LuanVan.vnLuận Văn
Gửi thư

ỨNG DỤNG MẠNG HỌC SÂU DỰ ĐOÁN SỤP LÚN MỘT SỐ TUYẾN ĐƯỜNG TRONG THÀNH PHỐ CẦN THƠ

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNguyễn Thị Như Huỳnh
Người hướng dẫnNguyễn Bá Diệp
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Sụt lún mặt đường là một trong những vấn đề có thể ảnh hưởng đến chất lượng công trình giao thông, an toàn đi lại và công tác quản lý hạ tầng đô thị. Việc dự báo độ lún trên các tuyến đường dựa trên dữ liệu không gian, môi trường và biến dạng bề mặt đất là một bài toán có tính phức tạp do các đoạn đường có mối quan hệ không gian và sự thay đổi theo thời gian. Xuất phát từ vấn đề trên, luận văn được thực hiện nhằm xây dựng một hệ thống hỗ trợ dự báo và trực quan hóa mức độ lún trên các tuyến đường. Giải pháp được xây dựng gồm hai thành phần chính: mô hình học máy và website minh họa kết quả dự báo. Dữ liệu nghiên cứu được xây dựng cho các tuyến đường tại thành phố Cần Thơ, trong đó các tuyến đường được chia thành các đoạn có chiều dài khoảng 50 m. Các đặc trưng đầu vào bao gồm dữ liệu khí tượng, địa hình, địa chất, khoảng cách đến đường thủy gần nhất, lớp phủ mặt đất và các đặc trưng liên quan khác. Dữ liệu được tổ chức theo chuỗi thời gian với lịch sử 6 thời điểm liên tiếp. Quan hệ không gian giữa các đoạn đường được biểu diễn dưới dạng đồ thị với ma trận kết nối và trọng số cạnh. Mô hình STGNN được sử dụng để học đồng thời đặc trưng không gian và thời gian, kết hợp với FGN để dự báo giá trị trung bình và độ bất định của độ lún. Kết quả thực nghiệm cuối cùng của mô hình đạt MAE = 6.0082 mm, RMSE = 8.0976 mm và R² = 0.8386 trên tập kiểm tra. Hệ thống website được xây dựng nhằm cung cấp giao diện nhập các kịch bản dữ liệu môi trường trong 6 thời điểm, thực hiện dự báo thông qua mô hình đã huấn luyện và tổng hợp kết quả theo từng tuyến đường. Website cho phép hiển thị độ lún nhỏ nhất, lớn nhất, giá trị trung bình và độ bất định của từng tuyến đường, qua đó hỗ trợ người dùng đánh giá và so sánh mức độ lún giữa các tuyến. Từ khóa: STGNN, Cần Thơ, dự báo độ lún, FGN, GIS, học sâu. Subsidence of road surfaces is one of the issues that can affect the quality of transportation infrastructure, travel safety, and urban infrastructure management. Forecasting subsidence along road networks based on spatial, environmental, and surface deformation data is a complex problem because road segments have spatial relationships and exhibit temporal variations. Motivated by this issue, this thesis aims to develop a system for supporting the prediction and visualization of subsidence levels along road networks. The proposed solution consists of two main components: a machine learning model and a web-based interface for visualizing prediction results. The study dataset was constructed for road networks in Can Tho City, where the roads were divided into segments approximately 50 m in length. The input features include meteorological data, topographic and geological characteristics, distance to the nearest waterway, land cover, and other relevant features. The data were organized as time series with a history of six consecutive time steps. Spatial relationships between road segments were represented as a graph using an adjacency matrix and edge weights. The STGNN model was employed to simultaneously learn spatial and temporal features and was combined with FGN to predict the mean value and uncertainty of subsidence. The final experimental results of the model achieved an MAE of 6.0082 mm, an RMSE of 8.0976 mm, and an R² of 0.8386 on the test set. A web-based system was developed to provide an interface for entering environmental data scenarios at six time steps, performing predictions using the trained model, and aggregating the results by road. The website displays the minimum, maximum, and mean subsidence values, as well as the uncertainty for each road, thereby supporting users in assessing and comparing subsidence levels among different roads. Keywords: STGNN, Can Tho, subsidence prediction, FGN, GIS, deep learning.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.