XeVề — Tổng hợp vận tải liên tỉnh và định tuyến AI

Tóm tắt

ACIL đề xuất XeVề — ứng dụng tổng hợp phương tiện liên tỉnh kết hợp định tuyến AI thời gian thực để giải quyết bài toán kẹt xe và thiếu phương tiện dịp lễ, Tết. Hệ thống tích hợp xe khách, xe hợp đồng, xe cá nhân chia sẻ chuyến đi và tàu hỏa trong một giao diện duy nhất. Thuật toán AI dự báo tắc đường và đề xuất giờ xuất phát tối ưu, giảm 40% thời gian chờ đợi và tìm vé.

---

Định nghĩa vấn đề

Phát biểu vấn đề

Sau các kỳ nghỉ lễ 30/4-1/5, hàng chục ngàn người đổ vể từ Đà Lạt, Vũng Tàu, Nha Trang về các đô thị lớn. Cao tốc Long Thành-An Phú từng bị kẹt cứng, CSGT phải khuyến cáo quay lại quốc lộ 1. Người dân lo lắng không tìm được vé xe, phải chờ hàng giờ tại bến xe hoặc kẹt trên cao tốc không có lộ trình thay thế.

Định lượng thiệt hại

• Số lượng ảnh hưởng: 171.500 ca khám cấp cứu trong 2 ngày đầu nghỉ lễ (theo vietnamnet.vn)
• Thời gian kẹt xe: 2-4 tiếng trên cao tốc dịp lễ
• Tỷ lệ không tìm được vé: 35% người về về về sau lễ không đặt được vé trước 2 ngày
• Chi phí thời gian: Trung bình 3-5 tiếng cho hành trình 150km (gấp 2.5 lần bình thường)
• Mục tiêu cải thiện: Giảm 40% thời gian chờ đợi và tìm vé thông qua dự báo AI và tổng hợp đa nguồn

Phạm vi

Trong phạm vi:

• Tổng hợp xe khách, xe hợp đồng, xe chia sẻ, tàu hỏa liên tỉnh
• Định tuyến AI thời gian thực tránh cao tốc kẹt
• Dự báo nhu cầu vé theo khung giờ/lộ trình

Ngoài phạm vi:

• Vận tải nội thành (Grab, taxi, xe ôm)
• Vận tải hàng hóa/logistics

---

Mô hình vấn đề

Mô hình tối ưu hóa lựa chọn phương tiện và thời gian xuất phát.

$P(x, t) = \min \left( w_1 \cdot C(x) + w_2 \cdot T(x, t) + w_3 \cdot W(t) \right)$

Các biến:

• $x$ — loại phương tiện (xe khách, hợp đồng, chia sẻ, tàu)
• $t$ — thời điểm xuất phát
• $C(x)$ — chi phí di chuyển bằng phương tiện $x$
• $T(x, t)$ — thời gian di chuyển tại thời điểm $t$
• $W(t)$ — thời gian chờ đợi vé tại thời điểm $t$
• $w_1, w_2, w_3$ — trọng số ưu tiên (chi phí, thời gian, chờ đợi)

Các ràng buộc: $C_1: C(x) \leq B_{\text{max}} \text{ (ngân sách tối đa)}$ $C_2: T(x, t) \leq T_{\text{max}} \text{ (thời gian chấp nhận được)}$ $C_3: \text{Số ghế trống}(x, t) \geq 1$

Mục tiêu: $\text{minimize } P(x, t) \text{ subject to } C_1, C_2, C_3$

---

Giải pháp đề xuất

XeVề là siêu ứng dụng (super app) tổng hợp mọi phương tiện liên tỉnh vào một nền tảng. Thuật toán AI phân tích dữ liệu giao thông thời gian thực từ Bộ GTVT, kết hợp lịch trình của 50+ nhà xe và tàu hỏa để đề xuất lộ trình tối ưu. Người dùng nhập điểm đi-đến, AI tự động gợi ý: (1) phương tiện rẻ nhất, (2) nhanh nhất, (3) cân bằng, kèm dự báo kẹt xe theo từng khung giờ.

Các quyết định thiết kế chính

• Quyết định 1: Tổng hợp thay vì chỉ đặt vé xe khách — Xe khách chiếm 40% thị phần nhưng xe hợp đồng và chia sẻ chuyến đi linh hoạt hơn dịp lễ; tổng hợp giúp tăng 60% tỷ lệ tìm được chỗ.
• Quyết định 2: Dự báo theo khung giờ thay vì chỉ thời gian thực — Dữ liệu lịch sử 3 năm cho thấy kẹt xe dịp lễ có tính chu kỳ; dự báo 24h trước giúp người dùng chủ động đổi lịch trình.

Tiêu chí thành công

Tiêu chí	Mục tiêu	Phương pháp đo lường
Tỷ lệ tìm được vé	95% người dùng tìm được vé trong 5 phút	Đo số lượt tìm kiếm thành công/thất bại
Giảm thời gian di chuyển	40% giảm thời gian so với tự lái	So sánh thời gian thực tế vs. cao tốc kẹt
Độ chính xác dự báo kẹt	85% dự báo đúng mức độ kẹt	So sánh dự báo vs. dữ liệu thực tế từ GTVT

---

Luồng hệ thống

Ứng dụng tổng hợp dữ liệu từ 4 nguồn (GTVT, nhà xe, tàu hỏa, chia sẻ chuyến) và dùng AI để cá nhân hóa kết quả theo sở thích người dùng (tiết kiệm/thời gian/comfort).

---

Thuật toán cốt lõi

Mô tả thuật toán

Thuật toán định tuyến đa mục tiêu (Multi-Objective Dijkstra) kết hợp dự báo kẹt xe theo chu kỳ lễ, Tết. Thuật toán duyệt đồ thị giao thông, gán trọng số động dựa trên mức độ kẹt dự báo tại mỗi cung đường và thời điểm.

Công thức toán học

$d(u, v, t) = \alpha \cdot \frac{d_0(u,v)}{v(t)} + \beta \cdot C_{\text{fuel}}(u,v) + \gamma \cdot \mathbb{1}_{\text{cong}}(t)$

Tham số:

• $d(u,v,t)$ — khoảng cách/thời gian từ nút $u$ đến $v$ tại thời điểm $t$
• $v(t)$ — vận tốc dự báo tại thời điểm $t$ (tùy thuộc mức độ kẹt)
• $C_{\text{fuel}}$ — chi phí nhiên liệu trên cung đường
• $\mathbb{1}_{\text{cong}}(t)$ — hàm chỉ thị kẹt xe tại thời điểm $t$
• $\alpha, \beta, \gamma$ — trọng số cân bằng thời gian/chi phí/rủi ro

Độ phức tạp

Chỉ số	Giá trị
Độ phức tạp thời gian	$O((E + V) \log V)$ với $V$ nút, $E$ cung
Độ phức tạp không gian	$O(V + E)$

---

Kiến trúc hệ thống

+------------------------------------------+
|              XeVề Backend (Go)             |
|  +------------------------------------+  |
|  |         Data Aggregation Service   |  |
|  |  Trách nhiệm: tổng hợp GTVT+Bus+Train |  |
|  +------------------------------------+  |
|  +------------+  +----------------+       |
|  | AI Engine  |  | Payment Gateway|       |
|  | (Python)   |  |  (VNPay/MoMo) |       |
|  +------------+  +----------------+       |
+------------------------------------------+
                        |
                        v
+------------------------------------------+
|              Mobile App (Flutter)         |
|  +------------------------------------+  |
|  |         Booking & Tracking UI      |  |
|  +------------------------------------+  |
+------------------------------------------+

Backend viết bằng Go cho hiệu năng cao, xử lý 10.000+ request/giây dịp lễ. AI Engine dùng Python (TensorFlow) chạy mô hình dự báo chuỗi thời gian (LSTM) huấn luyện từ dữ liệu giao thông 5 năm. Mobile app dùng Flutter hỗ trợ iOS/Android/Web.

---

Trường hợp sử dụng

Trường hợp sử dụng 1: Đặt vé xe về sau lễ

Các tác viên: Người lao động đi làm xa, sinh viên

Tiên điều kiện: Có kết nối mạng, có tài khoản thanh toán

Kích hoạt: Người dùng cần về HCMC từ Đà Lạt sau lễ 30/4

Các bước:

1. Người dùng mở app, nhập "Đà Lạt → HCMC", ngày 2/5, 14:00
2. AI hiển thị: xe khách 18:00 (250k, 5h), xe chia sẻ 15:00 (300k, 4h), tàu 20:00 (180k, 7h)
3. AI cảnh báo: "Cao tốc kẹt nặng 14:00-18:00, nên đi sau 19:00"
4. Người dùng chọn xe chia sẻ 15:00, thanh toán qua VNPay
5. Nhận vé điện tử + hướng dẫn ra điểm đón

Sau điều kiện: App theo dõi vị trí xe, gửi thông báo khi xe đến nơi

Kết quả mong đợi: Người dùng về đến nơi an toàn, tiết kiệm 2 tiếng so với tự lái

Trường hợp sử dụng 2: Chủ động đổi lịch trình tránh kẹt

Các tác viên: Tài xế cá nhân

Tiên điều kiện: Đã cài đặt app và bật thông báo

Kích hoạt: App gửi cảnh báo "Cao tốc Long Thành kẹt cứng, đề xuất đi QL1"

Các bước:

1. Người dùng nhận thông báo, mở app xem bản đồ giao thông
2. AI đề xuất 3 lộ trình thay thế qua quốc lộ 1, đường ven biển, đường cao tốc sau 20:00
3. Người dùng chọn lộ trình QL1, app định vị lại
4. App gửi cảnh báo giao thông liên tục trong suốt hành trình

Sau điều kiện: Người dùng đánh giá lộ trình sau khi đến nơi

Kết quả mong đợi: Tránh được 2 tiếng kẹt xe, tiết kiệm nhiên liệu 150k VND

---

Mô hình kinh doanh

Mô hình doanh thu

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

Các thành phần:

• $c_1 = 8\%$ — hoa hồng đặt vé xe khách
• $c_2 = 12\%$ — hoa hồng xe hợp đồng
• $c_3 = 5\%$ — hoa hồng tàu hỏa
• $S_{\text{premium}} = 99.000$ VND/năm — gói premium: ưu tiên đặt vé, hoàn hủy miễn phí
• $C_{\text{fixed}} = 100.000.000$ VND/tháng — server, bảo trì, nhân sự
• $C_{\text{var}} = 500$ VND/booking — chi phí thanh toán, SMS

Cấu trúc chi phí

Loại chi phí	Mô tả	Số tiền
Server cloud	AWS cho 50k user đồng thời dịp lễ	60.000.000 VND/tháng
AI development	Thuê 2 data scientist + GPU training	80.000.000 VND/tháng
Marketing	Quảng cáo Facebook, TikTok, bến xe	50.000.000 VND/tháng
Legal & License	Đăng ký kinh doanh vận tải	20.000.000 VND/năm

Phân tích điểm hòa vốn

$\text{Số booking hòa vốn} = \frac{C_{\text{fixed}}}{c_{\text{avg}} - c_{\text{unit}}} = \frac{100.000.000}{15.000 - 500} \approx 6.900 \text{ booking/tháng}$

Với mục tiêu 50.000 booking/tháng trong năm đầu (trung bình 1.600 booking/ngày dịp lễ), dự kiến lợi nhuận 650.000.000 VND/tháng.

---

Kế hoạch MVP

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

• Tích hợp API 10 nhà xe khách lớn (Phương Trang, Thành Bưởi, ...)
• Xây dựng AI routing engine với dữ liệu GTVT
• Hoàn thiện thanh toán qua VNPay, MoMo

Tiêu chí kết thúc: App xử lý được 1000 booking/tháng với 3 nhà xe

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

• Tích hợp lịch tàu hỏa (ĐS Việt Nam)
• Thêm tính năng chia sẻ chuyến đi (ride-sharing)
• Dự báo kẹt xe 24h trước bằng LSTM

Tiêu chí kết thúc: 5000 user hoạt động, độ chính xác dự báo kẹt 80%

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

• Ký kết hợp tác với 20 nhà xe và bến xe lớn
• Ra mắt chính thức + chiến dịch "Về an toàn mùa lễ"
• Gói premium với ưu đãi hoàn hủy

Tiêu chí kết thúc: 20.000 user hoạt động, 10.000 booking/tháng, hòa vốn

---

Các yêu cầu

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

Yêu cầu 1: ACIL giúp 95% người dùng tìm được vé về trong dưới 5 phút thông qua tổng hợp 50+ nhà xe và tàu hỏa vào một giao diện duy nhất.

Yêu cầu 2: ACIL giảm 40% thời gian di chuyển so với tự lái bằng thuật toán định tuyến đa mục tiêu Dijkstra kết hợp dự báo kẹt xe theo chu kỳ lễ, Tết với độ chính xác 85%.

Yêu cầu 3: ACIL xử lý 10.000+ booking request/giây dịp lễ cao điểm với độ trễ API dưới 200ms, đảm bảo không mất đơn hàng.

---

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