VSGA tổng hợp nội dung từ một nghiên cứu được thực hiện tại Thâm Quyến, ứng dụng AI tạo sinh (AIGC) kết hợp mô hình MGWR để phân tích ảnh hưởng giao thông cơ giới theo tầm nhìn đường phố đến hoạt động đạp xe kết nối tàu điện ngầm. Kết quả ghi nhận hiện tượng “nghịch lý người đi làm” vào giờ cao điểm sáng, làm cơ sở gợi mở định hướng quy hoạch hạ tầng xe đạp phù hợp bối cảnh đô thị.
Giới thiệu
Quá trình đô thị hóa nhanh chóng thúc đẩy kinh tế phát triển nhưng cũng làm gia tăng các áp lực về giao thông, môi trường và chất lượng cuộc sống đô thị. Nhằm hướng tới môi trường sống bền vững, các thành phố lớn trên thế giới đang tích cực thúc đẩy giải pháp đạp xe kết hợp với giao thông công cộng. Trong đó, hệ thống xe đạp công cộng không trạm DBS (Dockless Bike – Sharing) đã xuất hiện như một giải pháp chặng cuối quan trọng giúp kết nối toàn diện mạng lưới giao thông. Việc tích hợp DBS với mạng lưới tàu điện ngầm (metro) tạo nên mô hình “Bike and Ride” (B + R), giúp mở rộng khả năng tiếp cận giao thông công cộng và giảm thiểu sự phụ thuộc vào phương tiện cá nhân.
Nghiên cứu này ứng dụng công nghệ AIGC (Artificial Intelligence Generated Content) kết hợp thông tin tốc độ thời gian thực để tạo ra hình ảnh trực quan của hệ thống giao thông giờ cao điểm tại Thâm Quyến. Thông qua mô hình hồi quy trọng số địa lý đa tỷ lệ MGWR (Multiscale Geographically Weighted Regression) và lưu vực thích ứng ACA (Adaptive Catchment Areas), nghiên cứu mang lại 3 đóng góp chính:
- Phương pháp: Quy trình trích xuất biến giao thông động từ ảnh tĩnh;
- Thực nghiệm: Phát hiện mô thức “nghịch lý người đi làm” vào giờ cao điểm;
- Quy hoạch: Đề xuất tách làn xe đạp, phát triển hạ tầng liên tục và linh hoạt theo từng bối cảnh đô thị.
Khu vực nghiên cứu và dữ liệu
Khu vực nghiên cứu
Nghiên cứu tập trung vào Thâm Quyến (miền nam Trung Quốc), phù hợp nhờ khí hậu cận nhiệt cho phép đạp xe quanh năm và hai đặc điểm hình thái: đô thị phát triển theo định hướng giao thông công cộng TOD (Transit-Oriented Development) tiêu biểu, có mạng lưới đạp xe kết nối metro mật độ cao; khu vực gồm ba quận lõi Nam Sơn, Phúc Điền và La Hồ có hình thái tương phản. La Hồ là cấu trúc hỗn hợp mật độ cao truyền thống với đường hẹp; Phúc Điền (CBD) có mạng ô bàn cờ dày đặc, hạ tầng hiện đại; Nam Sơn là kiểu “đô thị mới” với phân khu chức năng, siêu ô phố và trục đường lớn. Điều này tạo khung so sánh giữa “đô thị cũ” (La Hồ, Phúc Điền — mạng giao thông dày, quy mô phù hợp con người) và “đô thị mới” (Nam Sơn – phân tách chức năng, ô phố lớn).
Thu thập và xử lý dữ liệu
Dữ liệu DBS được trích xuất từ nền tảng dữ liệu mở Thâm Quyến trong tuần 1–7/2/2021 (bộ quỹ đạo chi tiết mới nhất, chọn tuần không mưa để hạn chế sai lệch do thời tiết). Lưu lượng trung bình đạt 1,4165 triệu chuyến/ngày thường và 1,1327 triệu chuyến/ngày cuối tuần, tập trung vào giờ cao điểm sáng (7–9h) và tối (17–19h). Do dữ liệu thô là các điểm đỗ tĩnh, quỹ đạo được tái dựng bằng cách nối các vị trí cùng mã xe theo thời gian, khớp với mạng lưới giao thông để ước tính lộ trình từ điểm xuất phát đến điểm đích OD (origin–destination), đồng thời loại bỏ các bản ghi bất thường.
Dữ liệu môi trường xây dựng bao gồm: các điểm quan tâm POI (Points of Interest) và thông tin công trình (diện tích sàn, chiều cao) từ Amap; mạng lưới đường từ OpenStreetMap; và ảnh street view từ Baidu Maps. Đặc biệt, tốc độ giao thông thời gian thực được thu thập qua API Amap cho từng đoạn đường vào giờ cao điểm. Những đoạn đường có tốc độ thực tế thấp hơn 50% giới hạn được phân loại là tắc nghẽn, làm dữ liệu đầu vào để mô hình AIGC tái hiện mật độ giao thông giờ cao điểm.
Phương pháp
Định nghĩa đạp xe kết nối tàu điện ngầm metro và đơn vị phân tích
Các chuyến đạp xe kết nối metro được xác định thông qua “vùng tiếp cận” bán kính 100m quanh mỗi nhà ga (sử dụng công cụ Service Area, ArcGIS Pro 3.0.1): chuyến đi nào bắt đầu hoặc kết thúc trong phạm vi này đều được tính là chuyến kết nối. Vùng thu hút thích ứng (ACA) được xây dựng từ quỹ đạo của các chuyến kết nối trong giới hạn 1500 m (tương đương ~11,7 phút đạp xe – cự ly trung chuyển metro trung bình tại Thâm Quyến); khác biệt với các vùng đệm cố định, ACA thể hiện rõ tính không đồng nhất về hướng di chuyển của luồng xe đạp. Kết quả phân tích thu được 101 vùng ACA để sử dụng cho mô hình hồi quy.
Biến phụ thuộc là lưu lượng chuyến DBS kết nối metro trong từng vùng ACA, được tổng hợp cho bốn khung giờ cao điểm (sáng/tối ngày thường, sáng/tối cuối tuần). Giá trị này được tính bằng tổng số chuyến đi vào và đi ra, sau đó lấy trung bình theo ngày:
trong đó y(i,t) là lượng xe đạp trung bình của ACA i trong khung thời gian t; , là số chuyến đi vào/đi ra ngày d; là số ngày lấy trung bình (ngày thường = 5, cuối tuần = 2).
Lượng hóa biến độc lập và tăng cường bằng AIGC
Các biến độc lập được lựa chọn theo khung “5D” bằng phương pháp không gian kép (bối cảnh khu vực trong vùng đệm 1500 m và cảm nhận tuyến từ ảnh street view), sau đó tổng hợp về cấp độ ACA và lọc đa cộng tuyến bằng hệ số VIF < 7,5. Quy trình GeoAI gồm ba giai đoạn: chuyển đặc trưng tắc nghẽn từ Nano Banana sang Flux.1 LoRA; khoanh vùng bằng Grounding DINO và SAM để inpainting tái hiện mật độ xe; và phân đoạn ngữ nghĩa nhằm tính tỷ lệ pixel xe trung bình theo ACA. Kết quả kiểm định “Turing tri giác” với 5 chuyên gia đạt độ chính xác 51,8%, tương đương ngẫu nhiên (p = 0,447; Fleiss’ kappa xấp xỉ 0,003), chứng tỏ ảnh AIGC đạt độ chân thực thị giác cao và đủ điều kiện làm đại diện cho bối cảnh giao thông giờ cao điểm.
Khung hồi quy
Khung phân tích không gian ba tầng (OLS, GWR và MGWR) được triển khai trên ArcGIS Pro 3.0.1, trong đó MGWR tối ưu hóa băng thông thích ứng riêng cho từng biến qua thuật toán tỷ lệ vàng. Hiệu suất mô hình được đánh giá qua R², R² hiệu chỉnh và AICc. Quy trình chẩn đoán nghiêm ngặt đảm bảo VIF < 7,5, số điều kiện cục bộ < 30 và kiểm định Moran’s I trên phần dư để triệt tiêu tự tương quan không gian. Cuối cùng, phân tích “ablation” được áp dụng để đối chiếu biến AIGC với ảnh tĩnh gốc, nhằm định lượng chính xác giá trị đóng góp của khâu xử lý GeoAI.
Kết quả
Đạp xe kết nối metro tập trung ở các quận “đô thị cũ” hỗn hợp (Phúc Điền, La Hồ) vào giờ cao điểm sáng ngày thường, theo mô thức đi làm tần suất cao thời lượng ngắn. Ngược lại, hoạt động ở “đô thị mới” (Nam Sơn) và ngoài giờ cao điểm phân tán hơn.
Hiệu năng cải thiện dần từ OLS → GWR → MGWR, cho thấy mô hình biến thiên không gian nắm bắt tốt hơn các liên hệ không đồng nhất. Vào giờ cao điểm sáng ngày thường, MGWR đạt hiệu năng cao nhất; MGWR cũng cho AICc thấp nhất ở cả bốn khung giờ:
Kết quả chẩn đoán mô hình MGWR đạt mức tốt: hệ số VIF tối đa < 4,55; số điều kiện cục bộ cao nhất là 10,3 (dưới 30); chỉ số Moran’s I trên phần dư không mang ý nghĩa thống kê ở cả bốn khung giờ (p lần lượt là 0,708; 0,303; 0,741; 0,465) – đồng nghĩa với việc không còn hiện tượng tự tương quan không gian đáng kể. Phân tích ablation chỉ ra rằng biến tăng cường bằng AIGC giúp cải thiện chỉ số R² hiệu chỉnh và làm giảm AICc trong các khung giờ đi làm, thể hiện rõ rệt nhất vào giờ cao điểm sáng ngày thường (tăng 0,060 đối với R² hiệu chỉnh và giảm 7,533 đối với AICc so với việc sử dụng ảnh tĩnh). Tuy nhiên, mức độ cải thiện này không đồng đều ở tất cả các khung giờ (ảnh tĩnh cho kết quả nhỉnh hơn đôi chút vào sáng cuối tuần), chứng tỏ biến AIGC phát huy hiệu quả tốt nhất đối với các bối cảnh di chuyển đi làm gắn với mốc thời gian cụ thể.
Kết quả MGWR:
Biến giao thông tầm nhìn (được tăng cường bởi AIGC) tương quan dương mạnh vào giờ cao điểm sáng ngày thường nhưng suy yếu rõ rệt vào buổi tối và cuối tuần. Đây không phải quan hệ nhân quả (người đạp xe “thích” tắc đường) mà chỉ là một chỉ báo môi trường: những khu vực giao thông đông đúc thường gắn liền với mật độ việc làm cao, khả năng tiếp cận metro tốt và nhu cầu đạp xe chặng cuối lớn.
Các biến sử dụng đất cũng biến thiên theo không-thời gian: mật độ dân cư không tác động rõ rệt vào buổi sáng nhưng có tương quan dương mạnh vào tối ngày thường (đặc biệt tại Nam Sơn), phản ánh đúng nhu cầu đạp xe về nhà. Trong khi đó, các điểm POI mua sắm/giải trí chỉ có tương quan dương vào tối cuối tuần, hoàn toàn phù hợp với mục đích di chuyển giải trí.
Về phân cấp mạng lưới đường bộ: mật độ đường chính hầu như không mang ý nghĩa thống kê (do quy mô đường lớn, ưu tiên xe cơ giới nên kém sức hút đối với việc đạp xe kết nối). Ngược lại, mật độ đường phụ thể hiện mối liên hệ dương nhất quán hơn qua nhiều khung giờ, đặc biệt tại các lõi đô thị cũ như La Hồ và Phúc Điền – nơi có mạng lưới đường nhỏ đan xen dày đặc, với quy mô không gian thân thiện và thuận lợi hơn cho hoạt động đạp xe kết nối metro.
Về yếu tố cảnh quan: chỉ số mặt nền không bị cứng hóa có tương quan âm nhất quán ở tất cả các khung giờ; tỷ lệ cây xanh trong tầm nhìn có tương quan dương cục bộ, chủ yếu tập trung tại các quận đô thị cũ phía đông; trong khi đó, hệ số sử dụng đất (FAR) không mang ý nghĩa thống kê.
Thảo luận
Nội dung thảo luận tập trung vào việc phân tích mối quan hệ không gian và thời gian giữa lưu lượng giao thông trực quan, đặc điểm môi trường xây dựng và nhu cầu sử dụng xe đạp công cộng kết nối với tàu điện ngầm tại Thâm Quyến thông qua mô hình MGWR. Nghiên cứu đã phát hiện ra hiện tượng “nghịch lý người đi làm” khi lưu lượng xe cộ và nhu cầu đạp xe cùng tăng cao vào giờ cao điểm sáng ngày trong tuần, phản ánh áp lực di chuyển chặng đầu/chặng cuối tại các khu vực có cường độ làm việc lớn. Ngược lại, vào buổi tối và cuối tuần, khi mục đích đi lại linh hoạt hơn, người dân có xu hướng ưu tiên yếu tố an toàn, sự thoải mái và chất lượng cảnh quan đường phố hơn là tính hiệu quả về thời gian.
Về khía cạnh hạ tầng và sử dụng đất, ảnh hưởng của mật độ dân cư thể hiện rõ rệt hơn vào cao điểm tối, đặc biệt là ở các khu đô thị mới có sự phân tách rõ rệt giữa nơi ở và nơi làm việc. Đồng thời, mạng lưới đường phụ dạng ô bàn cờ ở các khu phố cũ chứng minh được vai trò tích cực trong việc tăng cường khả năng tiếp cận nhờ cung cấp các tuyến đường ngắn và an toàn hơn so với đường trục chính. Các yếu tố cảnh quan như tỷ lệ cây xanh mang lại tác động tích cực cục bộ tại các khu vực trung tâm lâu đời, trong khi mặt đường kém duy tu luôn có mối liên hệ tiêu cực với lượng người đạp xe.
Từ các kết quả trên, nghiên cứu đề xuất các giải pháp quy hoạch tích hợp không gian và thời gian cụ thể cho từng đặc trưng đô thị, nổi bật là nguyên tắc “kết nối tách biệt” nhằm đảm bảo an toàn cho hành lang xe đạp tại các nút giao thông mật độ cao. Về mặt phương pháp luận, quy trình ứng dụng công nghệ AIGC được đánh giá là một công cụ mô phỏng tiềm năng hỗ trợ các nhà quy hoạch đánh giá trước kịch bản thiết kế đường phố. Dù vậy, nhóm tác giả cũng thẳng thắn chỉ ra một số hạn chế về dữ liệu quan sát ngắn hạn, tính chất tương quan chưa biểu thị quan hệ nhân quả và nhu cầu cần kiểm chứng mô hình ở nhiều bối cảnh đô thị khác nhau trong tương lai.
Kết luận
Nghiên cứu này đã xây dựng thành công quy trình ứng dụng công nghệ GeoAI nâng cao (AIGC) kết hợp với mô hình hồi quy MGWR để phân tích mối quan hệ giữa lưu lượng giao thông trực quan và nhu cầu đạp xe kết nối tàu điện ngầm tại Thâm Quyến. Kết quả thực nghiệm chỉ ra hiện tượng “nghịch lý người đi làm”, khi lưu lượng xe cộ tỷ lệ thuận với lượng xe đạp chủ yếu vào giờ cao điểm sáng ngày trong tuần và mờ nhạt dần vào các khung giờ khác. Bên cạnh đó, nghiên cứu làm rõ mật độ dân cư đóng vai trò như một điều kiện nền tảng, còn mạng lưới đường phụ có mật độ cao mang lại hiệu quả kết nối chặng đầu/chặng cuối tốt hơn so với đường trục chính. Từ đó, nhóm tác giả đề xuất các giải pháp quy hoạch linh hoạt theo bối cảnh như nguyên tắc “kết nối tách biệt” nhằm tối ưu hóa an toàn và tiện ích tại các hành lang giao thông nhu cầu cao.
Về mặt phương pháp luận, quy trình này chứng minh tiềm năng toán-địa lý của ảnh mô phỏng AI trong việc tái hiện động cảnh quan đường phố khi thiếu ảnh chụp thực tế vào giờ cao điểm. Cuối cùng, nghiên cứu định hướng các bước tiếp theo cần kiểm chứng mô hình bằng dữ liệu di chuyển đa thời gian và các thiết kế nghiên cứu chuyên sâu để xác định rõ quan hệ nhân quả.
Nguồn: https://doi.org/10.3390/ijgi15070289
