổng hợp nhằm quản lý giảm thiểu ùn tắc giao thông, xây dựng các biện pháp ứng xử, giải cứu tai nạn và vãn hồi tình trạng giao thông sau khi xẩy ra sự cố, đồng thời phục vụ cho công tác điều tra nghiên cứu cải thiện an toàn giao thông

Dữ liệu về tai nạn thường được lưu trữ trong các cơ sở dữ liệu (CSDL), có thể được trích xuất và lượng hóa bằng phương pháp số hoặc được phân loại thành các “tệp” sử dụng Logic mờ Theo phương pháp số dữ liệu được phân loại thành các nhóm chứa đựng các giá trị bằng số Logic mờ là một cách tiếp cận định tính gần với sự quan sát, suy luận và

ra quyết định của con người [1] Với phương pháp Logic mờ, các biến được phân chia thành một số hữu hạn các tệp mờ sử dụng ngôn ngữ thông thường, ví dụ “Thấp”,

‘Trung bình”, “Cao”, tương ứng với những ứng xử khác nhau về giải pháp quản lý và tổ chức giao thông Ưu điểm của phương pháp phân loại theo tệp mờ so với phương pháp số bao gồm: (i) sự biểu đạt bằng ngôn ngữ thông thường dễ nhận biết; (ii) phân chia tệp mờ phản ánh cách thức mà bộ não con người định lượng và phân loại dữ liệu theo tên gọi hơn là theo con số; (iii) việc sử dụng ngôn ngữ thay vì các giá trị số là một cách nén dữ liệu hiệu quả Đối với các vấn đề đơn giản, việc phân loại có thể được thực hiện bằng tư duy thông thường Tuy nhiên, khi dữ liệu

phân bố không đồng đều trên miền xác định của hàm, việc phân định ranh giới các tệp đòi hỏi các kỹ thuật phức tạp hơn

Bài viết này giới thiệu cách phân loại thời gian diễn ra sự cố tai nạn giao thông sử dụng

lý thuyết tệp mờ dựa trên một năm dữ liệu về tai nạn trên hệ thống đường cao tốc Singapore Trong bài viết này, khái niệm

“thời gian sự cố tai nạn” không phải là thời gian xảy ra những va chạm vật lý của phương tiện giao thông mà là khoảng thời gian tính từ thời điểm xảy ra sự cố tai nạn đến khi sự ùn tắc liên quan đến tai nạn được giải tỏa, giao thông được vãn hồi

2 CƠ SỞ DỮ LIỆU

Bảng 1 tóm tắt các số liệu thống kê chính

về thời gian xảy ra sự cố của 1.093 tai nạn giao thông trên mạng lưới đường cao tốc Singapore [2] Dữ liệu cho thấy phân bố thời gian xảy ra sự cố tai nạn không có tính đối xứng mà có độ lệch dương, với tỷ lệ của độ lệch chuẩn so với giá trị trung bình là 0,78

Bảng 1 Thống kê thời gian sự cố tai nạn

(phút)

Tham số thống kê Giá trị

Tổng thời gian 63.268

Tuyển tập Hội nghị Khoa học thường niên năm 2023 ISBN: 978-604-82-7522-8

159

Tính chất lệch dương của dữ liệu được phản ánh rõ nét hơn theo phân bố về tần suất riêng phần (tỷ lệ tai nạn) theo thời gian (Hình 1), trong đó các tai nạn có thời gian ngắn chiếm

tỷ lệ vượt trội so với các tai nạn kéo dài Điều

đó cho thấy sự cần thiết của việc phân loại thời gian sự cố với tham chiếu là số liệu thực thay vì bằng tư duy thông thường, vì phương pháp tư duy thông thường có xu hướng phân chia các loại (tệp) một cách đồng đều trên miền giá trị của hàm

Hình 1 Phân bố về thời gian sự cố tai nạn

3 PHÂN LOẠI THỜI GIAN SỰ CỐ

Trong nghiên cứu này, thời gian sự cố tai nạn được xem là một biến số, được phân chia thành một số hữu hạn các hàm thành viên

Các nội dung chủ yếu trong việc xây dựng các hàm thành viên bao gồm việc xác định miền giá trị của biến, định dạng của hàm và phân vùng các tệp mờ Phần sau đây trình bày các nội dung này theo hướng tiếp cận dựa trên dữ liệu

3.1 Miền giá trị của biến

Miền giá trị của một biến là tập hợp các giá trị làm cho biến đó có nghĩa Việc xác định miền giá trị là rất quan trọng cho ánh xạ đầu vào - đầu ra khi thiết kế các quy tắc tệp

mờ Bảng 1 cho thấy miền giá trị của biến thời gian tai nạn thay đổi trong khoảng [1, 215]

Để xác định chính xác miền giá trị của biến

có thể sử dụng hàm sinh tồn (Hình 2), một đường cong phân bố tỷ lệ của một sự cố tai

nạn giả định có thời gian (T A ) lớn hơn hoặc

bằng thời gian thực tế t (P(T A  t), %) Việc

quan trắc hàm sinh tồn cho thấy T max A  210.

Như vậy miền giá trị của biến thời gian tai nạn được xác định là t  [0, 210] Các giá trị ở cực bên phải (T  210) không có ý nghĩa thống kê

Hình 2 Hàm sinh tồn về thời gian tai nạn

3.2 Định dạng hàm và phân vùng các tệp mờ dựa trên dữ liệu

Vì định dạng hàm chỉ có tác động cục bộ nên để đơn giản hàm được chọn là tuyến tính theo định dạng tam giác hoặc hình thang, với các phần chồng lấp chỉ tồn tại giữa hai tệp

mờ liền kề Các vấn đề chủ yếu trong việc phân vùng tệp mờ bao gồm xác định số lượng tệp, vị trí trung tâm của các hàm thành viên

và mức độ chồng lấp giữa các tệp mờ

Việc quyết định số tệp mờ phụ thuộc vào ứng dụng cũng như độ phân giải mong muốn

Trong nghiên cứu này, thời gian sự cố tai nạn được phân thành ba tệp “ngắn”, “trung bình”

và “dài”

Hình 3 Phân loại thời gian tai nạn

theo xác suất

Tuyển tập Hội nghị Khoa học thường niên năm 2023 ISBN: 978-604-82-7522-8

160

Hình 3 thể hiện đường cong tích lũy về thời gian tai nạn dựa trên cơ sở dữ liệu tai nạn trong Bảng 1, được xây dựng từ các tần suất riêng phần Các điểm giữa của các tệp được xác định tương ứng ở các giá trị phân vị thứ 15, 50 và 85 của tần số tích lũy: (a) =

T 15th = 12 min, (b) = T 50th = 45 min, (c) =

T 85th = 107 min

Theo lý thuyết tệp mờ, một giá trị nhất định bằng số của biến có thể được gán cho nhiều tệp mờ với các cường độ khác nhau được gọi là độ thành viên, có giá trị thay đổi trong khoảng [0, 1] Các tham số (a), (b) và (c) là các điểm dữ liệu tại đó có độ thành viên

bằng 1 Các miền giá trị t  (a) và t  c có độ

thành viên đầy đủ bằng 1 Các ranh giới của các tệp mờ, ngoài giá trị trung tâm, bao gồm giới hạn dưới và giới hạn trên của các hàm liên thuộc Vấn đề này được giải quyết thông qua xác định phạm vi trùng lặp giữa các hàm thành viên

Hình 4 Các hàm thành viên

về thời gian tai nạn

Trong nghiên cứu này, tác giả đề xuất xác định sự trùng lặp dựa trên quan điểm xác suất: các phần chồng lấp được thiết kế sao cho tổng các độ thành viên của các tệp mờ liền kề tại bất kỳ điểm nào trong các phần chồng lấp là bằng một Từ đó có thể thấy rằng độ thành viên của một tệp mờ tiến tới 0 khi độ thành viên của tệp mờ liền kề với nó tiến tới 1 Kết quả các hàm thành viên về khoảng thời gian xảy ra tai nạn được trình bày trong Hình 4

Giả sử miền giá trị về thời gian tai nạn được chia thành các khoảng thời gian 5 phút Dựa vào Hình 4 có thể biểu diễn công thức tính toán độ thành viên của các tệp mờ dưới dạng:

A

A

T bình

0 0,08 0,96 1

A Dài

Lưu ý là một thời gian cụ thể trong các miền chồng lấp có thể được phân loại thành 2 tệp mờ Ví dụ: một vụ tai nạn kéo dài 30 phút

có thể được phân loại là “ngắn” với độ thành viên  Ng¾n A  T A  30   0,46 và “trung bình”

với độ thành viên A  A  30   0,54.

T bình T



4 KẾT LUẬN

Bài viết này giới thiệu việc phân loại thời gian sự cố tai nạn giao thông bằng phương pháp Logic mờ, dựa trên số liệu của 1.093 tai nạn giao thông trên mạng lưới đường cao tốc Singapore Kết quả nghiên cứu cho thấy việc phân loại thời gian sự cố tai nạn theo Logic

mờ sử dụng dữ liệu thực tế là một cách thức phân loại phù hợp, được biểu đạt bằng ngôn ngữ thông thường dễ nhận biết, đồng thời cho phép khảo sát được đặc thù phân bố của dữ liệu trên miền xác định của hàm Phương pháp Logic mờ hoàn toàn có thể áp dụng cho giao thông Việt Nam nếu có đầy đủ cơ sở dữ liệu, tuy nhiên có thể dự kiến rằng đặc thù phân bố của giao thông hỗn hợp trong đô thị sẽ khác đáng kể với phân bố của giao thông trên đường cao tốc đề cập trong nghiên cứu này

5 TÀI LIỆU THAM KHẢO

[1] Zadeh, L., A (1994) “Fuzzy logic, neural networks, and soft computing” Journal of Communication of the ACM Vol 37, No 3

[2] Toan, T D (2008) “Development of a fuzzy knowledge-based system for local traffic control for incident management” PhD Thesis Nanyang Technological University