Nội suy thời gian đến tại một trạm xe buýt trên bản đồ không gian thời gian

ỦY BAN NHÂN DÂN TỈNH BÌNH DƯƠNG TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT ĐẶNG NHƯ PHÚ NỘI SUY THỜI GIAN ĐẾN TẠI MỘT TRẠM CỦA XE BUÝT TRÊN BẢN ĐỒ KHÔNG GIAN – THỜI GIAN CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 8480104 LUẬN VĂN THẠC SỸ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS TRẦN VĨNH PHƯỚC BÌNH DƯƠNG - 2019 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi hướng dẫn khoa học Thầy PGS TS Trần Vĩnh Phước Các nội dung nghiên cứu, kết đề tài trung thực chưa công bố hình thức từ trước đến Những số liệu phục vụ cho việc phân tích, nhận xét, đánh giá tác giả thu thập trình thực nghiệm trạm xe buýt thành phố Hồ Chí Minh Ngồi ra, luận văn cịn sử dụng báo tác giả nghiên cứu trước để phục vụ cho việc nghiên cứu ứng dụng nhằm xử lý vấn đề nêu luận văn Các nội dung, nhận xét, đánh giá, hình ảnh số liệu tác giả khác nêu luận văn có trích dẫn thích nguồn gốc Nếu phát có gian lận tơi xin hồn toàn chịu trách nhiệm nội dung luận văn Trường đại học Thủ Dầu Một giáo viên hướng dẫn không liên quan đến vi phạm tác quyền, quyền tơi gây q trình thực (nếu có) Bình Dương, ngày 01 tháng năm 2019 Tác giả Đặng Như Phú ii LỜI CẢM ƠN Để hoàn thành luận văn này, em xin chân thành gửi lời cảm ơn đến Trường đại học Thủ Dầu Một Cảm ơn Ban Giám hiệu Nhà trường tạo điều kiện tốt để em thực tốt luận văn Cảm ơn Phòng Sau đại học giúp đỡ hướng dẫn em cách trình bày luận văn theo quy định em cảm ơn quý Thầy Cô Khoa Kỹ thuật - công nghệ dạy cho em kiến thức tảng, thực tế để em tự tin làm tốt luận văn Cảm ơn bạn lớp cao học CH16TH01 – Chuyên ngành Hệ thống thông tin động viên, chia sẻ kinh nghiệm cho em Đặc biệt, em xin cảm ơn giảng viên hướng dẫn PGS TS Trần Vĩnh Phước tận tâm truyền đạt kiến thức lĩnh vực Trực quan hóa liệu tài liệu bổ ích mà Thầy dày cơng nghiên cứu để em khai sáng tri thức Thầy tận tình hướng dẫn, giúp đỡ em hết lòng từ bắt đầu thực đề tài hồn thành Em xin ghi khắc cơng ơn Từ đáy lịng mình, em xin biết ơn vơ hạn tới gia đình thân u, cơng sinh thành, ni dưỡng động viên bố mẹ cho em động lực để nghiên cứu hoàn thiện luận văn Cám ơn người bạn thân thiết chăm sóc, khích lệ em q trình nghiên cứu Em xin kính chúc q Thầy Cơ bạn thật nhiều sức khỏe, niềm vui thành công cơng việc sống iii TĨM TẮT LUẬN VĂN Bản đồ khơng gian - thời gian hình khối khơng gian – thời gian, hành trình xe buýt qua trạm trực quan hóa đồ Với tuyến, hành trình xe buýt qua tất trạm dừng biểu diễn đồ không gian - thời gian đường cong liên tục nối điểm không gian - thời gian Trong thực tế, hầu hết xe buýt đến trạm không theo thời gian quy định (sớm muộn) Do đó, để hỗ trợ hành khách đánh giá thời gian đến trạm xe buýt hỗ trợ chuyên giá dựa vào để đánh giá tình hình giao thơng thành phố, lý thuyết tập mờ đề xuất nhằm mờ hóa thời gian đến thực tế xe buýt trạm dừng thông qua cặp (T i, mi) với i=[1,5], mi xác xuất đến trạm thuộc khoảng thời gian Ti thống kê khoảng thời gian 30 ngày trước Phương pháp cho phép người dùng xem xét tình hình đến trạm xe buýt ngày trước để đưa nhận định thời gian đến trạm xem buýt thời điểm Do đó, để hỗ trợ người dùng dự đoán thời gian đến trạm xe buýt thời điểm quan sát, phương pháp nội suy sai phân tiến Newton (Newton’s forward difference interpolation) sử dụng để nội suy thời gian đến trạm xe buýt, sau sử dụng mạng LSTM Networks điều chỉnh độ sai lệch thời gian thực tế thời gian nội suy Khi đó, thời gian đến dự kiến biểu diễn đồ không gian thời gian (t’, p), t’ thời gian dự đốn xe bt đến trạm, p độ xác (%) Việc biểu diễn thời gian đến đồ không gian-thời gian giúp cho hành khách đón xe buýt hiệu nhà quản lý xe buýt xem xét đánh giá mức độ tắc đường hành trình khả lái xe tài xế iv MỤC LỤC LỜI CAM ĐOAN II LỜI CẢM ƠN III TÓM TẮT LUẬN VĂN IV MỤC LỤC V DANH MỤC BẢNG BIỂU VII DANH MỤC HÌNH, ĐỒ THỊ VIII DANH MỤC CÁC TỪ VIẾT TẮT IX CHƯƠNG 1: GIỚI THIỆU 1.1 ĐẶT VẤN ĐỀ NGHIÊN CỨU .1 1.2 PHÁT BIỂU VẤN ĐỀ NGHIÊN CỨU .2 1.3 MỤC TIÊU 1.4 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU .3 1.4.1 Đối tượng nghiên cứu 1.4.2 Phạm vi nghiên cứu .4 1.5 PHƯƠNG PHÁP NGHIÊN CỨU 1.6 CÂU HỎI NGHIÊN CỨU ĐẶT RA ĐỂ GIẢI QUYẾT BÀI TOÁN 1.7 CẤU TRÚC LUẬN VĂN .5 CHƯƠNG 2: TỔNG QUAN VỀ CÁC NGHIÊN CỨU ĐƯỢC LIÊN QUAN .7 2.1 GIỚI THIỆU 2.2 CÁC KHÁI NIỆM ĐƯỢC LIÊN QUAN 2.3 TRỰC QUAN HÓA .8 2.3.1 Tổng quan .8 2.3.2 Trực quan hóa liệu 11 2.4 BẢN ĐỒ KHÔNG GIAN – THỜI GIAN 11 2.5 NỘI SUY SAI PHÂN TIẾN NEWTƠN 13 2.6 MẠNG LSTM 14 2.6.1 Tổng quan 14 2.6.2 Mơ hình mạng LSTM 15 2.6.3 Ý tưởng mạng LSTM 16 2.6.3.1 Trạng thái tế bào (Cell State) 16 2.6.3.2 Cấu trúc cổng (Gates) 17 2.6.4 Một số biến thể mạng LSTM 19 CHƯƠNG 3: NỘI SUY THỜI GIAN ĐẾN TẠI MỘT TRẠM CỦA XE BUÝT 21 v 3.1 QUY TRÌNH TỔNG QUÁT 21 3.2 XÂY DỰNG HÀM NỘI SUY SAI PHÂN TIẾN NEWTƠN 23 3.2.1 Chuẩn hóa liệu thời gian thu thập 23 3.2.2 Lựa chọn bậc sai phân 23 3.2.3 Tổng kết 26 3.3 SỬ DỤNG MẠNG LSTM ĐỂ DỰ ĐOÁN ĐỘ SAI LỆCH THỜI GIAN 27 3.3.1 Xây dựng liệu huấn luyện kiểm tra 27 3.3.2 Mơ hình mạng LSTM áp dụng để huấn luyện dự đoán 30 3.3.2 Đánh giá hiệu việc huấn luyện mơ hình mạng LSTM 30 3.3.4 Các bước thực 31 3.4 BIỂU DIỄN GIÁ TRỊ NỘI SUY TRÊN BẢN ĐỒ KHÔNG GIAN – THỜI GIAN 32 3.5 CÁC GIẢI THUẬT ÁP DỤNG 35 3.5.1 Giải thuật tổng quát 35 3.5.2 Giải thuật chuẩn hóa liệu 36 3.5.3 Giải thuật lựa chọn bậc sai phân 37 3.5.4 Giải thuật huấn luyện liệu 38 3.6 KẾT LUẬN 39 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ ĐÁNH GIÁ KẾT QUẢ 41 4.1 DỮ LIỆU THU THẬP 41 4.2 CHUẨN HÓA DỮ LIỆU 43 4.3 LỰA CHỌN BẬC SAI PHÂN 44 4.4 ÁP DỤNG MƠ HÌNH LSTM ĐỂ HUẤN LUYỆN VÀ DỰ ĐOÁN KẾT QUẢ 48 4.5 ĐÁNH GIÁ KẾT QUẢ 50 4.5.1 Phương pháp nội suy sai phân tiến Newtơn 50 4.5.1 Phương pháp mạng LSTM 51 4.6 MÔ PHỎNG TRÊN ĐIỆN THOẠI 52 4.7 KẾT LUẬN 54 CHƯƠNG 5: KẾT LUẬN 55 5.1 KẾT QUẢ ĐẠT ĐƯỢC 55 5.2 HƯỚNG NGHIÊN CỨU 56 TÀI LIỆU THAM KHẢO 57 vi DANH MỤC BẢNG BIỂU Bảng 2.1: Bảng tính sai phân tiến cấp n 14 Bảng 3.1: Bảng chuyển đổi thời gian có dạng hh:mm:ss sang dạng giây 23 Bảng 3.2: Bảng giá trị t’i , Δk,i ứng với bậc sai phân k 25 Bảng 3.3: Bảng tính độ sai lệch thời gian trung bình Δk,avg theo bậc sai phân k 26 Bảng 3.4: Bảng sai phân bậc kselect với mốc có giá trị t0, t1, t2,…, tkselect 28 Bảng 3.5: Bảng sai phân bậc kselect tổng quát 29 Bảng 3.6: Thời gian nội suy độ sai lệch tương ứng, với s=n-kselect 29 Bảng 4.1: Số liệu thời gian xe buýt đến trạm dừng thực tế 42 Bảng 4.2: Số liệu thời gian đến trạm dừng xe buýt chuẩn hóa 44 Bảng 4.3: Giá trị nội suy trạm theo bậc sai phân từ đến 46 Bảng 4.4: Độ sai lệch thời gian nội suy với thời gian thực tế trạm theo bậc sai phân k = 2,3,4,5 47 Bảng 4.5: Trung bình cộng độ sai lệch thời gian thời gian nội suy với thời gian thực tế theo bậc sai phân từ đến trạm dừng xe buýt 48 Bảng 4.6: Thời gian dự đoán đến trạm xe buýt trạm 49 Bảng 4.7: Thời gian dự kiến mà xe buýt đến trạm 49 vii DANH MỤC HÌNH, ĐỒ THỊ Hình 2.1: Mơ hình trực quan hóa thơng tin biểu diễn dân số nước Mỹ năm1999 Hình 2.2: Mơ hình trực quan hóa liệu để biểu diễn sơ yếu lý lịch 10 Hình 2.3: Bản đồ hành quân Napoleon rút quân khỏi Mowcow (18121813) 10 Hình 2.4: Biểu diễn di chuyển xe buýt hình khối không gian-thời gian 12 Hình 2.5: Mơ hình biểu diễn mơdun với lớp mạng RNN chuẩn 15 Hình 2.6: Mơ hình biểu diễn mô-đun mạng LSTM với tầng tương tác 15 Hình 2.7: Các ký hiệu mạng LSTM 16 Hình 2.8: Trạng thái tế bào (Cell State) 16 Hình 2.9: Cấu trúc cổng (Gates) 17 Hình 2.10: Mơ hình hoạt động cổng (Gates): Sigmoid 17 Hình 2.11: Mơ hình xác định thông tin cần đưa vào: 18 Hình 2.12: Mơ hình cập nhật trạng thái tế bào cũ vào trạng thái tế bào 18 Hình 2.13: Mơ hình định cổng việc đưa thơng tin đầu 19 Hình 2.14: Mạng LSTM thêm đường kết nối “peephole connections” 20 Hình 2.15: Mơ hình mạng LSTM với hai cổng loại trừ đầu vào nối với 20 Hình 2.16: Mơ hình mạng LSTM đề xuất Cho cộng năm 2014 20 Hình 3.1: Quy trình thực 22 Hình 3.2: Quá trình nội suy thời gian đến trạm xe buýt 24 Hình 3.3: Mơ hình mạng LSTM áp dụng để dự đốn độ sai lệch thời gian 30 Hình 3.4: Biểu diễn hành trình đồ khơng gian-thời gian 33 Hình 3.5: Biểu diễn điểm không gian-thời gian giá trị thời gian đồ không gian-thời gian 34 Hình 4.1: Mơ hình hiển thị tuyến xe buýt trạm dừng 53 Hình 4.2: Mơ hình hiển thị thời gian dự kiến mà xe buýt đến trạm dừng 54 viii DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt LSTM LSTM Networks Mô tả Long short-term memory: Bộ nhớ dài-ngắn Mạng nhớ dài-ngắn RNN Recurrent Neural Network: Mạng Nơron hồi quy MSE Mean Square Error: Sai số toàn phương trung bình RMSE Root Mean Square Error: Sai số tồn phương trung bình gốc ix Chương GIỚI THIỆU 1.1 ĐẶT VẤN ĐỀ NGHIÊN CỨU Phương tiện công cộng giải pháp hàng đầu áp dụng thành phố lớn Việt Nam để hạn chế tình trạng ùn tắc giao thơng, nhiễm mơi trường, tai nạn giao thông,… Qua khảo sát thực nghiệm thành phố Hồ Chí Minh, lượng dân cư tập trung đúc nên có nhiều phương tiện di chuyển nên tượng ùn tắc giao thông thường xuyên xảy Đây lý mà hầu hết xe buýt thường đến trạm không theo thời gian quy định vấn đề giao thông thành phố Hồ Chí Minh như: tình trạng kẹt xe, ách tắc giao thông,… Để hỗ trợ hành khách xác định thời gian mà xe buýt đến trạm giúp chun gia đánh giá tình hình giao thơng thành phố lý thuyết tập mờ đề xuất nhằm biểu diễn thời gian khơng chắn hình khối không gian – thời gian Tuy nhiên, liệu biểu diễn hình khối thống kê 30 ngày trước đó, việc dự đốn thời gian xe buýt đến trạm chưa xác Vấn đề đặt xây dựng mơ hình nội suy nhằm dự đốn thời gian đến trạm xe buýt để hỗ trợ hành khách chủ động thời gian để đón xe buýt kịp khơng bị lãng phí thời gian chờ xe buýt Nội suy phương pháp ước tính giá trị điểm liệu chưa biết phạm vi tập hữu hạn rời rạc giá trị thông qua hàm số Từ liệu thời gian thực tế mà xe buýt đến trạm dừng, tiến hành áp dụng phương pháp nội suy để ước lượng thời gian mà xe buýt đến trạm Bản đồ không gian – thời gian đề xuất nhằm biểu diễn trực quan đồ xe buýt thành phố phương pháp giúp hành khách nhà nghiên cứu có nhìn trực quan tình hình xe bt đến trạm ngày Dự báo thời gian xe buýt đến trạm giúp cho hành khách định lượng Ngày 16 209 847 222 746 1172 Ngày 17 515 565 100 1024 20 Ngày 18 444 868 413 851 644 Ngày 19 226 321 298 828 850 Ngày 20 126 422 427 856 121 Ngày 21 448 467 306 781 126 Ngày 22 342 430 448 1444 551 Ngày 23 11 29 448 775 25 Ngày 24 330 748 245 1008 487 Ngày 25 489 530 406 862 966 Ngày 26 29 80 247 1177 1134 Ngày 27 118 401 268 849 1034 Ngày 28 26 862 796 1492 Ngày 29 108 268 397 918 768 Ngày 30 363 383 393 684 1164 Bảng 4.2: Số liệu thời gian đến trạm dừng xe buýt chuẩn hóa 4.3 LỰA CHỌN BẬC SAI PHÂN Với liệu thời gian chuẩn hóa bảng 4.2, tiến hành chọn lựa bậc sai phân theo bước trình bày mục 3.2.2 giải thuật mô tả mục 3.5.3 Quá trình thực theo bước sau: - Bước 1: Trong mơ hình thực nghiệm này, bậc sai phân chọn lựa để thử nghiệm từ đến Bằng cách áp dụng phương pháp nội suy theo cơng thức (2) trình bày mục 3.3.1 liệu chuẩn hóa bảng 4.2 thu giá trị nội suy theo bậc Quá trình nội suy theo bậc trạm dừng thực sau: + Với bậc sai phân k = 2, áp dụng cơng thức (2) trình bày mục 3.3.1 với mốc nội suy ngày thứ 1, ngày thứ trạm thu giá trị nội suy ngày thứ Sau đó,tiếp tục áp dụng công thức (2) với mốc nội suy ngày thứ 2, thứ thứ trạm để thu giá trị 44 nội suy ngày thứ Tương tự vậy, ta thu giá trị nội suy từ ngày thứ ngày 30 cho trạm Áp dụng với trạm 2, trạm 3, trạm 4, trạm để thu giá trị nội suy từ ngày thứ ngày 30 + Với bậc sai phân k =3, áp dụng công thứ (2) với mốc nội suy ngày trước trạm 1, trạm 2, trạm 3, trạm 4, trạm để thu giá trị nội suy từ ngày thứ ngày thứ 30 + Với bậc sai phân k =4, áp dụng công thứ (2) với mốc nội suy ngày trước trạm 1, trạm 2, trạm 3, trạm 4, trạm để thu giá trị nội suy từ ngày thứ ngày thứ 30 + Với bậc sai phân k =5, áp dụng công thứ (2) với mốc nội suy ngày trước trạm 1, trạm 2, trạm 3, trạm 4, trạm để thu giá trị nội suy từ ngày thứ ngày thứ 30 Bậc sai phân k Ngày k=2 k=3 k=4 k=5 Ngày - - - - Ngày - - - - Ngày - - - - Ngày 746 - - - Ngày -876 -1601 - - Ngày 610 1594 3303 - Ngày 3204 3763 3338 1204 Ngày -2454 -5343 Ngày 1490 4366 Ngày 10 1494 819 Ngày 11 -1798 -3217 -3961 -1154 Ngày 12 1745 3928 7530 11876 Ngày 13 -990 -2705 Ngày 14 739 1877 4730 11481 Ngày 15 -33 -645 -2395 -6998 45 -8791 -11814 10131 19344 -2732 -12048 -6603 -14103 Ngày 16 427 680 1545 4160 Ngày 17 94 -124 -595 -1931 Ngày 18 1138 1559 2198 3308 Ngày 19 -4 -698 -1813 -3567 Ngày 20 -139 91 1015 3054 Ngày 21 144 409 444 -445 Ngày 22 1192 1496 1535 1539 Ngày 23 -192 -1042 -2196 -3389 Ngày 24 -545 -342 711 2918 Ngày 25 1299 2174 2846 2465 Ngày 26 488 -322 -2007 -4364 Ngày 27 -1050 -1509 -1158 878 Ngày 28 756 1924 3551 4827 Ngày 29 -319 -1073 -2995 -6544 Ngày 30 436 863 2044 5147 Bảng 4.3: Giá trị nội suy trạm theo bậc sai phân từ đến - Bước 2: Tính độ sai lệch thời gian nội suy mô tả bước so với thời gian thực tế chuẩn hóa bảng 4.2 cách lấy thời gian nội suy trừ thời gian thực tế tương ứng bảng 4.2 Với liệu trạm thu bảng 4.3, để tính độ sai lệch thời gian nội suy với thời gian thực tế, tiến hành trừ theo ngày tương ứng cột thứ bảng 4.2, thu bảng sai lệch thời gian sau: Bậc sai phân k Ngày k=2 k=3 k=4 k=5 Ngày - - - - Ngày - - - - Ngày - - - - Ngày 725 - - - Ngày -984 -1709 - - Ngày -559 425 2134 - 46 Ngày 2889 3448 3023 889 Ngày -2876 -5765 Ngày 675 3551 Ngày 10 1419 744 Ngày 11 -2183 -3602 -4346 -1539 Ngày 12 1715 3898 7500 11846 Ngày 13 -1138 -2853 Ngày 14 612 1750 4603 11354 Ngày 15 -253 -865 -2615 -7218 Ngày 16 218 471 1336 3951 Ngày 17 -421 -639 -1110 -2446 Ngày 18 694 1115 1754 2864 Ngày 19 -230 -924 -2039 -3793 Ngày 20 -265 -35 889 2928 Ngày 21 -304 -39 -4 -893 Ngày 22 850 1154 1193 1197 Ngày 23 -203 -1053 -2207 -3400 Ngày 24 -875 -672 381 2588 Ngày 25 810 1685 2357 1976 Ngày 26 459 -351 -2036 -4393 Ngày 27 -1168 -1627 -1276 760 Ngày 28 754 1922 3549 4825 Ngày 29 -427 -1181 -3103 -6652 Ngày 30 73 500 1681 4784 -9213 -12236 9316 18529 -2807 -12123 -6751 -14251 Bảng 4.4: Độ sai lệch thời gian nội suy với thời gian thực tế trạm theo bậc sai phân k = 2,3,4,5 - Bước 3: Tính trung bình cộng độ sai lệch thời gian thời gian nội suy với thời gian thực tế theo bậc sai phân từ đến trạm, q trình tính trung bình cộng độ sai lệch nhận giá trị âm chuyển giá trị dương Như bảng 4.4, giá trị nội suy có giá trị âm chuyển giá trị dương để tính trung bình cộng Khi đó, với bậc k = 2,3,4,5 giá trị trung bình cộng 47 880.70, 1614.54, 3088.92, 5726.46 Giá trị nội suy với bậc k = cho giá trị trung bình cộng thấp Tương tự trên, áp dụng cho trạm dừng lại thu bảng sau: Bậc sai phân Trạm 880.70 1614.54 3088.92 5726.46 Trạm 716.75 1367.11 2529.92 4878.56 Trạm 346.11 636.78 1157.50 2172.16 Trạm 372.32 649.33 1119.45 2025.21 Trạm 1024.43 1916.56 3712.46 7051.36 Bảng 4.5: Trung bình cộng độ sai lệch thời gian thời gian nội suy với thời gian thực tế theo bậc sai phân từ đến trạm dừng xe buýt Từ bảng 4.5 cho thấy sử dụng phương pháp nội suy sai phân tiến Newtơn với bậc trung bình cộng độ sai lệch thời gian nhỏ nhất, bậc sai phân chọn Tại thời điểm xe buýt chưa đến trạm, áp dụng phương pháp nội suy sai phân tiến Newtơn với bậc thu thời gian nội suy Tuy nhiên, trình bày khơng thể xác định độ sai lệch so với thời gian thực tế mà xe buýt đến trạm, phương pháp mạng LSTM sử dụng để dự đoán độ sai lệch thời gian 4.4 ÁP DỤNG MƠ HÌNH LSTM ĐỂ HUẤN LUYỆN VÀ DỰ ĐỐN KẾT QUẢ Từ việc chọn bậc sai phân trên, áp dụng lại phương pháp nội suy sai phân tiến Newtơn với bậc từ liệu thu thập chuẩn hóa, để thu liệu bao gồm thời gian nội suy t’i độ sai lệch Δt thời gian nội suy thời gian thực tế sau: + t’i = {725, -984, -559, 2889, -2876, 675, 1419, -21746, -876, 610, 3204, 2454, 1490, 1494, -1798, 1745, -990, 739, -33, 427, 94, 1138, -4, -139, 144, 1192, -192, -545, 1299, 488, -1050, 756, -319, 436} 48 + Δt = {725, -984, -559, 2889, -2876, 675, 1419, -2183, 1715, -1138, 612, 253, 218, -421, 694, -230, -265, -304, 850, -203, -875, 810, 459, -1168, 754, -427, 73} Chia liệu thu (t’i, Δi) theo tỷ lệ huấn luyện:kiểm tra 3:1 thực theo bước mô tả mục 3.3.4 Sau áp dụng giải thuật nêu mục 3.5.4 để thu thời gian mà xe buýt đến trạm bảng 4.4 sau: Các giá trị Trạm Δt t’i  (%) Trạm 618.0 281.82 237.20 96.53 Trạm 498.0 Trạm 389.0 -28.64 293.7 98.92 71.94 198.94 95.47 Trạm 1241.0 343.49 298.58 97.87 Trạm 1560.0 984.97 497.64 96.90 Bảng 4.6: Thời gian dự đoán đến trạm xe buýt trạm Từ bảng 4.4, thực việc chuyển ngược thời gian dạng 00:mm:ss cách lấy giá trị (t’i - Δt) chia nguyên cho 60 để số phút chia dư cho 60 để số dây Sau cộng với 18:00:00 để thu thời gian xe buýt đến trạm dự kiến bảng 4.5 sau: Các giá trị Trạm Thời gian đến dự kiến Sai số () (%) Trạm 18:05:36 03:57 96.53 Trạm 18:08:47 04:54 98.92 Trạm 18:05:17 03:19 95.47 Trạm 18:14:58 04:59 97.87 Trạm 18:09:35 08:18 96.90 Bảng 4.7: Thời gian dự kiến mà xe buýt đến trạm Như bảng 4.5 trên, thời gian mà xe buýt đến trạm biểu diễn đồ không gian – thời gian sau: (1) Trạm 1: 18:05:36 ± 03:57, độ xác 96.53%; 49 (2) Trạm 2: 18:08:47 ± 04:54, độ xác 98.92%; (3) Trạm 3: 18:05:17 ± 03:19, độ xác 95.47%; (4) Trạm 4: 18:14:58 ± 04:59, độ xác 97.87%; (5) Trạm 5: 18:09:35 ± 08:18, độ xác 96.90%; 4.5 ĐÁNH GIÁ KẾT QUẢ 4.5.1 Phương pháp nội suy sai phân tiến Newtơn Phương pháp nội suy sai phân tiến Newtơn áp dụng để nội suy thời gian đến trạm dừng xe buýt với mốc nội suy cách Đây phương pháp hữu hiệu để dự đoán giá trị ngẫu nhiên mà người ước lượng Dữ liệu nội suy thể bảng 4.3 bảng 4.4 biến thiên không theo quy luật nào, nguyên nhân bất thường trình di chuyển xe buýt địa bàn thành phố Hồ Chí Minh Kết nội suy sai phân tiến Newtơn thường phụ thuộc vào bậc sai phân chọn lựa, luận văn đề xuất phương pháp lựa chọn bậc sai phân tối ưu cách so sánh giá trị trung bình cộng độ sai lệch thời gian nội suy với thời gian thực tế theo bậc sai phân Bậc sai phân tiến cho kết trung bình cộng độ sai lệch nhỏ chọn Từ 25 kết thu Bảng 4.5, bậc sai phân nhỏ cho giá trị trung bình cộng sai lệch thấp xác định bậc sai phân nhỏ cho kết nội suy tối ưu, Tuy nhiên, quan sát giá trị nội suy theo bậc sai phân ngày việc đánh giá chưa xác Do đó, liệu thu thập nhiều bậc sai phân chọ lựa thay đổi, với liệu thu thập bậc sai phân chọn lựa tối ưu mơ hình k = Từ kết sai lệch thời gian nội suy với thời gian thực tế mô tả bảng 4.4, em nhận thấy độ sai lệch thời gian nội suy với thời gian thực tế lớn áp dụng công thức đánh giá sai số phương pháp nội suy sai phân tiến Newtơn Vì mơ hình mạng LSTM đưa nhằm dự đoán độ sai lệch thời gian nội suy với thời gian thực tế phương pháp 50 nhằm tính tốn ước lượng sai số phương pháp nội suy sai phân tiến Newtơn 4.5.1 Phương pháp mạng LSTM Một lọc Kalmal Filter đề xuất từ năm 1960 cho phép điều chỉnh giá trị sai số, nhiên với kết thực nghiệm mơ hình Kalmal Filter cho kết sai lệch lớn so với phương pháp mạng LSTM, với kết cho thấy, phương pháp Kalmal Filter không tối ưu so với mạng LSTM         Sai lệch thời gian đến [-2947.26190476] Sai lệch so với thời gian thực tế [-3125.85245902] Sai lệch thời gian đến [2651.56134751] Sai lệch so với thời gian thực tế [2546.91860465] Sai lệch thời gian đến [-818.58908902] Sai lệch so với thời gian thực tế [-277.73873874] Sai lệch thời gian đến [-1136.85843803] Sai lệch so với thời gian thực tế [-1621.80882353] Bộ liệu (t’i , Δt) chia thành hai training test theo tỷ lệ 3:1, có nghĩa phần để huấn luyện phần để kiểm tra, việc phân chia liệu training test thực ngẫu nhiên Quá trình huấn luyện đánh giá dựa độ đo MSE, huấn luyện hồn tất, tiến hành dự đốn lại training dự đốn với test mơh hình huấn luyện xong Sau tính độ đo MSE kết dự đoán training test thu hai giá trị:  RMSE(training) = √MSE(training)  RMSE(test) = √MSE(test) Sau thu hai giá trị RMSE(training) RMSE(test) tiến hành tính tỷ lệ phần trăm hai giá trị  p = RMSE(training)/RMSE(test), RMSE(training) < RMSE(test)  p = RMSE(test)/RMSE(training), RMSE(training) > RMSE(test) 51 Nếu giá trị p < 95% tiến hành phân chia lại liệu tiến hành huấn luyện lại Như kết bảng 4.6, giá trị  giá trị RMSE(training), thời gian ước lượng mà xe buýt đến trạm thời gian ước lượng từ phương pháp nội suy sai phân tiến Newtơn cộng với giá trị dự đoán mơ hình LSTM p độ xác q trình dự đốn,  sai số thời gian dự đoán thời gian thực tế  Thời gian xe buýt đến trạm t = thời gian nội suy - dự đoán LSTM (thời gian nội suy)   = RMSE(training)  p = RMSE(training)/RMSE(test) RMSE(test)/RMSE(training)  Kết biểu diễn đô không gian – thời gian là: Độ đo MSE áp dụng luận văn dùng để tính lại độ sai lệch dự đốn mơ hình mạng LSTM cho giá trị nhỏ độ chênh lệch liệu huấn luyện liệu kiểm tra không chênh lệch, với độ đo MSE áp dụng hạn chế sai số q trình dự đốn mạng LSTM kết tối ưu toàn cục 4.6 MƠ PHỎNG TRÊN ĐIỆN THOẠI Xây dựng mơ hình ứng dụng điện thoại mô tả mục 3.4 Khi người sử dụng nhấp chuột vào mục chọn tuyến, danh mục tuyến hiển thị để người sử dụng chọn tuyến cần xem Màn hình hiển thị thơng tin tuyến đó, trạm dừng 52 Hình 4.1: Mơ hình hiển thị tuyến xe buýt trạm dừng - Khi bấm vào trạm cần xem, thông tin thời gian mà xe buýt đến trạm dừng hiển thị Thông tin thời gian mà xe buýt đến bao gồm: + Thời gian dự kiến + Độ xác (%) 53 Hình 4.2: Mơ hình hiển thị thời gian dự kiến mà xe buýt đến trạm dừng 4.7 KẾT LUẬN Chương mơ tả q trình thực nghiệm từ việc thu thập liệu việc biểu diễn liệu dự đốn đồ khơng gian – thời gian Đầu tiên q trình chuẩn hóa liệu thu thập, sau dùng phép thử với bậc sai phân từ đến để chọn bậc sai phân tối ưu cho mơ hình nội suy sai phân tiến Newtơn Tiếp theo việc xây dựng liệu để thực việc huấn luyện mơ hình mạng LSTM theo bậc sai phân chọn Quá trình quan trọng việc huấn luyện liệu trình đánh giá kết huấn luyện để tìm mơ hình dự đốn tối ưu Sau xác định mơ hình dự đốn, tiến hành nội suy thời gian mà xe buýt đến trạm dự đoán độ sai lệch thời gian nội suy thời gian thực để biểu diễn đồ không gian – thời gian 54 Chương KẾT LUẬN 5.1 KẾT QUẢ ĐẠT ĐƯỢC Hiện nay, Sở Giao thơng - Vận tải Thành phố Hồ Chí Minh triển khai ứng dụng nhằm hỗ trợ hành khách đón xe buýt cách cho biết vị trí xe buýt đồ, hệ thống thực cách lắp đặt thiết bị định vị xe buýt Tuy nhiên, phương án triển khai với kinh phí đầu tư cao phải xây dựng hệ thống lớn ứng dụng chưa hỗ trợ người dùng giao diện trực quan tình hình đến trạm xe buýt,….Luận văn đề xuất mơ hình nội suy để ước lượng thời gian đến trạm xe buýt phương pháp biểu diễn trực qua liệu đồ không gian – thời gian Những kết đạt luận văn gồm: Mơ hình nội suy sai phân tiến Newtơn: Luận văn xây dựng mơ hình nội suy nhằm ước lượng thời gian đến xe buýt thông qua liệu thời gian thu thập Bên cạnh đó, luận văn đề xuất giải thuật nhằm lựa chọn bậc sai phân tối ưu kết nội suy tốt Qua đó, mơ hình nội suy mơ hình để sinh liệu nhằm phục vụ cho việc dự đoán độ sai lệch thời gian nội suy với thời gian thực tế mà xe buýt đến trạm Mơ hình mạng LSTM: Dùng để dự đốn độ sai lệch thời gian nội suy so với thời gian thực tế mà xe buýt đến trạm Bộ liệu huấn luyện kiểm tra mơ hình mạng LSTM liệu sinh từ việc áp dụng nội suy sai phân tiến Newtơn Luận văn đề xuất quy trình giải thuật nhằm huấn luyện liệu đánh giá kết để đưa mơ hình dự đốn tối ưu Kết việc dự đoán dựa kết hợp mơ hình nội suy mạng LSTM đưa thời gian ước 55 lượng mà xe buýt đến trạm gần với thời gian thực tế mà xe buýt đến trạm Xây dựng phương pháp biểu diễn trực quan giá trị nội suy đồ không gian – thời gian: Dựa vào kết dự đoán thời gian đến trạm xe buýt từ hai mơ hình kết hợp (mơ hình nội suy sai phân tiến – mơ hình LSTM) luận văn đề xuất phương pháp biểu diễn thời gian đến trạm xe buýt phương pháp biểu diễn nhằm hạn chế việc chồng chéo hành trình đồ khơng gian – thời gian 5.2 HƯỚNG NGHIÊN CỨU Do tình hình giao thông Việt Nam tốn hóc búa cho nhà quản lý việc hoạch định phát triển hạ tầng giao thông để giải tình trạng ùn tắc giao thơng thành phố Hồ Chi Minh Hà Nội Đó lý mà việc dự đốn thời gian đến phương pháp nội suy sai phân tiến Newtơn có độ chênh lệch cao so với thời gian thực Vì vậy, việc kết hợp phương pháp nội suy sai phân tiến Newtơn với mạng LSTM phương pháp nhằm hỗ trợ cho việc dự đoán thời gian đến trạm xe buýt Qua thực nghiệm mơ hình với lý thuyết học máy (Machine Learning) lý thuyết thống kê, tin có đường Gauss để biểu diễn xác thời gian đến trạm xe buýt Do đó, thời gian tới tơi nghiên cứu xây dựng hàm Gauss để tính tốn thời gian đến xe buýt nhằm hỗ trợ cho việc dự đoán đơn giản 56 TÀI LIỆU THAM KHẢO [1] H.T Nguyen, C.K.T.Duong, T.T.Bui, P.V.Tran, "Visualization of Spatio-temporal Data of Bus Trips," in Proc 2012 IEEE International Conference on Control, Automation and Information Science, November 26-29, 20 12, Hochiminh City, Vietnam, pp 392-397; [2] T.V Tran, P.V Tran, and T.T Bui, "Representing Uncertain Time on Space-time", 1/2014, IEEE Computer Society; [3] Mayank Dev Singh, Swati Singh, Abhishek Chokshi, Harshad Chavan, Dhrudipsinh Dabhi (March 2015) “Process Flow Improvement Through 5s, Kaizen And Visualization” International Journal Of Innovative Research In Science, Engineering And Technology Vol 4, Issue 3, Doi: 10.15680/Ijirset.2015.0403063 1103; [4] Katrien Verbert (06/03/2014), Slide trình bày Information visualization lecture 3: representation, Departement of Computer Science, Faculty of Science, Vrije Universiteit Brussel https://www.slideshare.net/kverbert/lecture3-representation (truy cập ngày 30/12/2018); [5] T Hagerstrand, "What about people in regional science?" Papers of Ninth European Congress of Regional Science Association, 1970, vol.24, pp 7-21; [6] M.J Kraak, "The Space-Time Cube Revisited from a Geovisualization Perspective," in Proc 21st International Cartograp hic Conference (ICC) “Cartographic Renaissance”, 2003, pp 1988-1996; [7] N Andrienko, G Andrienko, "Visual analytics of movement: an overview of methods, tools, and procedures," Information Visualization, vol.12, no.1, pp 3-24, 2013; [8] H.T Nguyen, H.T Ngo, X.V Nguyen, D.N Nguyen, P.V Tran, "An Approach to Representing Movement Data," International Journal of 57 Information and Electronics Engineering, vol 3, no 3, May 2013, pp 283-287; [9] P.V Tran, H.T Nguyen, "Visualization Cube for Tracking Moving Object," in Proc of Computer Science and Information Technology, Information and Electronics Engineering, IACSIT Press, 2011, vol 6, pp 258-262; [10] N Andrienko, G Andrienko, N Pelekis, and S Spaccapietra, "Basic concepts of movement data," In: Giannotti F and Pedreschi D., eds Mobility, Data Mining an d Privacy, Geographic Knowledge Discovery Springer, pp 15-38, 2008; [11] C Tominski, P Schulze-Wollgast, H Schumann, "3D Information Visualization for Time Dependent Data on Maps," in Proc 2005 IEEE International Conference on Information Visualization (IV), pp 175181; [12] Hochreiter & Schmidhuber, “LONG SHORT-TERM MEMORY”, Neural Computation 9(8):1735-1780, 1997; [13] Felix A Gers, Jurgen Schmidhuber, “Recurrent Nets That Time and Count”, Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks IJCNN 2000; [14] Kyunghyun Cho, Bart van Merrienboer, Caglar Gulcehre, Dzmitry Bahdanau, Fethi Bougares, Holger Schwenk, Yoshua Bengio, “Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation”, Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014 58 ... tế thời gian nội suy Khi đó, thời gian đến dự kiến biểu diễn đồ không gian thời gian (t’, p), t’ thời gian dự đoán xe buýt đến trạm, p độ xác (%) Việc biểu diễn thời gian đến đồ không gian -thời. .. lệch thời gian thời gian nội suy với thời gian thực tế theo bậc sai phân từ đến trạm dừng xe buýt 48 Bảng 4.6: Thời gian dự đoán đến trạm xe buýt trạm 49 Bảng 4.7: Thời gian dự kiến mà xe buýt. .. với thời gian thực tế t mà xe buýt đến trạm, giá trị tính bằng: Δt = t’ – t Thời gian đến thời gian thực tế mà xe buýt đến trạm dừng xe buýt Thời gian thực tế t thời gian mà xe buýt đến trạm