Từ AI dự báo kẹt xe đến nhu cầu hiểu “vì sao”
AI dự báo kẹt xe là tập hợp các mô hình trí tuệ nhân tạo dùng dữ liệu giao thông thời gian thực từ nhiều nguồn, như vị trí, thời điểm và hành vi di chuyển của người dùng điện thoại di động, để dự đoán nơi và lúc ùn tắc sẽ xảy ra; bước tiến mới là kết hợp khả năng dự đoán đó với phân tích nguyên nhân ùn tắc nhằm giải thích rõ yếu tố nào đang khiến dòng xe bị chặn lại. Nếu dừng ở dự báo, AI giao thông giống một chiếc đồng hồ báo thức: cảnh báo sắp kẹt nhưng không cho biết lý do. Điều này khiến chính quyền luôn trong trạng thái phản ứng – điều chỉnh tín hiệu, điều xe, phát thông báo – thay vì chủ động thiết kế lại không gian và chính sách giao thông. Trong khi hàng triệu người đi làm ở các đô thị vẫn mắc kẹt mỗi ngày, chất lượng sống giảm và danh mục thiệt hại kinh tế lẫn môi trường phình to, câu hỏi phải đặt ra là: tại sao chúng ta vẫn chấp nhận “hộp đen” dự báo mà không ép nó phải giải thích?
Nghiên cứu của RMIT: biến dữ liệu điện thoại thành “bản đồ nguyên nhân”
Điểm thay đổi cuộc chơi đến từ nhóm nghiên cứu của Tiến sĩ Phạm Việt Hùng tại RMIT Việt Nam, khi họ không hài lòng với việc AI chỉ nói “chỗ này sắp kẹt”. Bằng cách dùng dữ liệu di động của người tham gia giao thông hằng ngày kết hợp học máy và AI có khả năng luận giải (XAI), nhóm đã xây dựng một khung phân tích nguyên nhân ùn tắc thay vì chỉ vẽ bản đồ tắc đường. Cụ thể, họ dùng mô hình XGBoost để dự đoán tình trạng ùn tắc theo thời gian thực, rồi dùng LIME để “giải mã” từng dự đoán: trong mỗi tình huống, mô hình đang dựa vào tọa độ, thời gian trong ngày, ngày cuối tuần hay sự kiện đặc biệt ở mức độ nào. Nói cách khác, thay vì tin vào dự báo như một kết luận tuyệt đối, các nhà nghiên cứu buộc AI “trình bày bài làm”. Đây là bước rất nhiều hệ thống quản lý giao thông AI trên thế giới vẫn bỏ qua: coi độ chính xác là đủ, không cần hiểu logic bên trong.
Những phát hiện khó chịu nhưng cần đối mặt về cấu trúc giao thông
Khi AI bị yêu cầu giải thích, bức tranh giao thông đô thị thông minh hiện lên với nhiều chi tiết khó chịu: vấn đề không chỉ là “cao điểm sáng – chiều”. Nhóm nghiên cứu chỉ ra bốn biến số được bóc tách rõ ràng: tọa độ địa điểm, thời gian trong ngày, ngày cuối tuần và các sự kiện đặc biệt. Một kết quả gây bất ngờ là địa điểm có sức nặng lớn hơn nhiều so với phân loại đường thông thường; khi loại bỏ dữ liệu vị trí, độ chính xác mô hình giảm rõ rệt. Điều này đồng nghĩa một số trục đường, nút giao, khu vực thương mại hay cửa ngõ sân bay đang đóng vai trò “điểm nghẽn cấu trúc” mà mọi giải pháp tình thế đều chỉ đổ thêm áp lực. Bên cạnh đó, AI luận giải còn phát hiện các chuỗi ùn tắc ngoài giờ cao điểm do hoạt động đặc thù tại những khung giờ tưởng như yên tĩnh, thứ dễ bị bỏ qua nếu chỉ nhìn số liệu trung bình. Nếu không chấp nhận sự thật là chính cấu trúc và cách sử dụng đất đang nuôi dưỡng ùn tắc, mọi nỗ lực điều chỉnh đèn tín hiệu sẽ chỉ là chữa cháy.
Tác động thực tế: từ người đi đường đến nhà quy hoạch
Khi phân tích nguyên nhân ùn tắc được đưa vào trung tâm quản lý giao thông AI, lợi ích không nằm trên slide hội thảo mà xuất hiện trong từng hành trình nhỏ. Người tham gia giao thông có thể chủ động chọn lộ trình ít rủi ro hơn về ùn tắc ẩn, tiết kiệm thời gian và giảm căng thẳng, thay vì chỉ né các điểm đỏ quen thuộc trên bản đồ. Doanh nghiệp logistics và giao hàng có thể lên tuyến đường hiệu quả hơn, giảm thời gian di chuyển và chi phí vận hành nhờ hiểu quy luật tắc nghẽn theo giờ, ngày và sự kiện. Quan trọng hơn, các nhà quy hoạch đô thị có thể xác định các điểm nóng một cách chính xác để ưu tiên can thiệp, thay vì triển khai nâng cấp hạ tầng tốn kém dàn trải. Theo nhóm tác giả, những mô hình AI giải thích khiến việc ra quyết định điều hành minh bạch và linh hoạt hơn, vì nhà quản lý nhìn thấy rõ mô hình đang dựa vào tín hiệu nào và có thể đặt câu hỏi “điều gì xảy ra nếu tín hiệu đó thay đổi?”. Đây là khác biệt giữa một hệ thống giao thông bị nỗi sợ kẹt xe chi phối và một đô thị thông minh dám dùng dữ liệu để thay đổi cấu trúc.
Một chiến lược dài hạn: ép AI “hiểu” để trị tận gốc ùn tắc
Điều đáng nói là nhóm của Tiến sĩ Hùng không dừng lại ở TP.HCM hay một bộ dữ liệu cố định. Họ lên kế hoạch mở rộng khung tham chiếu bằng cách tích hợp thêm các biến số môi trường như thời tiết, sự cố giao thông và các sự kiện công cộng, đồng thời thử nghiệm cách tiếp cận ở những thành phố khác để so sánh quy luật giao thông trong nhiều bối cảnh đô thị. Đây không phải bài toán “tinh chỉnh thuật toán” mà là xây dựng năng lực hiểu nguyên nhân ở cấp độ hạ tầng dữ liệu. Kết quả nghiên cứu rút ra một bài học có vẻ hiển nhiên nhưng thường bị bỏ qua: hiểu nguyên nhân dẫn đến tắc nghẽn quan trọng không kém bản thân việc dự đoán. Tiến sĩ Hùng kỳ vọng công nghệ XAI sẽ biến dữ liệu thô thành tri thức thực tiễn, giúp chính phủ và cộng đồng hành động hiệu quả hơn. Nếu các đô thị tiếp tục chấp nhận những hệ thống AI “không giải thích”, chúng ta sẽ có ngày càng nhiều bảng cảnh báo kẹt xe nhưng ít đi khả năng trị tận gốc. Muốn xây dựng giao thông đô thị thông minh, việc đầu tiên phải làm là ép công nghệ trả lời câu hỏi mà người dân vẫn hỏi mỗi sáng: vì sao chỗ này luôn kẹt?
