Nghiên cứu tổng quan về các mô hình trí tuệ nhân tạo và các yếu tố ảnh hưởng tới tốc độ khai thác trên đường cao tốc nhiều làn xe

http://doi.org/10.64588/jc.04.01.2026

Ngày nhận bài: 19/11/2025; ngày sửa bài: 20/12/2025; ngày chấp nhận đăng: 15/01/2026

Tóm tắt

Tốc độ khai thác là chỉ tiêu vận hành quan trọng phản ánh hiệu quả và mức độ an toàn của đường cao tốc. Trong khi các nghiên cứu về các mô hình trí tuệ nhân tạo (AI), các yếu tố ảnh hưởng tới tốc độ khai thác trên đường cao tốc hai làn xe đã được thực hiện khá phổ biến trên thế giới, thì đối với đường cao tốc từ bốn làn xe trở lên, các nghiên cứu hiện tại còn hạn chế, đặc biệt trong bối cảnh điều kiện giao thông ngày càng phức tạp, lượng phương tiện giao thông tăng, nhu cầu đi lại, vận chuyển hàng hóa lớn. Việc thiếu hụt cơ sở khoa học này dẫn đến khó khăn trong việc thiết kế tốc độ khai thác, phương pháp khai thác và quản lý hệ thống cao tốc nhiều làn xe một cách tối ưu.

Do đó, nghiên cứu tổng quan các yếu tố ảnh hưởng tới tốc độ khai thác trên đường cao tốc từ bốn làn xe trở lên từ các bài báo nghiên cứu khoa học trên thế giới là hết sức cấp thiết nhằm bổ sung khoảng trống kiến thức hiện có, đồng thời là cơ sở khoa học để ứng dụng vào thiết lập tốc độ khai thác hệ thống cao tốc nhiều làn xe Việt Nam, đặc biệt là các tuyến cao tốc bốn làn xe không có làn dừng khẩn cấp liên tục. Bài báo này tổng hợp, giới thiệu các mô hình AI xác định tốc độ khai thác thông qua tốc độ V85, cũng như phân tích các yếu tố gây ảnh hưởng nhất đến tốc độ khai thác. Kết quả nghiên cứu chỉ ra rằng nhóm các yếu tố đặc điểm hình học đường là ảnh hưởng đến tốc độ khai thác nhất.

Từ khóa: Đường cao tốc Việt Nam, cao tốc nhiều làn xe, an toàn cao tốc, mô hình AI, tốc độ khai thác.

Abstract

Operating speed is an important indicator of operational efficiency and road safety on expressways. While studies on artificial intelligence (AI) models and factors influencing operating speed on multi-lane expressways (with four or more lanes) have been widely conducted worldwide, such research in Vietnam remains limited - especially in the context of increasing traffic demand, complex driving behavior, and higher freight and passenger transport volumes. The lack of scientific studies makes it difficult to design operating speed, operating method, and manage the expressway system efficiently. Therefore, this study aims to review the influencing factors on operating speed for multi-lane expressways through a comprehensive synthesis of domestic and international scientific publications.

The review not only supplements the existing body of knowledge but also provides a scientific basis for the design and operation of multi-lane expressway systems in Vietnam, especially on routes without continuous physical median barriers. This paper synthesizes and presents AI models used to determine operating speed through the 85th percentile speed (V85) and analyzes the most influential factors affecting operating speed. The results indicate that road geometric design factors have the greatest impact on operating speed.

Keywords: Vietnam expressways, multi-lane expressways, safety expressways, AI models, operating speed.

1. Đặt vấn đề

Trên thế giới đã có rất nhiều nước đã nghiên cứu, xây dựng và khai thác các tuyến đường có tính chất kỹ thuật cao cận kề tiêu chuẩn đường cao tốc mà không phải là đường cao tốc hoàn chỉnh do có chi phí đầu tư hợp lý, di chuyển được với tốc độ cao và lưu lượng xe phù hợp với nhu cầu thực tế. Các tuyến đường này được gọi là đường cao tốc chưa hoàn chỉnh, bao gồm đường cao tốc 2+1 (Super 2 Highway) hoặc cao tốc có bốn làn xe chưa hoàn chỉnh. 2+1 là loại hình đường cao tốc hai làn xe, có thể linh hoạt trong thiết kế và bố trí bổ sung làn vượt xe không liên tục [1], được các nhà chuyên môn ở bang Texas nghiên cứu và triển khai trong suốt hai thập kỷ, kể từ năm 2001 [2]. Trong khi đó, cao tốc có bốn làn xe chưa hoàn chỉnh được chuyển đổi từ những tuyến đường cao tốc hai làn xe sẵn có thành cao tốc bốn làn xe không có dải dừng xe khẩn cấp liên tục, bằng cách chuyển đổi công năng làn dừng xe khẩn cấp của cao tốc hai làn xe thành làn đường mới. Những tuyến đường cao tốc này được các tác giả nghiên cứu ví như là “cao tốc nghèo” (“poor-boy” highway) với ưu điểm là chi phí chuyển đổi thấp, chỉ cần làm lại mặt đường, không phải đào đắp lại cống thoát nước hay làm lại kết cấu đường, tổ chức chỉnh sửa lại vị trí các nút giao [3]. Thông thường, tốc độ tối đa cho phép ở các tuyến cao tốc 2+1 hay cao tốc bốn làn xe không có dải dừng xe khẩn cấp liên tục ở Mỹ là 90 km/h [4].

Những kinh nghiệm tổng quan từ các tài liệu quốc tế trên sẽ là cơ sở để nghiên cứu và áp dụng vào các dự án nâng cấp đường cao tốc ở Việt Nam hiện nay. Theo chỉ đạo của Chính phủ, các bộ cần khẩn trương nghiên cứu phương án đầu tư, nâng cấp nhanh chóng các tuyến cao tốc hai làn xe lên cao tốc bốn hoặc sáu làn xe hoàn chỉnh theo tiêu chuẩn, quy chuẩn đường bộ cao tốc nhằm đồng bộ với các tuyến cao tốc bốn làn xe chưa hoàn chỉnh đang hoặc sắp khai thác [5]. Nguyên nhân của sự thay đổi này là do nhu cầu lưu lượng ngày càng tăng nên chất lượng phục vụ của cao tốc hai làn xe không còn đáp ứng. Mặt khác, các vấn đề bất cập về tốc độ khai thác tối đa cho phép thấp hơn tốc độ mong muốn của đa phần người lái xe trong khi vẫn đủ cơ sở về đảm bảo an toàn giao thông và lựa chọn tốc độ khai thác chậm của xe tải cũng làm ảnh hưởng đến tâm lý lái xe của người lái xe con, xe khách phía sau, dẫn đến tăng rủi ro các hành vi nóng vội có thể gây mất an toàn giao thông.

Do đó, việc nghiên cứu, lựa chọn các yếu tố ảnh hưởng nhằm thiết lập đồng bộ tốc độ khai thác cho đường cao tốc nhiều làn xe (4 làn xe trở lên) cũng rất cần thiết nhằm đảm bảo chức năng của một tuyến đường cao tốc bao gồm tính cơ động, rút ngắn thời gian hành trình và tính an toàn, giảm thiểu tối đa rủi ro về ùn tắc, TNGT. Tuy nhiên, trong phạm vi hiểu biết của tác giả, cho tới giờ vẫn còn hạn chế các bài báo khoa học nghiên cứu trong nước tổng quan về các yếu tố ảnh hưởng đến việc xác định tốc độ khai thác và hướng dẫn thiết lập tốc độ khai thác đồng bộ cho các tuyến cao tốc nhiều làn xe (bốn làn xe trở lên) bằng các mô hình AI như phương pháp học máy và phương pháp học sâu.

Vì vậy, trong phạm vi bài báo này, tác giả lựa chọn phạm vi nghiên cứu là đường cao tốc có bốn làn xe trở lên, đối tượng nghiên cứu là các yếu tố ảnh hưởng được lựa chọn nhất đến việc xác định tốc độ V85 và tốc độ khai thác. Tốc độ khai thác được xác định dựa trên tốc độ V85 và tốc độ V85 được định nghĩa là tốc độ vận hành mà ở đó 85% các lái xe vận hành xe chạy từ tốc độ này trở xuống [6-7]. Mục tiêu là phân tích mức độ quan trọng hay mật độ xuất hiện của các biến độc lập thông qua giá trị hệ số trong các phương trình tính toán tốc độ V85 nhằm đưa ra một bảng tham khảo tổng hợp các yếu tố ảnh hưởng được lựa chọn nhất đến việc xác định tốc độ V85 và tốc độ khai thác. Bảng tra cứu này có thể làm cơ sở khoa học áp dụng cho các nhà quản lý Việt Nam về lựa chọn các biến độc lập cho phương trình tính toán tốc độ V85 phù hợp cho mỗi đoạn đường hoặc một tuyến đường cao tốc nghiên cứu ở Việt Nam. Cuối cùng, tốc độ khai thác sẽ được xác định dựa trên hệ số hiệu chỉnh của các yếu tố ảnh hưởng với kết quả tốc độ V85 [4] và từ đó, các nhà quản lý có thể đề xuất tốc độ khai thác hợp lý, đảm bảo tính cơ động lẫn tính an toàn cho các phương tiện cơ giới.

2. Các mô hình ai xác định tốc độ khai thác

Kết quả thiết lập phương trình tốc độ V85 và tốc độ khai thác đã được nhiều bài báo quốc tế nghiên cứu thiết lập thông qua các mô hình huấn luyện AI theo phương pháp học máy, cụ thể là mô hình hồi quy bội [8-13]. Điểm hạn chế của mô hình này là dữ liệu đầu vào khó có thể lựa chọn các biến độc lập phức tạp như các yếu tố hình học được thiết kế phụ thuộc vào đặc điểm, hành vi con người hay yếu tố thời tiết.

Trong tài liệu [14], các tác giả đã nhận ra hạn chế đó và đã áp dụng quy trình kỹ thuật Neuro-fuzzy (tạm dịch là sự mơ hồ của hệ thần kinh, tức nói sự không chắc chắn trong hành vi lái xe), kỹ thuật này áp dụng cách thức huấn luyện theo phương pháp lan truyền ngược hạ gradient (back-propagation) của mô hình mạng nơ ron nhân tạo ANN (artificial neural networks) kết hợp với phương pháp bình phương tối thiểu (least squares method) để xác định các đặc tính của tệp mờ (tệp fuzzy) và các quy luật mờ (quy luật fuzzy) thông qua việc xử lý các tập dữ liệu. Kết quả thu được là khoảng cách tầm nhìn thực tế tốt nhất của người lái xe theo hướng nhìn thẳng phía trước dọc theo tuyến và tầm nhìn hãm xe là tổ hợp yếu tố ảnh hưởng nhất tới tốc độ V85.

Ngoài ra, còn nhiều phương pháp học máy như mô hình ANN có thể sử dụng để xác định tốc độ V85 là random forest [15-16], support vector machine (SVM) [16], gradient boosting [15]... Một mô hình trí tuệ thông minh nhân tạo (AI - artificial intelligence) khác cũng được nhiều tác giả khoa học áp dụng nghiên cứu tốc độ V85 trên các đoạn ngắn cao tốc trong nhiều năm gần đây là mô hình học sâu (deep learning). Ưu điểm của mô hình này là tệp dữ liệu lớn và độ chính xác cao, tuy nhiên nhược điểm là chi phí vận hành lớn và cũng chưa tích hợp được các yếu tố khách quan như điều kiện thời tiết. Quy trình thực hiện mô hình nghiên cứu này là thu thập dữ liệu dựa trên cảm biến từ các thiết bị - lưu trữ dữ liệu - truyền tải dữ liệu giao thông - huấn luyện dữ liệu qua mô hình học sâu - chạy ra mô hình và kết quả tốt nhất trong dự báo giao thông.

Nhìn chung đối với các mô hình nghiên cứu học sâu, thường các tác giả sẽ kết hợp sử dụng mô hình mạng nơ-ron tích chập không gian - thời gian (spatio - temporal convolutional neural networks) kết hợp thêm với một vài mô hình khác như mô hình biến đổi Wavelet [17], mô hình mô-đun kép (dual atteention module) [18], mô hình đảo ngược (iTransformer) [19] để nâng cao tính chính xác trong xử lý dữ liệu. Trong phạm vi bài báo này, tác giả sẽ giới thiệu các mô hình hồi quy bội và mô hình mạng nơ ron nhân tạo ANN ứng dụng trong thiết lập tốc độ V85 do các điều kiện thiết bị, nhân lực, dữ liệu và kinh tế thực hiện phù hợp với điều kiện nghiên cứu ở Việt Nam hiện nay.

Bảng 1 dưới đây thống kê tổng hợp một số các bài báo khoa học ứng dụng các mô hình dã được mô tả ở trên vào xác định tốc độ V85 trên đường cao tốc nhiều làn xe.

Bảng 1. Tổng hợp các phương pháp xác định tốc độ khai thác.

2.1.  Tổng quan mô hình hồi quy bội

Nhận thấy rằng hầu hết các nghiên cứu tốc độ khai thác trong Bảng 1 đều có điểm chung là sử dụng mô hình hồi quy bội (mô hình tĩnh) để xác định mối quan hệ giữa tốc độ V85 với các yếu tố hình học đường và các yếu tố xung quanh hai bên đường. Nguyên lý của mô hình này là sử dụng tệp mẫu nghiên cứu để kiểm định, ước lượng cho tệp thông tin tổng thể, trong đó tệp thông tin mẫu chính là số liệu đi đo ngoài hiện trường. Thông thường tệp mẫu để xác định tốc độ V85 nên có khoảng 100 xe [4][14]. Trong mô hình hồi quy bội mẫu, biến tốc độ V85 đóng vai trò là một biến phụ thuộc và các biến yếu tố có gây ảnh hưởng đến V85 là các biến độc lập. Phương trình hồi quy bội mẫu được diễn tả như sau [27]:

Giải thích ý nghĩa tương ứng của biến phụ thuộc, biến độc lập phương trình (1) với các yếu tố được lựa chọn trong các bài báo khoa học sử dụng mô hình hồi quy bội được nêu ở bảng 1:

- Y là biến phụ thuộc, ở đây là V85 [20-26]. Tốc độ V85 là biến chịu tác động của các biến khác.

- X_i là biến độc lập, ở đây là tốc độ trung bình trên từng làn xe, tốc độ giới hạn cho phép, tốc độ V85 đoạn liền kề trước đó [23-25], lưu lượng xe lối ra vào cao tốc [20-21]; các yếu tố hình học đường như giá trị bán kính đường cong, siêu cao, chiều dài đoạn thẳng/cong, chiều rộng làn đường, tầm nhìn, vv [20-24][26]; các yếu tố xung quanh hai bên đường như mật độ hai bên đường (cây xanh, đất sử dụng, biển báo, nhà ở, đất nông nghiệp, vv), loại dải phân cách tim đường/lề đường, vv [21][26]; thời tiết. V85 là biến chịu tác động của các biến khác.

Phương trình hồi quy bội mẫu (1) sau đó sẽ được phân tích qua hai phương pháp sau:

Ước lượng hồi quy tuyến tính bằng OLS (Ordinary Least Squares) [26].

Phân tích hồi quy tuyến tính bội có thể thực hiện trên các phần mềm thống kê phổ biến như SPSS, R, Python… Ví dụ trong tài liệu [20-24], các tác giả đã phân tích mô hình trên phần mềm SPSS, phần kết quả chúng ta sẽ tập trung vào kết quả các bảng Anova, Model Summary, Coefficients và ba biểu đồ Histogram, Normal P-P Plot, Scatter Plot.

Nói tóm lại, kết quả sau khi phân tích qua các phương pháp trên sẽ cho chúng ta biết được giá trị các hệ số hồi quy tương ứng với các biến độc lập của mô hình có giá trị phần dư bé nhất, hay nói cách khác là mô hình có tính chính xác sát với thực tế nhất. Từ đó, dễ dàng xác định được mức độ ảnh hưởng của các biến phụ thuộc (V85) lên biến độc lập. Mô hình truyền thống này được các nhà nghiên cứu trên thế giới ứng dụng từ lâu để tìm ra tốc độ khai thác phù hợp trên các tuyến cao tốc, đặc biệt là tốc độ khai thác tại các đoạn đường cong trên cao tốc hai làn xe.

2.2.  Mô hình mạng nơ-ron nhân tạo ANN

Mạng nơ-ron nhân tạo ANN (Artificial neural networks) là một họ các quá trình xử lý thông tin (dạng số) dựa trên mô hình các nơ-ron thần kinh của con người. Mục đích của ANN giống như các mô hình truyền thống, đó là xác định mối quan hệ giữa các tham số đầu vào và các tham số đầu ra của mô hình. Tuy nhiên, ANN chỉ sử dụng các tập dữ liệu mà không cần chỉ định trước các hàm toán xác định mối quan hệ giữa các tham số đầu vào và đầu ra của mô hình. Đây là một phương pháp mới được áp dụng để tính tốc độ khai thác (tốc độ V85) chính xác hơn trên cao tốc thay vì các mô hình hồi quy tuyến tính truyền thống. Tính chính xác của mô hình mạng ANN sẽ được đánh giá qua bốn chỉ số:  (hệ số xác định), RMSE (Root means square error: Sai số bình phương trung bình), MAPE (Mean absolute percent error: sai số phần trăm tuyệt đối trung bình), MAD (Mean absolute deviation: Sai số tuyệt đối trung bình). Nhìn chung, các mô hình mạng nơ-ron nhân tạo (ANN) bao gồm ba lớp: Lớp đầu vào (input layer), lớp ẩn (hidden layer) và lớp đầu ra (output layer). Lớp đầu vào gồm các biến độc lập của bài toán, lớp đầu ra chứa các biến phụ thuộc cần mô hình hóa. Hình 2 mô tả cấu trúc và cách thức hoạt động một mạng ANN [28].

Theo tài liệu [28], quá trình tập học mạng ANN bắt đầu từ dữ liệu đầu vào (vector thông số đầu vào được nhập vào các nơ-ron ở lớp đầu vào). Tại nơ-ron lớp ẩn thứ j, giá trị tín hiệu nhận từ lớp đầu vào sẽ được hợp thành một giá trị tổng đầu vào theo công thức sau:

Sau đó, hàm truyền (hàm sigmoid hoặc hàm tan hyperbolic (tanh) hoặc rectified linear unit (ReLU)) sẽ được sử dụng để tính giá trị đầu ra  của nơ-ron theo công thức sau:

Giá trị  vừa tính ra lại tiếp tục trở thành tham số đầu vào cho lớp nơ-ron tiếp theo. Quy trình cứ tiếp tục lặp đi lặp lại như vậy cho tới khi mô hình được huấn luyện xong.

Áp dụng vào trường hợp phương pháp xác định tốc độ khai thác cụ thể, trong tài liệu [24], tác giả đã sử dụng mô hình mạng nơ-ron nhân tạo đa lớp MLP (Multi-Layer Perceptron - là một loại mạng nơ-ron nhân tạo bao gồm nhiều lớp nơ-ron hoặc nút, được sắp xếp theo cấu trúc phân cấp) với thuật toán lan truyền ngược BP (Back propagation). Tổng cộng 41 tập dữ liệu quan sát được sử dụng. Các điểm khảo sát được chia thành tập dữ liệu huấn luyện (training set) gồm 35 điểm (chiếm 85% tổng số quan sát) và tập dữ liệu kiểm định (testing set) gồm 6 điểm (chiếm 15%). Tỷ lệ này được lựa chọn sau nhiều lần thử nghiệm để đạt hiệu suất tối ưu giữa dữ liệu huấn luyện và kiểm định, phù hợp với các nghiên cứu trước đây - trong đó tỷ lệ huấn luyện thường dao động từ 70% đến 90%. 

Để tránh hiện tượng trùng lặp (overfitting), 41 điểm dữ liệu được xáo trộn ngẫu nhiên trước khi huấn luyện mạng, đảm bảo hiệu suất giữa tập huấn luyện và kiểm định đều tốt (0,5 ≤ R² ≤ 1, càng xấp xỉ 1 thì càng tốt và giá trị RMSE càng nhỏ thì mô hình càng ít lỗi). Số nơ-ron trong lớp ẩn được chọn bằng một nửa tổng số nơ-ron ở lớp đầu vào và đầu ra, tức là 3 nơ-ron, phù hợp với khuyến nghị phổ biến trong lĩnh vực này. Quá trình học sử dụng quy tắc lan truyền có quán tính (momentum learning rule), với số vòng lặp (epoch) là 5000, giúp mô hình hội tụ nhanh và ổn định. Nhiều thử nghiệm đã được tiến hành để tìm ra cấu trúc mạng cho hiệu năng tối ưu nhất và được tác giả nghiên cứu kết luận rằng mạng nơ-ron nhân tạo đa lớp (MLP) mang lại hiệu suất tốt hơn khi so sánh với các kết quả mô hình hồi quy truyền thống. Trong sơ đồ mạng dưới đây của TS Seimeida, biến phụ thuộc (tham số đầu ra) là tốc độ V85, các biến độc lập (tham số đầu vào) được đưa vào sơ đồ mạng như sau:

2.3.  Nhận xét chung

Nhìn chung các mô hình đã được giới thiệu ở trên có ưu điểm là dễ học hỏi, dễ thực hiện, tiết kiệm chi phí và có tính chính xác tương đối cao. Điều đó được thể hiện qua việc ứng dụng các mô hình này của các bài báo quốc tế sẽ được giới thiệu ở phần 3. Tuy nhiên, nhược điểm là tính chính xác đôi khi là “tương đối” bởi tùy vào đặc điểm địa hình, thiết kế, hình dạng của tuyến đường mà số lượng, loại biến độc lập được chọn sẽ phụ thuộc vào nhận định của người thực hiện nghiên cứu lấy số liệu.

Trong ba mô hình trên, mô hình mạng nơ-ron nhân tạo (ANN) cho kết quả tốt hơn và đáng tin cậy hơn so với các mô hình hồi quy trong việc dự đoán tốc độ V85. Cụ thể, mô hình ANN tốt nhất đạt và  3.11 cho toàn bộ tập dữ liệu, trong khi mô hình hồi quy tốt nhất chỉ đạt và  [24]. Nhóm tác giả cho rằng nếu có sự chuẩn bị, phân tích, khảo sát kỹ lưỡng đặc điểm hình học đường, chất lượng mặt đường và các yếu tố môi trường xung quanh, tình hình thời tiết, thói quen di chuyển của các tài xế qua khu vực đoạn cao tốc nghiên cứu thì hoàn toàn có thể hạn chế tối đa rủi ro nhược điểm thiếu sót biến đầu vào của mô hình ANN và mô hình hồi quy bội.

Ví dụ trên các tuyến cao tốc phân kỳ bốn làn xe trở lên, thời tiết mưa và thời tiết nắng cũng sẽ tạo ra sự khác biệt về tốc độ khai thác lựa chọn của tài xế hay sự xuất hiện của camera giao thông thông minh, biển báo hạn chế tốc độ cũng sẽ khiến phương tiện thay đổi tốc độ theo từng đoạn trước và khi đi qua các thiết bị, biển báo này. Do đó, nếu bỏ sót những chi tiết này thì sẽ làm cho việc xác định phương trình tính toán tốc độ V85 không còn chính xác nữa.

3. Các yếu tố ảnh hưởng tới tốc độ khai thác

Các mô hình và công thức dự báo tốc độ khai thác trên các đoạn đường thẳng, đường cong của nhiều loại đường khác nhau, tại các khu vực địa lý khác nhau trên thế giới mà các nhà nghiên cứu đã công bố trong các bài nghiên cứu của họ, sẽ được tác giả tổng hợp và phân tích tìm ra các yếu tố quan trọng ảnh hưởng tới việc lựa chọn tốc độ khai thác trên các tuyến cao tốc. Trong phần này, tác giả sẽ tổng hợp - phân tích - so sánh - kết luận các yếu tố ảnh hưởng đến tốc độ khai thác xe trên cao tốc từ bốn làn xe trở lên dựa trên các tài liệu được nhắc đến trong Bảng 1.

3.1. Leong và các cộng sự [20]: Mô hình hồi quy bội

Trong đó:              

BFFS - Base free flow speed: Tốc độ xe thông thường ở điều kiện dòng tự do (100 km/h đối với đường cao tốc nhiều làn xe).

LW - Lane width: Chiều rộng làn xe (Chiều rộng làn xe lý tưởng = 3,65 m).

LC - Lateral clearance: Khoảng tĩnh không theo chiều ngang, bao gồm chiều rộng làn ngoài cùng (làn dừng xe khẩn cấp/lề gia cố) và khoảng cách từ vạch an toàn của làn xe sát dải phân cách tới mép dải phân cách - (Tĩnh không ngang lý tưởng = 1,8 m).

APD - Access point density: Mật độ điểm vào/ra cao tốc.

LD - Lane dummy: Làn đường giả định (0 là làn xe trong cùng, 1 là làn xe ngoài cùng).

Kết luận: Kết quả mô hình của nhóm tác giả đã cho thấy chiều rộng làn xe là yếu tố ảnh hưởng nhất, tiếp theo đó lần lượt là khoảng cách tĩnh không theo chiều ngang, làn đường giả định và mật độ điểm vào/ra cao tốc dựa trên giá trị của các hệ số. Trong nghiên cứu này, mặc dù FFS là tốc độ trung bình mà phương tiện chạy trên một đoạn đường khi mật độ giao thông rất thấp, không phản ánh chính xác tốc độ V85 do tốc độ V85 có thể cao hoặc thấp tùy điều kiện giao thông. Tuy nhiên, kết quả xác định các yếu tố ảnh hưởng đến tốc độ FFS cũng có giá trị tham khảo đối với người đọc.

3.2. Mehrabani và Mirbaha [21]: Mô hình hồi quy bội

- Mô hình 1: Mô hình hồi quy bội cho các đoạn đường tiếp tuyến với đường cong.

- Mô hình 2: Mô hình hồi quy bội cho các đoạn đường cong.

Trong đó:

LN - Segment length: Chiều dài đoạn đường (km).

SLP - Slope: Độ dốc ngang (%).

RSC - Roadside configuration type: Loại kết cấu bên đường (1 nếu kết cấu bằng phẳng; ngược lại là 0).

MTRSC - Median and roadside type: Loại dải phân cách và loại kết cấu bên đường (1 nếu là hộ lan mềm và kết cấu bằng phẳng; ngược lại là 0).

AD - Access density: Mật độ lối ra/vào.

LULN - Adjacent land use length: Chiều dài sử dụng đất hai bên đường (km).

C - Curvature: Độ cong ).

Kết luận: Trong nghiên cứu này, tác giả bài báo đã sử dụng mô hình hồi quy bội để xác định các yếu tố ảnh hưởng trên đoạn đường tiếp tuyến với đường cong (trước khi vào và sau khi ra đường cong) và trên đường cong. Dễ dàng thấy trên đoạn đường tiếp tuyến, các biến đặc điểm hình học đường và các biến đặc điểm hai bên đường đều có sự ảnh hưởng tới tốc độ V85, còn đối với đoạn đường cong thì chỉ bị phụ thuộc vào các biến đặc điểm hình học đường. Quan sát vào các hệ số, nhận thấy vận tốc khai thác trên đường cong phụ thuộc nhiều hơn vào độ dốc so với đường thẳng. Do đó, tác động của độ dốc trong mô hình đường cong lớn gấp đôi so với trong mô hình đường thẳng. Ngoài ra, vận tốc khai thác trên đường thẳng chịu tác động từ mật độ ra/vào cao tốc gấp khoảng 2,5 lần so với vận tốc khai thác trên đường cong. Cuối cùng, chiều dài sử dụng đất hai bên đường trong mô hình đường thẳng và kết cấu bên đường bằng phẳng trong mô hình đường cong là những hệ số cao nhất, có ảnh hưởng nhất trong mô hình.

3.3. Maji và các cộng sự [22]: Mô hình hồi quy bội

Kết luận: Trong bài báo này, các đặc trưng hình học của tuyến đường như độ cong ngang, chiều dài đoạn thẳng trước đường cong, chiều dài đường cong, bề rộng làn xe và độ dốc dọc đã được xem xét là các biến độc lập trong mô hình. Nghiên cứu áp dụng mô hình hồi quy bội để xác định vận tốc V85 của ba loại xe bao gồm xe con, xe tải nhẹ và xe tải nặng, dựa trên vị trí tốc độ V85 tại điểm điểm bắt đầu đường cong - cách điểm giữa đường cong 50 m và điểm giữa đường cong. Phương trình (7) mô tả phương pháp xác định V85 tại điểm giữa đường cong của xe con, xe tải nhẹ và xe tải nặng, trong đó tốc độ V85 của xe con phụ thuộc vào hai biến độc lập là chiều dài đường cong, góc lệch hướng; xe tải nhẹ phụ thuộc vào biến độc lập chiều dài đường cong; xe tải nặng phụ thuộc vào biến độc lập góc lệch và độ dốc dọc tại vị trí cách điểm cuối đường cong 50 m. Theo đó, nếu chiều dài đường cong tăng lên thì tốc độ V85 cũng tăng lên, trong khi đó ngược lại, góc lệch tăng lên thì tốc độ V85 sẽ giảm đi [22]. Xét về hệ số, góc lệch là yếu tố ảnh hưởng nhất tới tốc độ V85 trong bài báo nghiên cứu này.

3.4. Maji và Tyagi [23]: Mô hình hồi quy bội

Trong đó:

L_C - Length of curve: Chiều dài đường cong.

1/R - Curvature: Độ cong.

PC50 - Point of curvature: Điểm cách điểm bắt đầu đường cong 50 m.

PC - Point of curvature: Điểm bắt đầu đường cong.

MC - Midcurve: Điểm giữa đường cong.

PT - Point of tangent: Điểm cuối đường cong.

PT50 - Point of tangent: Điểm cách điểm cuối đường cong 50 m.

Kết luận: Tốc độ V85 của xe con tổng hợp tại các vị trí khác nhau của các đoạn nghiên cứu được xác định là phụ thuộc vào một số tổ hợp biến, bao gồm chiều dài đường cong, độ cong và tốc độ V85 tại đoạn liền kề trước đó. Dễ thấy mức độ ảnh hưởng lớn nhất tới tốc độ V85 là tốc độ V85 tại đoạn liền kề trước đó. Riêng tại điểm giữa đường cong, phương trình tính toán tốc độ V85 “nhạy cảm nhất” với độ cong đường, tức là mức độ “gắt” của đường cong sẽ trở thành yếu tố quyết định tốc độ khai thác của người lái xe. Trong nghiên cứu này, các tác giả nghiên cứu đã phân tích, đánh giá độ nhạy các biến độc lập (sensitivity analysis) thông qua hệ số chuẩn hóa β được công bố trong bài nghiên cứu của các tác giả.

3.5. Semeida [24]: Kết hợp mô hình hồi quy bội và mô hình mạng nơ-ron nhân tạo (ANN)

- Mô hình hồi quy bội:

Trong đó:

SA - Existence of side access: Lối ra/vào cao tốc (1 nếu có; 0 nếu không có) (m).

SW - Right shoulder width: Chiều rộng làn dừng khẩn cấp/lề gia cố (m).

PSL - Posted speed limit: Tốc độ giới hạn cho phép (km/h).

PW - Pavement width in one direction: Chiều rộng mặt đường nhựa mỗi hướng (m).

MW - Median width: Bề rộng dải phân cách (m).

Kết luận: Phương trình hồi quy (9) cho thấy tốc độ V85 giảm đáng kể khi gặp các lối ra/vào cao tốc và đây cũng là yếu tố ảnh hưởng nhất tới tốc độ V85. Ngược lại, tốc độ V85 càng tăng khi chiều rộng làn dừng khẩn cấp/lề gia cố càng rộng. Tốc độ hạn chế cho phép cũng có ảnh hưởng chút ít tới tốc độ V85, nguyên nhân là do hành vi chấp hành không tốt của người lái xe ở Ai Cập [24]. Các yếu tố khác cũng được đưa vào mô hình như chiều rộng làn xe, ảnh hưởng của từng làn xe, bề rộng dải phân cách, chiều rộng mặt đường nhựa mỗi hướng đi nhưng không có sự ảnh hưởng quá nhiều tới tốc độ V85.

Đối với kết quả mô hình ANN, có thể thấy rằng chiều rộng mặt đường nhựa (PW), bề rộng dải phân cách (MW), chiều rộng làn dừng khẩn cấp/lề gia cố (SW), chiều rộng làn đường (LW - Lane width) càng tăng thì tốc độ V85 cũng càng có xu hướng tăng. Và cũng như mô hình hồi quy, tốc độ V85 sẽ càng giảm khi xe chạy càng đến gần các điểm ra/vào cao tốc (SA). Trong hai mô hình này, tác giả kết luận rằng kết quả mô hình ANN tốt hơn và đáng tin cậy hơn mô hình hồi quy do chỉ số  và chỉ số RMSE tốt hơn, tuy nhiên kết quả mô hình hồi quy vẫn có giá trị tham khảo chính xác. Do đó giá trị bài khoa học nghiên cứu vẫn thể hiện rằng PW, MW, SA, PSL và SW là các biến độc lập có ảnh hưởng tới tính toán tốc độ V85.

3.6. Gong và Stamatiadis [26]: Mô hình hồi quy bội

- Làn xe trong cùng sát dải phân cách:

- Làn xe ngoài:

Trong đó:

ST - Shoulder type index: Chỉ số loại kết cấu lề đường (nếu có bề mặt gia cố, ST = 1; nếu không, ST = 0)

MT - Median type index: Chỉ số loại dải phân cách (nếu có dải phân cách cứng, MT = 0; nếu không có dải phân cách, MT = 1).

PT - Pavement type index: Chỉ số loại mặt đường (nếu mặt đường là bê tông nhựa, PT = 0; nếu là bê tông xi măng, PT = 1).

AG - Approaching section grade index: Chỉ số độ dốc đoạn nối tiếp (nếu độ dốc tuyệt đối ≥0,5%, AG = 1; nếu không, AG = 0).

LC - Lateral clearance: Chiều dài đường cong (m).

FC - The front curve index: Chỉ số đường cong phía trước (nếu đoạn đường nối tiếp là đường cong, FC = 1; ngược lại, FC = 0).

R: Bán kính đường cong (m).

Kết luận: Các công thức mô hình hồi quy bội đã chỉ ra rằng yếu tố mặt đường là yếu tố ảnh hưởng nhất tới phương trình tốc độ V85 trên làn xe trong cùng và trên làn xe ngoài cùng là sự xuất hiện của dải phân cách cứng hay không sẽ quyết định tới tốc độ lựa chọn V85 của người lái xe. Cụ thể bề mặt đường nhựa góp phần làm tăng tốc độ khai thác, sự không có dải phân cách giữa dẫn đến tốc độ khai thác thấp hơn, và sự hiện diện của các đoạn dốc cũng sẽ làm giảm tốc độ khai thác. Lưu ý rằng không phải tất cả các yếu tố hình học đều được đưa vào trong hai mô hình hồi quy bội này. Điều này không có nghĩa là những yếu tố bị loại trừ không có ảnh hưởng đáng kể đến tốc độ khai thác. Các yếu tố được đưa vào chỉ là những yếu tố có ý nghĩa thống kê về tốc độ khai thác, và sự kết hợp của các yếu tố bị loại trừ có thể vẫn ảnh hưởng đến tốc độ khai thác. Có thể các nghiên cứu trong tương lai sẽ đưa thêm nhiều biến hơn vào mô hình. Do đó, cần thêm nghiên cứu để khám phá khả năng này [26].

3.7. So sánh và nhận xét kết quả các phương trình hồi quy

Các yếu tố ảnh hưởng và ảnh hưởng nhất tới tốc độ V85 trong các phương trình mô hình hồi quy đã được phân tích ở các mục trên được tổng hợp trong Bảng 2 dưới đây. Việc xác định yếu tố ảnh hưởng nhất tới tốc độ V85 dựa trên kỹ thuật phân tích độ nhạy (sensitivity analysis). Phân tích độ nhạy là kỹ thuật phân tích sự thay đổi của kết quả đầu ra khi có sự điều chỉnh trong các biến đầu vào (biến độc lập), nhằm xác định yếu tố nào có ảnh hưởng lớn nhất tới kết quả (biến phụ thuộc - V85) [29]. Do đó, độ lớn của các hệ số biến độc lập trong các phương trình hồi quy được tổng hợp ở trên là cơ sở để đánh giá sự ảnh hưởng của các biến độc lập.

Bảng 2. Tồng hợp các biến độc lập trong các phương trình mô hình hồi quy bội.

Điểm chung giữa các phương trình mô hình hồi quy bội đã tổng hợp ở trên là hầu hết biến phụ thuộc là tốc độ V85, trong khi đó các biến độc lập là các biến có yếu tố đặc điểm hình học đường xuất hiện7/7 phương trình (chiếm 100%); là các biến có yếu tố đặc điểm khai thác đường xuất hiện 6/7 phương trình (chiếm xấp xỉ 86% ); là các yếu tố đặc điểm hình học hai bên đường xuất hiện 2/7 phương trình (chiếm xấp xỉ 29%). Các yếu tố ảnh hưởng nhất được sử dụng là nhóm các yếu tố thuộc đặc điểm hình học đường (chiếm 5/7 phương trình). Tỷ lệ nghiên cứu trên các đoạn đường thẳng, mà hầu hết là các đoạn thẳng tiếp nối đường cong là 4/7 phương trình (chiếm xấp xỉ 57%), còn lại là 43% phương trình mô hình hồi quy bội của các đoạn đường cong. Đánh giá một cách chi tiết hơn thì các nghiên cứu trên cao tốc nhiều làn xe đã chú trọng hơn về việc đánh giá tốc độ khai thác trên cả các đoạn thẳng đường cao tốc. Đây là sự khác biệt so với các nghiên cứu trên đường cao tốc hai làn xe, vốn thường lựa chọn phạm vi nghiên cứu là các đoạn đường cong. Trong phạm vi bài báo này, các biến chiều dài đoạn thẳng, đoạn cong, độ dốc dọc, độ dốc ngang, bề rộng làn khẩn cấp, dải phân cách là các yếu tố đặc điểm hình học đường gây ảnh hưởng lớn nhất tới lựa chọn tốc độ khai thác xe.

4. Kết luận

Tác giả đã tổng quan nhiều mô hình để xác định tốc độ V85 như mô hình hồi quy, mô hình ANN, nghiên cứu học sâu. vv. Tuy nhiên do vấn đề về kinh tế, thời gian, thiết bị và điều kiện vận hành đường cao tốc nhiều làn xe ở nước ta, tác giả để xuất các nhà nghiên cứu áp dụng huấn luyện phương trình theo mô hình hồi quy bội hoặc mô hình mạng nơ ron nhân tạo ANN để xác định tốc độ khai thác trên các tuyến đường cao tốc.

Trước hết là để mở đầu nghiên cứu tốc độ khai thác bằng mô hình AI ở nước ta, tiếp theo là kết hợp thêm việc thu thập dữ liệu tốc độ khai thác trên các video camera CCTV (CCTV là hệ thống truyền hình mạch kín) từ các trung tâm quản lý vận hành đường cao tốc để có đối sánh kết quả nghiên cứu từ hai nguồn dữ liệu. Sau đó là đối sánh kết quả nghiên cứu được với các kết quả nghiên cứu quốc tế về tốc độ khai thác và ảnh hưởng của tốc độ khai thác tới vấn đề tổ chức giao thông, vấn đề an toàn giao thông trên đường cao tốc. Qua hai lớp đối sánh, các nhà nghiên cứu có thể đưa ra được kết quả nghiên cứu tốc độ khai thác tối ưu nhất. Trong phạm vi bài báo này, có thể vẫn còn khoảng trống nghiên cứu do giới hạn về số lượng bài báo nên có thể còn nhiều yếu tố chưa được xét đến trong phương trình tính toán tốc độ V85. Do vậy kết quả Bảng 2 được khuyến nghị là cơ sở tham khảo kiến thức tổng hợp mang giá trị khoa học cao.

Các yếu tố hình học đường xuất hiện nhiều hơn so với yếu tố khai thác giao thông hay yếu tố hai bên đường. Tác giả kiến nghị trong bối cảnh hạ tầng cao tốc Việt Nam hướng tới nâng cấp và xây dựng cao tốc bốn làn xe thì cần chú ý đến mật độ ra/vào các điểm giao cắt khác mức trên cao tốc, chiều rộng từng làn xe, dải phân cách cứng trên đường thẳng và độ cong, tầm nhìn tại các đoạn đường cong. Kết quả bài báo tổng quan này sẽ là cơ sở cho các cơ quan quản lý lựa chọn biến đầu vào khi xây dựng mô hình xác định tốc độ khai thác.

TÀI LIỆU THAM KHẢO

[1]. Brewer, Marcus A, Chapter 1: Introduction, Guidelines for Implementing Super 2 Corridors in Texas, Texas, 2021, pp. 2–4.

[2]. Texas A&M Transportation Institute, Two Decades of Super 2 Research and Implementation for TxDOT Continues to Produce Benefits. https://tti.tamu.edu/researcher/two-decades-of-super-2-research-and-implementation-for-txdot-continues-to-produce-benefits, truy cập ngày 01 tháng 04 năm 2025.

[3]. R. O. Rogness, D. B. Fambro, D. Turner, Before-After Accident Analysis for Two Shoulder Upgrading Alternatives. Transportation Research Record, 855 (1982) 41-47.

[4]. Viện quy hoạch và kỹ thuật giao thông vận tải IPTE - Đại học Xây Dựng Hà Nội, Thí điểm xác định tốc độ tối đa cho phép trên đường bộ bằng phương pháp thực nghiệm thông qua xác định giá trị tốc độ V85, 2015.

[5]. Viện Khoa học và Công nghệ Giao thông vận tải, Thủ tướng: Khẩn trương đầu tư hoàn chỉnh các tuyến cao tốc 2 làn xe. https://home.itst.gov.vn/vi/news/tin-tuc/thu-tuong-khan-truong-dau-tu-hoan-chinh-cac-tuyen-cao-toc-2-lan-xe-6611.html, truy cập ngày 01 tháng 04 năm 2025.

[6]. Trường Đại học Xây dựng Hà Nội, TCVN 13592:2022 Đường đô thị - Yêu cầu thiết kế. https://sgtvt.hochiminhcity.gov.vn/Files/1032/01-TCVN13592_2022_Duongdothi_Yeucauthietke.pdf, , truy cập ngày 01 tháng 04 năm 2025.

[7]. Bộ Giao thông vận tải, QCVN 41:2024/BGTVT Quy chuẩn kỹ thuật quốc gia về báo hiệu đường bộ.

[8]. A. Jacob and M. V. L. R. Anjaneyulu, Operating Speed of Different Classes of Vehicles at Horizontal Curves on Two-Lane Rural Highways, J. Transp. Eng., vol. 139, no. 3 (2013), pp. 287–294. https://doi.org/10.1061/(ASCE)TE.1943-5436.0000503

[9]. ABBAS, Syed Khairi Syed; ADNAN, Muhammad Akram; ENDUT, Intan Rohani, An investigation of the 85th percentile operating speed models on horizontal and vertical alignments for two-lane rural highways: A case study. Journal-The Institution of Engineers, 2012, 32-40.

[10]. S. K. S. Abbas, M. A. Adnan, and I. R. Endut, Exploration of 85th Percentile Operating Speed Model on Horizontal Curve: A Case Study for Two-Lane Rural Highways, Procedia - Social and Behavioral Sciences, vol. 16 (2011), pp. 352–363. https://doi.org/10.1016/j.sbspro.2011.04.456

[11]. M. Castro, J. F. Sánchez, J. A. Sánchez, L. Iglesias, Operating Speed and Speed Differential for Highway Design Consistency, J. Transp. Eng., vol. 137, no. 11 (2011), pp. 837–840. https://doi.org/10.1061/(ASCE)TE.1943-5436.0000309

[12]. L. Eboli, G. Guido, G. Mazzulla, and G. Pungillo, Experimental relationships between operating speeds of successive road design elements in two-lane rural highways, Transport, vol. 32, no. 2 (2015), pp. 138–145. https://doi.org/10.3846/16484142.2015.1110831

[13]. J. L. Ottesen and R. A. Krammes, Speed-Profile Model for a Design-Consistency Evaluation Procedure in the United States, Transportation Research Record, vol. 1701, no. 1 (2000), pp. 76–85. https://doi.org/10.3141/1701-10

[14]. A. D’Andrea, F. Carbone, S. Salviera, and O. Pellegrino, The Most Influential Variables in the Determination of V85 Speed, Procedia - Social and Behavioral Sciences, vol. 53 (2012), pp. 633–644. https://doi.org/10.1016/j.sbspro.2012.09.913

[15]. Nesa, Meherun, and Young Yoon, Speed prediction and nearby road impact analysis using machine learning and ensemble of explainable AI techniques. Scientific reports, vol. 14(1):25208 (2024). https://doi.org/10.1038/s41598-024-74545-8

[16]. Alomari, A. H., Khedaywi, T. S., Marian, A. R. O., & Jadah, A. A., Traffic speed prediction techniques in urban environments. Heliyon, 8(12), e11847 (2022).. https://doi.org/10.1016/j.heliyon.2022.e11847

[17]. K. Tang, S. Chen, Y. Cao, D. Zang, and J. Sun, Lane-level short-term travel speed prediction for urban expressways: An attentive spatio-temporal deep learning approach. IET Intelligent Transport Systems, vol. 18, no. 4 (2024), pp. 709 - 722. https://doi.org/10.1049/itr2.12464

[18]. Zou, F., Ren, Q., Tian, J., Guo, F., Huang, S., Liao, L., & Wu, J. (2022). Expressway speed prediction based on electronic toll collection data. Electronics, 11(10), 1613

[19]. Zou, Y., Chen, Y., Xu, Y., Zhang, H., & Zhang, S. (2024). Short-term freeway traffic speed multistep prediction using an iTransformer model. Physica A: Statistical Mechanics and its Applications, 655, 130185.

[20]. L. V. Leong, T. A. Azai, W. C. Goh, and M. B. Mahdi, The Development and Assessment of Free-Flow Speed Models under Heterogeneous Traffic in Facilitating Sustainable Inter Urban Multilane Highways, Sustainability, vol. 12, no. 8 (2020), pp. 34 - 45. https://doi.org/10.3390/su12083445

[21]. B. Bamdad Mehrabani and B. Mirbaha, Modeling the Operating Speed in Tangents and Curves of Four-lane Highways Based on Geometric and Roadside Factors, International Journal of Transportation Engineering, vol. 6, no. 4 (2019), pp. 355 - 366. https://doi.org/10.22119/ijte.2018.113361.1385

[22]. A. Maji, G. Sil, và A. Tyagi, 85th and 98th Percentile Speed Prediction Models of Car, Light, and Heavy Commercial Vehicles for Four-Lane Divided Rural Highways, J. Transp. Eng., Part A: Systems, vol. 144, no. 5 (2018), pp. 04018009. https://doi.org/10.1061/JTEPBS.0000136

[23]. Maji, A., and A. Tyagi, “Speed prediction models for car and SUV at locations along four-lane median divided horizontal curves.” J. Mod. Transp. 26 (4): 278 - 284 (2018). https://doi.org/10.1007/s40534-018-0162-1

[24]. A. M. Semeida, Impact of highway geometry and posted speed on operating speed at multi-lane highways in Egypt, Journal of Advanced Research, vol. 4, no. 6 (2013), pp. 515 - 523. https://doi.org/10.1016/j.jare.2012.08.014

[25]. S. C. Himes and E. T. Donnell, Speed Prediction Models for Multilane Highways: Simultaneous Equations Approach, J. Transp. Eng., vol. 136, no. 10 (2010), pp. 855 - 862. https://doi.org/10.1061/(ASCE)TE.1943-5436.0000149

[26]. H. Gong and N. Stamatiadis, Operating Speed Prediction Models for Horizontal Curves on Rural Four-Lane Highways, Transportation Research Record, vol. 2075, no. 1 (2008), pp. 1–7. https://doi.org/10.3141/2075-01

[27]. Phạm Lộc, Phân tích và đọc kết quả hồi quy tuyến tính bội trong SPSS. https://www.phamlocblog.com/2016/11/cach-chay-hoi-quy-trong-spss.html. truy cập ngày 15 tháng 08 năm 2025.

[28]. Tuấn, Vũ Văn., Lựa chọn cấu trúc mạng nơ ron nhân tạo (ANN) dự báo chỉ số nén của đất, Tạp chí KHCN xây dựng 3 (2020), 67-75.

[29]. FMIT, Sensitivity Analysis là gì. https://fmit.vn/s-a, truy cập ngày 01 tháng 04 năm 2025.