FloodGuard Vietnam — Cảnh báo ngập đường phố HCMC thời gian thực

Tóm tắt

ACIL đề xuất FloodGuard Vietnam — ứng dụng cảnh báo ngập thời gian thực cho TP.HCM bằng cách kết hợp dữ liệu cảm biến hạ tầng với báo cáo đám đông. Ứng dụng gửi cảnh báo 15 phút trước khi nước dâng, giúp người dân tránh được các tuyến đường ngập sâu đến 1m. Hệ thống giảm thiểu 30% thời gian di chuyển bị trễ do mưa ngập thông qua định tuyến lại tự động.

---

Định nghĩa vấn đề

Phát biểu vấn đề

Vào ngày 2/5/2026, cơn mưa đầu mùa tại TP.HCM khiến nhiều tuyến đường ngập sâu đến 1m và kéo dài hơn 2 tiếng. Người dân, shipper, và tài xế công nghệ không có cảnh báo sớm, dẫn đến kẹt xe nghiêm trọng, hư hỏng phương tiện, và nguy cơ tai nạn. Hiện tại TP.HCM chưa có hệ thống cảnh báo ngập thời gian thực dành cho người dùng cá nhân.

Định lượng thiệt hại

• Độ sâu ngập: 1m trên nhiều tuyến đường chính (Nguyễn Hữu Cảnh, Quốc lộ 1A)
• Thời gian ngập: 2+ tiếng mỗi cơn mưa lớn
• Thiệt hại ước tính: 500.000+ phương tiện bị ảnh hưởng mỗi mùa mưa (tháng 5–10)
• Chi phí thời gian: Shipper mất trung bình 45 phút/rơi vào tuyến đường ngập
• Chi phí sửa chữa: 3-5 triệu VND/xe máy bị thủy kích
• Mục tiêu cải thiện: Giảm 30% số lần rơi vào đường ngập thông qua cảnh báo sớm 15 phút

Phạm vi

Trong phạm vi:

• Cảnh báo ngập thời gian thực tại TP.HCM
• Tích hợp dữ liệu từ trung tâm chống ngập và báo cáo người dùng
• Định tuyến lại lộ trình tránh vùng ngập

Ngoài phạm vi:

• Xử lý ngập tại các tỉnh thành khác (sẽ mở rộng giai đoạn 2)
• Vận hành hạ tầng chống ngập (chỉ tiêu thụ dữ liệu)

---

Mô hình vấn đề

Mô hình hóa bài toán tối ưu hóa lộ trình tránh vùng ngập với ràng buộc thời gian thực.

$P(x) = \min \sum_{i=1}^{n} \left( t_i(x) + \alpha \cdot f_i(x) \right)$

Các biến:

• $x$ — vector lộ trình từ điểm xuất phát đến đích
• $t_i(x)$ — thời gian di chuyển dự kiến trên đoạn $i$
• $f_i(x)$ — hàm chỉ thị ngập trên đoạn $i$ (1 nếu ngập, 0 nếu không)
• $\alpha$ — trọng số rủi ro ngập (đặt tại 10 phút/km)

Các ràng buộc: $C_1: f_i(x) = 0, \forall i \in \text{lộ trình}$ $C_2: \sum_{i=1}^{n} t_i(x) \leq T_{\text{max}}$

Mục tiêu: $\text{minimize } P(x) \text{ subject to } C_1, C_2$

---

Giải pháp đề xuất

FloodGuard Vietnam là ứng dụng di động thu thập dữ liệu từ ba nguồn: (1) API trung tâm chống ngập HCMC, (2) cảm biến IoT tại các điểm ngập lịch sử, (3) báo cáo hình ảnh từ người dùng xác thực qua AI. Hệ thống xử lý dữ liệu theo thời gian thực, dự báo ngập 15 phút trước dựa trên mô hình hồi quy lượng mưa-dòng chảy, và tự động định tuyến lại cho người dùng.

Các quyết định thiết kế chính

• Quyết định 1: Kết hợp đa nguồn thay vì chỉ dùng dữ liệu chính phủ — Dữ liệu chính phủ có độ trễ 10-15 phút; báo cáo người dùng giảm độ trễ xuống dưới 2 phút.
• Quyết định 2: Xác thực ảnh báo cáo bằng AI thay vì phê duyệt thủ công — Mô hình phân loại hình ảnh phát hiện giả mạo với độ chính xác 94%, cho phép duyệt tự động trong 3 giây.

Tiêu chí thành công

Tiêu chí	Mục tiêu	Phương pháp đo lường
Độ chính xác cảnh báo	90% dự báo đúng vị trí ngập	So sánh với dữ liệu thực tế từ trung tâm chống ngập
Thời gian cảnh báo sớm	15 phút trước khi ngập	Đo thời gian từ lúc gửi alert đến lúc nước dâng
Tỷ lệ người dùng tránh được ngập	30% giảm số lần rơi vào đường ngập	Khảo sát người dùng sau 3 tháng sử dụng

---

Luồng hệ thống

Hệ thống hoạt động theo mô hình hybrid: thu thập dữ liệu từ hạ tầng công (API chính phủ, cảm biến IoT) và hạ tầng tư (báo cáo người dùng). AI verification đảm bảo tính xác thực của báo cáo đám đông trước khi phát cảnh báo cho cộng đồng.

---

Thuật toán cốt lõi

Mô tả thuật toán

Thuật toán dự báo ngập sử dụng mô hình hồi quy tuyến tính kết hợp Random Forest để dự đoán xác suất ngập dựa trên lượng mưa hiện tại, lịch sử ngập, và độ cao địa hình.

Công thức toán học

$F(t+15) = \sigma \left( \beta_0 + \beta_1 R(t) + \beta_2 H + \beta_3 E + \sum_{i=1}^{k} \gamma_i I_i \right)$

Tham số:

• $R(t)$ — lượng mưa tại thời điểm $t$ (mm/h)
• $H$ — độ cao địa hình so với mực nước biển (m)
• $E$ — dung tích hồ chứa thoát nước gần nhất (%)
• $I_i$ — biến chỉ thị ngập lịch sử tại vị trí $i$
• $\beta, \gamma$ — tham số mô hình huấn luyện từ dữ liệu lịch sử 5 năm
• $\sigma$ — hàm sigmoid chuẩn hóa về xác suất [0,1]

Độ phức tạp

Chỉ số	Giá trị
Độ phức tạp thời gian	$O(n \log n)$ cho n tuyến đường
Độ phức tạp không gian	$O(n)$

---

Kiến trúc hệ thống

+------------------------------------------+
|              FloodGuard Backend            |
|  +------------------------------------+  |
|  |         Data Ingestion Service       |  |
|  |  Trách nhiệm: thu thập API + IoT   |  |
|  +------------------------------------+  |
|  +------------+  +----------------+       |
|  | AI Verify  |  | Routing Engine |       |
|  | Service    |  |                |       |
|  +------------+  +----------------+       |
+------------------------------------------+
                        |
                        v
+------------------------------------------+
|              Mobile App (React Native)     |
|  +------------------------------------+  |
|  |         User Report Module           |  |
|  +------------------------------------+  |
+------------------------------------------+

Backend chạy trên cloud (AWS/GCP), sử dụng message queue (RabbitMQ) để xử lý luồng dữ liệu thời gian thực từ 1000+ cảm biến IoT. Mobile app viết bằng React Native hỗ trợ iOS/Android, tích hợp push notification qua Firebase Cloud Messaging.

---

Trường hợp sử dụng

Trường hợp sử dụng 1: Nhận cảnh báo ngập sớm

Các tác viên: Shipper, người đi làm, tài xế công nghệ

Tiên điều kiện: Người dùng đã bật GPS và cho phép thông báo

Kích hoạt: Hệ thống phát hiện lượng mưa >50mm/h tại khu vực người dùng

Các bước:

1. AI dự báo xác suất ngập >80% trong 15 phút tới trên tuyến đường hiện tại
2. Hệ thống gửi push notification: "Cảnh báo: Nguy cơ ngập cao tại Nguyễn Hữu Cảnh trong 15 phút tới"
3. Người dùng mở app xem lộ trình thay thế được đề xuất
4. Người dùng chọn lộ trình mới và tiếp tục di chuyển

Sau điều kiện: Hệ thống theo dõi vị trí người dùng để xác nhận đã tránh được vùng ngập

Kết quả mong đợi: Người dùng không đi vào tuyến đường ngập, tiết kiệm 30-45 phút di chuyển

Trường hợp sử dụng 2: Báo cáo ngập thực tế

Các tác viên: Người dân phát hiện điểm ngập mới

Tiên điều kiện: Người dùng đang ở vị trí có kết nối mạng

Kích hoạt: Người dùng chụp ảnh đường ngập và gửi báo cáo

Các bước:

1. Người dùng mở app, chọn "Báo cáo ngập", chụp ảnh hiện trường
2. AI xác thực ảnh (kiểm tra độ sáng, góc chụp, nhận diện mặt nước)
3. Hệ thống ghi nhận tọa độ GPS và cập nhật bản đồ ngập trong 3 giây
4. Thông báo được gửi đến người dùng trong bán kính 2km

Sau điều kiện: Người dùng nhận điểm uy tín, có thể đổi quà tặng

Kết quả mong đợi: Điểm ngập mới được xác nhận và cảnh báo đến cộng đồng trong vòng 5 phút

---

Mô hình kinh doanh

Mô hình doanh thu

$R = \sum_{i=1}^{n} (p_i \times q_i) - C_{\text{fixed}} - C_{\text{var}}(q)$

Các thành phần:

• $p_1 = 0$ (người dùng cá nhân dùng miễn phí)
• $p_2 = 2.000.000$ VND/tháng (gói doanh nghiệp: logistics, giao hàng)
• $q_2$ — số doanh nghiệp đăng ký sử dụng
• $C_{\text{fixed}} = 50.000.000$ VND/tháng (server, API, bảo trì)
• $C_{\text{var}} = 500$ VND/người dùng hoạt động hàng tháng

Cấu trúc chi phí

Loại chi phí	Mô tả	Số tiền
Server cloud	AWS/GCP cho 100k người dùng	30.000.000 VND/tháng
API trung tâm chống ngập	Phí truy cập dữ liệu chính thức	10.000.000 VND/năm
AI verification	Chi phí huấn luyện và inference	15.000.000 VND/tháng
Marketing	Quảng cáo mùa mưa	20.000.000 VND/tháng

Phân tích điểm hòa vốn

$\text{Số khách h�àng hòa vốn} = \frac{C_{\text{fixed}}}{p_2 - c_{\text{unit}}} = \frac{50.000.000}{2.000.000 - 500} \approx 25 \text{ doanh nghiệp}$

Với mục tiêu 50 doanh nghiệp trong năm đầu, dự kiến lợi nhuận 50.000.000 VND/tháng sau khi đạt điểm hòa vốn.

---

Kế hoạch MVP

Giai đoạn 1: Hạ tầng cốt lõi (Tuần 1–4)

• Tích hợp API trung tâm chống ngập HCMC
• Xây dựng AI verification cho ảnh báo cáo
• Hoàn thiện bản đồ ngập thời gian thực trên nền tảng Mapbox

Tiêu chí kết thúc: App hiển thị được ít nhất 20 điểm ngập lịch sử và nhận báo cáo mới trong dưới 5 phút

Giai đoạn 2: Hoàn thiện tính năng (Tuần 5–8)

• Phát triển thuật toán định tuyến tránh ngập
• Tích hợp push notification qua Firebase
• Xây dựng dashboard cho doanh nghiệp logistics

Tiêu chí kết thúc: 500 người dùng thử nghiệm nhận được cảnh báo chính xác >85%

Giai đoạn 3: Xác nhận & Ra mắt (Tuần 9–12)

• Ký kết hợp tác với 3 đơn vị giao hàng lớn (Grab, Shopee, Gojek)
• Ra mắt chính thức trên App Store và Google Play
• Chiến dịch marketing "Mùa mưa an toàn 2026"

Tiêu chí kết thúc: 10.000 người dùng hoạt động hàng tháng, 5 doanh nghiệp trả phí

---

Các yêu cầu

Alpha Chain Co., Ltd. đưa ra các yêu cầu cụ thể, đo được:

Yêu cầu 1: ACIL giảm thời gian người dùng rơi vào đường ngập từ trung bình 45 phút xuống dưới 15 phút thông qua cảnh báo sớm 15 phút và định tuyến lại tự động.

Yêu cầu 2: ACIL xác thực báo cáo ngập từ người dùng trong dưới 3 giây với độ chính xác 94% bằng mô hình AI phân loại hình ảnh, loại bỏ 99% báo cáo giả mạo.

Yêu cầu 3: ACIL cung cấp API thời gian thực cho doanh nghiệp logistics với độ trễ dưới 500ms, hỗ trợ tối thiểu 1000 request/giây cho 50 doanh nghiệp đồng thời.

---

Quyền sở hữu & Bản quyền

© 2026 Alpha Chain Co., Ltd. Tất cả quyền được bảo lưu.

Tài liệu này là tài sản độc quyền của Alpha Chain Co., Ltd. Việc sao chép, phân phối lại, hoặc tạo sản phẩm phái sinh đều yêu cầu sự đồng ý bằng văn bản từ Alpha Chain Co., Ltd.

---

Lịch sử thay đổi

Phiên bản	Ngày	Tác giả	Thay đổi
1.0	2026-05-02	Alpha Chain Co., Ltd.	Tạo ban đầu