BO co Đ n cui k môn lp trnh vi python

6 3.2: Mô t Accident_data.csv: Degree of crash - detailed hu qu Reporting year năm bo co Year of crash năm xy ra Two-hour intervals gi xy ra Street of crash Đưng Street type l

Tổng quan đ án

Tổng quan đ ti

Giao thông hiện nay đang đối mặt với nhiều vấn đề nghiêm trọng như tắc nghẽn, tai nạn và ô nhiễm môi trường Việc nghiên cứu và tìm ra giải pháp cho những vấn đề này là rất cần thiết để cải thiện tình hình giao thông.

Định hướng chính sách giao thông hiệu quả là rất quan trọng, vì nó cung cấp thông tin và phân tích giúp xây dựng và thực hiện các chính sách này Những chính sách giao thông hợp lý sẽ góp phần vào sự phát triển bền vững của xã hội.

Dự án "Giao lộ không đèn đỏ" gần đây được Bộ Giao thông Vận tải đánh giá cao vì mang lại lợi ích lớn cho xã hội và cải thiện tình hình giao thông Chúng tôi hy vọng thông qua dự án này, sẽ có cơ hội phân tích và tìm kiếm các giải pháp hiệu quả nhằm nâng cao hiệu quả giao thông.

Mc tiêu

• Hiểu r thc trng giao thông: Nắm bắt tnh hnh giao thông hin ti, bao gồm lưu lưng, tn sut n tắc, tai nn giao thông, v cc vn đ khc liên quan

Để cải thiện tình hình giao thông, cần đưa ra các giải pháp hiệu quả như thay đổi cơ sở hạ tầng, áp dụng công nghệ mới và cải tiến quy định giao thông Những biện pháp này sẽ giúp nâng cao an toàn và hiệu quả trong việc di chuyển.

• Phát triển giao thông xanh: Xây dựng cc kế ch v chnh ho sch hỗ  giao thông bn vững v thân thin với môi trưtr ng.

Cu trc đ ti

Đ ti: Phân tch dữ u giao thôngli

• Phân tch dữ liệu lung giao thông: Để ti ưu hóa h thng đn giao thông v gim tắc nghẽn giao thông

• Phát triển hệ ng định vị v bn đ thông minh:th Để giúp ngưi li xe di chuyển hiu qu hơn

• Phân tch dữ liệu tai nn giao thông: Để xc định nguyên nhân gây tai nn v pht triển cc bin php phòng ngừa

• Xây dng các mô hình d báo nhu cầu giao thông trong tương lai: Để hỗ tr vic quy hoch h tng giao thông.

Cơ s l thuyt

Các công c liên quan, chc năng v cách thc hot đng

• Chc năng: Python l một ngôn ngữ lp trnh đa năng, dễ hc, dễ đc với cú php rõ rng

• Ứng dng: Đưc sử dụng rộng rãi trong nhiu lnh vực như phân tch dữ u, pht triển web, tr tu nhân to, khoa hc dữ u, v li li tự động hóa

• Chc năng: Excel l một công cụ bng tnh mnh mẽ của

Microsoft, hỗ tr tnh ton, phân tch v trực quan hóa dữ liu

• Ứng dng: Sử dụng để n lý dữ u, to biểu đồ, lp bo co qu li ti chnh, phân tch dữ u v cc nhim vụ liên quan đến xử lý s li liu

• Chc năng: Pandas l một thư vin Python cung cp cc cu trúc dữ u v công cụ phân tch dữ u hiu qu.li li

• Ứng dng: Sử dụng để xử lý dữ u bng tnh, lm sch v biếli n đổi dữ u, phân tch thng kê, v to cc bo co chi tiếli t

• Chc năng: NumPy l một thư vin Python cung cp hỗ tr cho cc mng v ma trn lớn, cng với một bộ cc hm ton hc để thao tc trên cc mng ny

• Ứng dng: Sử dụng trong cc tnh ton khoa hc, phân tch s liu, xử lý tn hiu v hnh nh, v cc ng dụng đòi hi tnh ton hiu sut cao

• Chc năng: SciPy l một thư vin Python xây dựng trên nn tng của NumPy, cung cp cc thut ton v hm ton hc tiên tiến

• Ứng dng: Sử dụng trong cc tnh ton khoa hc, phân tch dữ liu, mô phng, ti ưu hóa, v gii quyết cc bi ton trong khoa hc kỹ thut

• Chc năng: Matplotlib l một thư vin Python dng để to cc đồ thị v hnh nh

• Ứng dng: Sử dụng để trực quan hóa dữ u, to biểu đồli , đồ thị, hnh nh, v cc bo co đồ ha trong phân tch dữ u v khoa li hc dữ liu

• Chc năng: Tkinter l một thư vin Python cung cp cc công cụ để to giao din đồ ha ngưi dng (GUI)

• Ứng dng: Sử dụng để pht triển cc ng dụng desktop với giao din ngưi dng thân thin, bao gồm cc công cụ p liu, hiểnh n thị dữ u, v tương tc ngưi dli

qu thc nghiệm đ ti

Giới thiệu

• Data diễn t giao thông của bang New South Wales, Úc Đưc công b bởi chnh phủ nước Úc v khong thi gian từ 2006 đến

• Với hơn 22000 bộ dữ u đưc ghi nhnli

Mô t

Degree of crash - detailed hu qu

Year of crash năm xy ra

Two-hour intervals gi xy ra

Street of crash Đưng

Street type loi đưng

Route no mã thị trn

School zone location khu vực trưng hc

Type of location loi khu vực

Urbanization đô thị/nông thôn

Road surface mặt đưng

Other traffic control biển bo giao thông

No of traffic units involved s lưng xe tai nn

No killed s lưng tử vong

No seriously injured s lưng bị thương nghiêm trng

No moderately injured s lưng bị thương nặng

No minor-other injured slưng bị thương nhẹ

School_holiday k nghỉ trưng hc

Daily_total tổng xe ghi nhn đưc trong ngy

Các bước thc hiện

3.3.1: Phân tch dữ u luồng giao thông để ti ưu hóa h ng đn li th giao thông v gim tắc nghẽn giao thông

 Dataframe gồm 23 dòng mô t s xe trung bnh của từng gi trong ngy

 Sử dụng thư vin Matplotlib.pyplot để vẽ biểu đồ plot thể hin data frame

Biểu đồ thể hiện số lượng phương tiện giao thông trung bình theo giờ trong ngày

• Trc honh: Thể hin cc gi trong ngy, từ 00:00 đến 23:00

• Trc tung: Thể hin s lưng phương tin giao thông trung bnh theo gi

• Đường cong: Thể hin s lưng phương tin giao thông trung bnh theo gi

• S lưng phương tin giao thông trung bnh cao nht vo gi cao điểm buổi sng (từ 7:00 đến 9:00) v buổi chiu (từ 16:00 đến 18:00)

• S lưng phương tin giao thông trung bnh thp nht vo ban đêm (từ 0:00 đến 5:00)

• Có sự thay đổi nhẹ v s lưng phương tin giao thông trung bnh trong ngy

Biểu đồ thể hiện sự biến đổi của số lượng phương tiện giao thông trung bình trong ngày theo từng giờ Số lượng phương tiện giao thông trung bình đạt đỉnh cao nhất vào giờ cao điểm buổi sáng và buổi chiều, trong khi đó, số lượng này thấp nhất vào ban đêm.

 Dataframe gồm 35 dòng bao gồm Green_time, Red_time v Average_Waiting_time

 To hm để tnh thi gian ch trung bnh dựa trên thi gian đn đ v thi gian đn xanh

 Sử dụng thư vin Matplotlib.pyplot để vẽ biểu đồ plot.

Trung bình thời gian đợi của mỗi xe theo thời gian đèn xanh và đèn đỏ tương ứng

• Khi thi gian đn đ tăng từ 10 giây đến 60 giây, thi gian ch đi trung bnh tăng từ 0,15 giây đến 0,35 giây

Mối quan hệ giữa thời gian chờ đợi trung bình và thời gian đón đợi có thể được mô tả bằng phương trình tuyến tính y = mx + b, trong đó y là thời gian chờ đợi trung bình, x là thời gian đón đợi, m là độ dốc của đường cong, và b là giao điểm của đường cong với trục tung.

• Độ dc của đưng cong l khong 0,0025, cho thy rằng thi gian ch đi trung bnh tăng 0,0025 giây mỗi giây khi thi gian đn đ tăng

• Giao điểm của đưng cong với trục tung l khong 0,15 giây, cho thy rằng thi gian ch đi trung bnh l 0,15 giây khi thi gian đn đ l 0 giây

• Thi gian ch đi trung bnh tăng khi thi gian đn đ tăng

• Mi quan h giữa thi gian ch đi trung bnh v thi gian đn đ gn như tuyến tnh

Biểu đồ mô tả mối quan hệ giữa thời gian chờ đợi trung bình tại đèn giao thông và thời gian đèn đỏ là một công cụ hữu ích để hiểu rõ ảnh hưởng của thời gian đèn đỏ đối với thời gian chờ đợi Biểu đồ này có thể được áp dụng cho nhiều mục đích khác nhau, bao gồm tối ưu hóa thời gian đèn giao thông, thiết kế giao lộ và phân bổ tài nguyên giao thông hiệu quả.

Giải pháp: Lấy mốc giờ 16:00 PM, thời gian có nhiều lượng xe lưu thông nhất tỉnh, tỷ lệ xe đến (arrival_rate) cho ra được lượng xe 20s vẫy xanh 50s với thời gian chờ trung bình mỗi xe là 0.09s.

3.3.2: Phát triển hệ ng định vị v bn đ thông minh để gip th người lái xe điu hướng hiệu qu hơn

Xây dựng hệ thống định vị và dẫn đường trong giao thông là rất quan trọng Để tạo ra một bản đồ ngẫu nhiên, cần đặt hai điểm tương ứng với vị trí hiện tại và nơi muốn đến, từ đó tìm đường đi ngắn nhất.

V map trên 1 ma trận được đnh hình sẵn

 Ta sử dụng lý thuyết đồ thị t t ton Dijkstra để tm đưng đi hu ngắn nht từ một điểm đến tt c cc điểm còn li trong một đồ thị

 Tìm đường đi ngắn nhất

Bắt đu t 2 điểm bất kì và đường đi ngắn nhất

3.3.3: Phân tch dữ ệu tai nn giao thông để xác định nguyên nhân li tai nn v đưa ra các biện pháp ngăn chặn

 Dataframe gồm 7 dòng mô t s ln tai nn tương ng với thi tiết khi xy ra tai nn

 Sử dụng thư vin Matplotlib.pyplot để vẽ biểu đồ

Số lượng tai nn xy ra vào thời tit nắng là cao nhất

Biểu đồ cho thấy rằng tai nạn giao thông cao nhất xảy ra trong điều kiện thời tiết tốt (Fine), với hơn 70,000 vụ tai nạn Điều kiện thời tiết mưa (Raining) đứng thứ hai với khoảng 10,000 vụ tai nạn Các điều kiện thời tiết khác như u ám (Overcast), không xác định (Unknown), sương mù (Fog or mist), và tuyết rơi (Snowing) đều có số lượng tai nạn giao thông thấp hơn đáng kể.

 Dataframe gồm 4 dòng mô t s ln tai nn tương ng với mặt đưng khi xy ra tai nn

 S dử ụng thư vin Matplotlib.pyplot để vẽ biểu đồ

Tc độ cng cao th s lưng tai nn giao thông cng gim

Biểu đồ cho thấy rằng tai nạn giao thông cao nhất xảy ra trên bề mặt đường khô ráo, với khoảng 80,000 vụ tai nạn Bề mặt đường ướt đứng thứ hai với khoảng 15,000 vụ tai nạn Các bề mặt khác như không xác định hoặc tuyết, băng đều có số vụ tai nạn giao thông thấp hơn đáng kể.

 Dataframe gồm 12 dòng, mô t s ln tai nn tương ng với tc độ ới hn khi xy ra tai nngi

 S dử ụng thư vin Matplotlib.pyplot để vẽ biểu đồ

Biểu đồ cho thấy rằng tai nạn giao thông cao nhất xảy ra khi phương tiện di chuyển với tốc độ 50 km/h, với hơn 30,000 vụ tai nạn Tốc độ 60 km/h đứng thứ hai với khoảng 25,000 vụ tai nạn Các tốc độ khác như 100 km/h, 80 km/h, 70 km/h, 110 km/h, 40 km/h, 90 km/h, 30 km/h và 10 km/h đều có số vụ tai nạn giao thông thấp hơn, trong đó tốc độ 10 km/h ghi nhận số vụ tai nạn thấp nhất.

 Dataframe gồm 6 dòng mô t s ln tai nn tương ng với khu vực khi xy ra tai nn

 Sử dụng thư vin Matplotlib.pyplot để vẽ biểu đồ

Biểu đồ cho thấy số vụ tai nạn giao thông cao nhất xảy ra tại khu vực trung tâm thành phố Sydney, với hơn 50,000 vụ Trong khi đó, các khu đô thị xung quanh ghi nhận khoảng 23,000 vụ tai nạn Những vị trí khác như vùng nông thôn, trung tâm Newcastle và trung tâm Wollongong có số vụ tai nạn giao thông thấp hơn đáng kể.

 Dataframe gồm 13 dòng mô t s ln tai nn tương ng với thi gian khi xy ra tai nn

S dử ụng thư vin Matplotlib.pyplot để ẽ biểu đồ v

Biểu đồ cho thấy rằng thời gian cao điểm giao thông xảy ra từ 16 giờ đến 18 giờ, với hơn 14,000 vụ tai nạn Trong khoảng thời gian từ 14 giờ đến 16 giờ, số vụ tai nạn cũng đáng kể, đạt khoảng 13,000 vụ Các khoảng thời gian khác như 12 giờ, 10 giờ, 8 giờ, 18 giờ, 6 giờ, 20 giờ và 22 giờ đều ghi nhận số vụ tai nạn giao thông thấp hơn, trong đó thời gian 4 giờ có số vụ tai nạn thấp nhất.

Giữa năm 2018 và 2022, chính phủ Úc đã chú trọng vào việc kiểm định lư s ng ngưi tử vong do tai nạn giao thông, nhằm giảm thiểu thiệt hại và nâng cao an toàn đường bộ.

H1: S ng tử vong t hơn sau năm 2020lư

H0: S ng tử vong nhiu hơn sau năm 2020lư

Kết qu cho ra p-value 0.11 > 0.05 chp nhn H1

 S ng tử vong trong ti nn giao thông sau năm 2020 l t hơnlư

3.3.4: Phân tch dữ ệu tai nn giao thông để xác định nguyên nhân li tai nn v đưa ra các biện pháp ngăn chặn

- Dự đon mô hnh tương lai của giao thông nước Úc

 Data frame gồm 9 dòng mô t s lưng xe trung bnh mỗi ngy từ năm 2006 - 2014

 Dựa vo dữ u ta tnh đưc h s tương quan giữa Năm v mli t độ xe hằng ngy l 0.84499

 S dử ụng thư vin Matplotlib.pyplot để vẽ biểu đồ

Nhn xt: S lưng ô tô theo từng ngy tăng qua cc năm

 Dataframe gồ 5 dòng mô t tổng cc vụ tai nn giao thông từ m năm 2018 – 2022

 Dựa vo dữ u ta tnh đưc h s tương quan giữli a năm v mt độ tai nn giao thông l -0.904618

 S dử ụng thư vin Matplotlib.pyplot để vẽ biểu đồ

Nhn xt: Tổng s vụ tai nn gim mnh qua cc năm từ 2018-2022

Kt lun v  tưng phát triển

Với điều kiện tự nhiên thuận lợi như ánh sáng, thời tiết và cơ sở hạ tầng tốt, nhưng vẫn xảy ra nhiều tai nạn giao thông Nguyên nhân chính dẫn đến tai nạn là mật độ xe quá cao tại các giờ cao điểm, đặc biệt từ 14h đến 18h, tại các khu vực trung tâm thành phố Sydney và khu vực đô thị lân cận.

- Tăng cưng h thng đn giao thông

- Xây dựng ln đưng ưu tiên cho phương tin công cộng

- Ci thin vch kẻ đưng v biển bo.

2 Thúc đẩy sử dụng giao thông công cộng:

- Ci thin cht lưng v tn sut dịch vụ giao thông công cộng

- Khuyến khch sử dụng phương tin công cộng qua cc chương trnh khuyến mãi.