Sự bất định của thời gian di chuyển đô thị làm giảm hiệu quả điều phối và tăng chi phí logistics tại Việt Nam lên mức 16,8% GDP. Nghiên cứu này đề xuất hệ thống NovaLog AI nhằm dự báo thời gian di chuyển và hỗ trợ tối ưu hóa lộ trình. Dựa trên bộ dữ liệu vi mô gồm hơn 20.000 hành trình với 11 đặc trưng đầu vào, nghiên cứu triển khai phương pháp xác thực chéo kết hợp 30 lần mô phỏng Monte Carlo nhằm giảm độ lệch chọn mẫu. DOI: http://doi.org/10.64588/jc.17.07.2026
TÁC GIẢ:
TS Nguyễn Trọng Dũng1,*, Nguyễn Thị Thu Hương1, Phạm Quỳnh Anh2
1Nhóm nghiên cứu Ứng dụng công nghệ 4.0 trong giao thông vân tải (I4T),
Trường Đại học Công nghệ Giao thông vận tải
2Trường Đại học Giáo dục - Đại học Quốc gia Hà Nội
*Email: dungnt88@utt.edu.vn
THÔNG TIN BÀI BÁO
Chuyên mục: Khoa học công nghệ
Ngày nhận bài: 21/5/2026
Ngày sửa bài: 05/6/2026
Ngày chấp nhận đăng: 25/6/2026
Ngày xuất bản Online: 23/7/2026
Tác giả liên hệ: Email: dungnt88@utt.edu.vn
TÓM TẮT
Sự bất định của thời gian di chuyển đô thị làm giảm hiệu quả điều phối và tăng chi phí logistics tại Việt Nam lên mức 16,8% GDP. Nghiên cứu này đề xuất hệ thống NovaLog AI nhằm dự báo thời gian di chuyển và hỗ trợ tối ưu hóa lộ trình. Dựa trên bộ dữ liệu vi mô gồm hơn 20.000 hành trình với 11 đặc trưng đầu vào, nghiên cứu triển khai phương pháp xác thực chéo kết hợp 30 lần mô phỏng Monte Carlo nhằm giảm độ lệch chọn mẫu. Kết quả cho thấy thuật toán CatBoost đạt R² = 0,930, RMSE = 2,738 và A20 = 88,30% trên tập kiểm tra. Phân tích SHAP xác định quãng đường, hướng gió, kinh độ đi và vĩ độ đi là 4 yếu tố ảnh hưởng nhiều nhất đến độ trễ. Nghiên cứu cung cấp công cụ định tuyến động, hỗ trợ giảm ùn tắc và tối ưu chi phí vận hành chuỗi cung ứng.
Từ khóa: Logistics; dự báo thời gian di chuyển; học máy; CatBoost; Monte Carlo.
TÀI LIỆU THAM KHẢO
[1] C.-N. Wang and T.-T. Truong. Assessing Financial Performance Disparities in the Vietnam Logistics Sector Amidst COVID-19: A Hybrid MCDM Evaluation Approach Using MEREC-COBRA, Sep. 09, 2025, In Review, doi: 10.21203/rs.3.rs-6484793/v1.
[2] F. A. Saraiva and H. T. Y. Yoshizaki. Logistics demand forecasting: a literature review. Transp. Res. Procedia, vol. 79, pp. 100-107, 2024, doi: 10.1016/j.trpro.2024.03.015.
[3] A. R. Teixeira, J. V. Ferreira and A. L. Ramos. Intelligent Supply Chain Management: A Systematic Literature Review on Artificial Intelligence Contributions. Information, vol. 16, no. 5, p. 399, May 2025, doi: 10.3390/info16050399.
[4] Lê Thanh Phương. Ứng dụng trí tuệ nhân tạo trong ngành Logistics và quản lý chuỗi cung ứng trên thế giới và Việt Nam. Tạp chí Công Thương, Số 9, Tháng 4 năm 2024.
[5] L. T. K. Hoa and N. N. Long. Application of artificial intelligence in logistics enterprises in vietnam: A new direction in the industrial revolution 4.0, 2025.
[6] Truong Trung Hieu and Pham Trinh Hong Phi. AI Applications in Logistics and Supply Chain Management in Vietnam. Int. J. Res. Appl. Technol., 2025.
[7] Quân T. N. P. and Vinh T. D., ‘Chuyển đổi xanh ngành logistics: Tiềm năng và thách thức từ xe điện’, Kỷ Yếu Hội Thảo Quốc Gia Logistics Và Vận Tải Xanh, Tháng 6 năm 2025.
[8] D. M. Tran et al. The nexus of supply chain managerial competence expectation and possession in the new era: the case of Vietnam. Int. J. Logist. Manag., vol. 36, no. 7, pp. 63-98, Dec. 2025, doi: 10.1108/IJLM-11-2023-0488.
[9] L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush and A. Gulin. CatBoost: unbiased boosting with categorical features, Jan. 20, 2019, arXiv: arXiv:1706.09516, doi: 10.48550/arXiv.1706.09516.
[10] D. Berrar. Cross-Validation. Encycl. Bioinforma. Comput. Biol., Mar. 2024, doi: 10.1016/B978-0-323-95502-7.00032-4.
[11] M.-C. Popescu, V. E. Balas, L. Perescu-Popescu and N. Mastorakis. Multilayer Perceptron and Neural Networks. WSEAS Trans. CIRCUITS Syst., vol. 8, no. 7, Jul. 2009.
[12] P. Geurts, D. Ernst and L. Wehenkel. Extremely randomized trees. Mach. Learn., vol. 63, no. 1, pp. 3-42, Apr. 2006, doi: 10.1007/s10994-006-6226-1.
[13] Y. Freund, R. E. Schapire, T. Labs, S. Laboratory, P. Avenue and F. Park. A Short Introduction to Boosting. J. Jpn. Soc. Artif. Intell., vol. 14, no. 5, pp. 771-780, Sep. 1999.
[14] C. De Mol, E. De Vito and L. Rosasco. Elastic-net regularization in learning theory. J. Complex., vol. 25, no. 2, pp. 201-230, Apr. 2009, doi: 10.1016/j.jco.2009.01.002.
►Xem bài báo tại đây
