Nghiên cứu xây dựng hệ hỗ trợ ra quyết định phục vụ quản lý tổng hợp tài nguyên nước dựa trên kỹ thuật khai phá dữ liệu

• Xây dựng được tập thuộc tính đặc trưng của người tham gia giao thông dựa trên cảm biến gia tốc gồm 59 thuộc tính trên các miền thời gian, tần số cũng như giá trị Hjorth. • Đề xuất giải pháp nhận dạng hành động giao thông cơ bản. • Đề xuất giải pháp nhận dạng hành vi bất thường dựa trên các hành động cơ bản đã được xây dựng.

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Lữ Đăng Nhạc

NHẬN DẠNG HÀNH VI CỦA NGƯỜI THAM GIA GIAO THÔNG

DỰA TRÊN CẢM BIẾN ĐIỆN THOẠI

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

HÀ NỘI – 2019

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Lữ Đăng Nhạc

NHẬN DẠNG HÀNH VI CỦA NGƯỜI THAM GIA GIAO THÔNG

DỰA TRÊN CẢM BIẾN ĐIỆN THOẠI

Chuyên ngành: Hệ thống Thông tin

Mã số: 9480401.01

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS TS NGUYỄN HÀ NAM

2 PGS TS PHAN XUÂN HIẾU

Hà Nội – 2019

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện dưới sự hướng dẫn của PGS.TS Nguyễn Hà Nam và PGS.TS Phan Xuân Hiếu tại Bộ môn các Hệ thống Thông tin, Khoa Công nghệ Thông tin, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội Các số liệu và kết quả trình bày trong luận án là trung thực và chưa được công bố trong các công trình khác

Tác giả

Lữ Đăng Nhạc

LỜI CẢM ƠN

Luận án được thực hiện tại Bộ môn Hệ thống Thông tin-Khoa CNTT-Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội, dưới sự hướng dẫn của PGS.TS Nguyễn Hà Nam và PGS.TS Phan Xuân Hiếu

Trước tiên, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Hà Nam

và PGS.TS Phan Xuân Hiếu Những người Thầy đã tận tụy chỉ dạy, giúp đỡ tôi giải quyết những vấn đề khó khăn trong nghiên cứu khoa học và trong cuộc sống

Tôi cũng xin gửi lời cảm ơn tới tập thể các Thầy, Cô giáo, các Nhà khoa học trong khoa CNTT đã truyền đạt những kiến thức quý báu và đã tạo điều kiện thuận lợi cho tôi trong quá trình học tập và nghiên cứu Để có được dữ liệu phục vụ cho nghiên cứu, tôi xin gửi lời cảm ơn tới Nhóm nghiên cứu của PGS.TS Nguyễn Hà Nam đã giúp tôi thu thập dữ liệu cũng như tiến hành một số thực nghiệm liên quan đến Luận án

Tôi cũng gửi lời tri ân tới bạn bè, đồng nghiệp, người thân đã giúp đỡ và hỗ trợ tôi trong suốt quá trình nghiên cứu

Cuối cùng, tôi vô cùng biết ơn gia đình, bố mẹ, anh chị em, đặc biệt là vợ và hai con nhỏ của tôi, những người đã động viên, giành những điều kiện tốt nhất để tôi có thể hoàn thành chương trình nghiên cứu của mình

Lữ Đăng Nhạc

Hà Nội, 2019

MỤC LỤC

LỜI CAM ĐOAN I LỜI CẢM ƠN II MỤC LỤC III DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT V DANH MỤC HÌNH ẢNH VII DANH MỤC BẢNG BIỂU IX

MỞ ĐẦU 1

Tính cấp thiết của luận án 1

Mục tiêu của luận án 3

Đối tượng và phạm vi nghiên cứu 4

Phương pháp nghiên cứu 4

Đóng góp của luận án 5

Bố cục của luận án 6

CHƯƠNG 1 TỔNG QUAN VỀ NHẬN DẠNG HÀNH VI 7

1.1 Giới thiệu 7

1.2 Một số khái niệm cơ bản 8

1.2.1 Hành động giao thông 8

1.2.2 Hành vi giao thông 9

1.3 Sử dụng dữ liệu cảm biến để phân tích hành vi 10

1.4 Một số nghiên cứu liên quan 13

1.5 Phương pháp nhận dạng hành vi giao thông dựa trên cảm biến 20

1.6 Kết luận 24

CHƯƠNG 2 NHẬN DẠNG HÀNH ĐỘNG GIAO THÔNG 25

2.1 Giới thiệu 25

2.2 Sử dụng dữ liệu cảm biến để nhận dạng hành động giao thông 25

2.3 Một số nghiên cứu liên quan 26

2.4 Hệ thống nhận dạng hành động sử dụng cảm biến gia tốc 30

2.4.1 Một số kiến thức cơ sở 30

2.4.2 Tập thuộc tính đặc trưng 50

2.4.3 Đề xuất hệ thống nhận dạng hành động 52

2.5 Thực nghiệm và đánh giá 57

2.5.1 Môi trường thực nghiệm 57

2.5.2 Dữ liệu thực nghiệm 58

2.5.3 Lựa chọn tập thuộc tính 61

2.5.4 Khảo sát thuật toán phân lớp 64

2.5.5 Xây dựng dữ liệu huấn luyện 65

2.5.6 Đánh giá hệ thống đề xuất so với một số nghiên cứu hiện tại[CT4] 70

2.6 Kết luận 72

CHƯƠNG 3 NHẬN DẠNG HÀNH VI BẤT THƯỜNG 73

3.1 Giới thiệu 73

3.2 Bài toán nhận dạng hành vi bất thường 73

3.2.1 Nhận dạng bất thường 73

3.2.2 Sử dụng cảm biến điện thoại để nhận dạng hành vi bất thường 77

3.3 Một số nghiên cứu liên quan 78

3.4 Giải pháp nhận dạng hành vi bất thường dựa trên hệ thống nhận dạng hành động 81 3.4.1 Một số kỹ thuật nhận dạng hành vi bất thường 81

3.4.2 Giải pháp đề xuất nhận dạng hành vi bất thường dựa trên hệ thống nhận dạng hành động 85

3.5 Thực nghiệm và đánh giá 89

3.5.1 Môi trường thực nghiệm 89

3.5.2 Dữ liệu thực nghiệm 89

3.5.3 Kết quả thực nghiệm với DTW 93

3.5.4 Kết quả thực nghiệm với RF và Dl4jMlpClassifier 95

3.5.5 Kết quả thực nghiệm với giải pháp đề xuất 97

3.6 Kết luận 101

KẾT LUẬN 103

DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN 105

TÀI LIỆU THAM KHẢO 106

DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT

FFT Fast Fourier Transform Biến đổi Fourier nhanh

bị phân lớp sai vào lớp âm)

bị phân lớp sai vào lớp dương)

Là một thuật toán phân lớp thuộc

Regression Tree)

k- NN k Nearest Neighbor Thuật toán phân lớp k láng giềng gần

nhất

RF Random Forest Rừng ngẫu nhiên

Characteristic Đặc tính hoạt động của bộ thu nhận

được phân lớp đúng vào lớp âm)

Dương tính thật (mẫu mang nhãn dương được phân lớp đúng vào lớp dương)

DANH MỤC HÌNH ẢNH

Hình 1-1 Hướng nghiên cứu tổng thể của bài toán nhận dạng hành vi 23

Hình 1-2 Hệ thống phân tích hành vi bất thường 24

Hình 2-1 Một số kỹ thuật chuẩn bị dữ liệu [37] 31

Hình 2-2 Phân đoạn chuỗi tín hiệu thành các cửa sổ dữ liệu 34

Hình 2-3 (a) Hướng của điện thoại được xác định bởi hệ tọa độ (X, Y, Z) (b) Hướng di chuyển của phương tiện theo hệ tọa độ trái đất (X’, Y’, Z’) 35

Hình 2-4 Kết hợp biểu diễn thông tin trên miền thời gian và tần số [46] 36

Hình 2-5 Hệ tọa độ và các trục quay trên điện thoại thông minh[48] 42

Hình 2-6 Độ đo AUC[50] 48

Hình 2-7 Hệ thống nhận dạng hành động giao thông 53

Hình 2-8 Thuật toán lựa chọn kích thước cửa sổ và chồng dữ liệu theo AUC 54

Hình 2-9 Nhận dạng hành động với các kích thước cửa sổ lựa chọn 56

Hình 2-10 Hành động dừng và hành động đi thẳng 58

Hình 2-11 (a): Hành động rẽ phải; (b): Hành động rẽ trái 59

Hình 2-12 Mô tả tín hiệu cảm biến gia tốc của các hành động (a): “Dừng”; (b): “Đi thẳng”; (c):”Rẽ trái”; (d): “Rẽ phải” 59

Hình 2-13 Tập dữ liệu đặc trưng sử dụng cho nhận dạng hành động giao thông cơ bản 60

Hình 2-14 Phân bổ của tập dữ liệu đặc trưng được biến đổi với 59 thuộc tính 60

Hình 2-15 Kết quả phân lớp sử dụng các tập thuộc tính H2, T2, F2, TH2, TF2, TFH2 62

Hình 2-16 Kết quả so sánh dữ liệu thô và dữ liệu biến đổi hệ tọa độ 63

Hình 2-17 Kết quả độ đo thực nghiệm với các thuật toán phân lớp 64

Hình 2-18 Chu kỳ thay đổi độ đo AUC tương ứng với hai kích thước cửa sổ liền nhau của

các hành động cơ bản với: (a) Dừng; (b) Đi thẳng; (c) Rẽ trái; (d) Rẽ phải 67

Hình 2-19 Kết quả phân lớp với kích thước cửa sổ lựa chọn trên tập TF2 và TFH2 70

Hình 3-1 Khái niệm dữ liệu bất thường[58] 74

Hình 3-2 Độ đo DTW 82

Hình 3-3 Sử dụng DTW để phát hiện hành vi bất thường 83

Hình 3-4 Nhận dạng hành vi bất thường dựa trên hành động cơ bản 84

Hình 3-5.Sơ đồ hệ thống phát hiện hành vi bất thường 86

Hình 3-6 Phát hiện hành vi bất thường dựa trên hành động giao thông cơ bản 88

Hình 3-7 Mẫu dữ liệu cảm biến gia tốc của hành vi bất thường – “lạng lách” 91

Hình 3-8 Mẫu dữ liệu cảm biến gia tốc của hành vi bình thường (đi thẳng) 92

Hình 3-9 Kết quả so khớp với các giá trị ngưỡng khác nhau 94

Hình 3-10 Kết quả nhận dạng hành vi bình thường và bất thường 100

DANH MỤC BẢNG BIỂU

Bảng 2-1 Một số nghiên cứu nhận dạng hành động giao thông 28

Bảng 2-2 Các thuộc tính đặc trưng 47

Bảng 2-3 Ý nghĩa diện tích bên dưới đường cong ROC (AUC) 49

Bảng 2-4 Các tập thuộc tính 50

Bảng 2-5 Tập thuộc tính trong hệ thống nhận dạng hành động giao thông cơ bản 52

Bảng 2-6 Tham số mặc định của thuật toán phân lớp sử dụng cho thực nghiệm 57

Bảng 2-7 Thông tin đối tượng tham gia thực nghiệm 58

Bảng 2-8 Cảnh huống thu thập dữ liệu của các hành động 58

Bảng 2-9 Tập mẫu dữ liệu đặc trưng sử dụng nhận dạng hành động giao thông cơ bản 60

Bảng 2-10 Khảo sát tập thuộc tính cho hệ thống phát hiện hành động cơ bản 61

Bảng 2-11, Kết quả phân lớp hành động trên các tập thuộc tính 62

Bảng 2-12 Kết quả so sánh dữ liệu thô và dữ liệu đã biến đổi hệ tọa độ 63

Bảng 2-13 Kết quả độ đo AUC của hành động dừng 66

Bảng 2-14 Kết quả độ đo AUC của hành động đi thẳng 66

Bảng 2-15 Kết quả độ đo AUC của hành động rẽ trái 66

Bảng 2-16 Kết quả độ đo AUC của hành động rẽ phải 66

Bảng 2-17 Kích thước cửa sổ được lựa chọn theo độ đo AUC 68

Bảng 2-18 Kết quả phân lớp với tham số tối ưu trên hai tập TF2 và TFH2 69

Bảng 2-19 Kết quả so sánh phương pháp nhận dạng dựa trên tập thuộc tính đề xuất với các phương pháp khác trên cùng bộ dữ liệu HTC [56] [CT4] 72

Bảng 3-1 Thực nghiệm thu dữ liệu nhận dạng hành vi bất thường 91

Bảng 3-2 Số lượng các mẫu dữ liệu thực nghiệm 92

Bảng 3-3 Tham số mặc định của thuật toán RF 96

Bảng 3-4 Tham số của Dl4jMlpClassifier 96

Bảng 3-5 Kết quả nhận dạng sử dụng CV10 96

Bảng 3-6 Kích thước cửa sổ dữ liệu phát hiện hành vi 98

Bảng 3-7 Lựa chọn ngưỡng sai khác nhằm phát hiện hành vi bất thường 99

Bảng 3-8 Kết quả phát hiện hành vi của giải pháp đề xuất trên tập dữ liệu kiểm tra 99

Bảng 3-9 Kết quả phát hiện hành vi của các phương pháp khác nhau 100

MỞ ĐẦU

Tính cấp thiết của luận án

Giao thông luôn là chủ đề được quan tâm ở hầu hết các nước trên thế giới, đặc biệt là các nước đang phát triển bởi nó tác động/ảnh hưởng trực tiếp đến đời sống kinh tế xã hội Trong đó, nổi lên các vấn đề an toàn giao thông Có nhiều yếu

tố ảnh hưởng đến an toàn giao thông đô thị bao gồm các yếu tố ngoại cảnh, các yếu

tố liên quan đến con người Những yếu tố ngoại cảnh đó có thể là điều kiện hạ tầng giao thông, hệ thống quản lý điều khiển giao thông và tình trạng các phương tiện tham gia giao thông Tuy nhiên, một trong những yếu tố quan trọng tác động trực tiếp đến vấn đề an toàn giao thông đó là thái độ và hành vi của người tham gia giao thông Do đó, việc nhận dạng hành vi của người tham gia giao thông bao gồm cả nhận dạng các hành động và hành vi bất thường có một ý nghĩa rất lớn trong việc xây dựng giải pháp, ứng dụng hỗ trợ người tham gia giao thông Vì vậy, chủ đề này

đã và đang thu hút được sự quan tâm nghiên cứu của nhiều nhà khoa học, các phòng thí nghiệm trên thế giới Hơn thế nữa, những thông tin về hành vi của người tham gia giao thông sẽ rất hữu ích cho những nhà quản lý trong việc quy hoạch hệ thống

và xây dựng chính sách quản lý giao thông và các chính sách an sinh xã hội khác Ngoài ra, mô hình nhận dạng hành vi người tham gia giao thông còn trợ giúp đánh giá mức độ rủi ro trong các lĩnh vực bảo hiểm cũng như có thể ước tính mức độ tiêu thụ năng lượng và ô nhiễm môi trường của hệ thống giao thông

Để xây dựng được mô hình nhận dạng hành vi của người tham gia giao thông các thông tin, dữ liệu của người tham gia được thu thập bằng nhiều cách khác nhau Nhờ sự phát triển của công nghệ phần cứng, nhiều loại cảm biến khác nhau được tích hợp đã cho phép điện thoại thông minh trở thành công cụ hữu ích trong việc thu thập dữ liệu từ người dùng Chính vì vậy, trong thời gian gần đây, nhiều công trình nghiên cứu về nhận dạng hành vi người dùng bao gồm cả hành vi cử chỉ

và hành vi trong giao thông dựa trên cảm biến điện thoại thông minh được công bố Tuy nhiên, để đảm bảo độ chính xác cao trong kết quả của mô hình nhận dạng thì

hầu hết các nghiên cứu được thực hiện với vị trí điện thoại cố định trên phương tiện giao thông hoặc sử dụng dữ liệu từ nhiều nguồn cảm biến khác nhau của điện thoại Điều này làm cho mô hình được xây dựng trở nên quá phức tạp hoặc khó thực hiện trong thực tế Việc nghiên cứu về nhận dạng hành vi của người dùng khi vị trí điện thoại người dùng không cố định trong quá trình tham gia giao thông là yêu cầu tự nhiên phù hợp với thực tế

Ngoài ra, những nghiên cứu đã công bố về nhận dạng hành vi giao thông được thực hiện trong các điều kiện hoàn cảnh khác nhau Trong đó, có sự khác nhau

về yếu tố khu vực địa lý, hạ tầng giao thông và văn hóa so với các điều kiện và môi trường giao thông tại Việt Nam Do vậy, những mô hình nhận dạng đã được xây dựng gặp nhiều khó khăn khi phát triển và áp dụng trong điều kiện cụ thể của Việt Nam Sự khác biệt này xuất phát từ một số yếu tố quan trọng bao gồm cả yếu tố khách quan và yếu tố chủ quan Thứ nhất, đó là các nghiên cứu về bài toán nhận dạng thường tập trung vào các phương tiện giao thông phổ biến tại các nước phát triển với đa số phương tiện sử dụng cho thực nghiệm là xe ô tô, xe buýt và tàu điện ngầm mà ít khi xét đến các phương tiện thô sơ Trong khi đó, hệ thống giao thông

đô thị tại các nước đang phát triển hoặc chậm phát triển, trong đó có Việt nam, các phương tiện giao thông được người dân sử dụng chủ yếu vẫn là xe máy và xe đạp cùng một số phương tiện công cộng khác Hơn thế nữa, phần lớn các nghiên cứu trước đây thực hiện trong điều kiện hạ tầng giao thông ổn định hơn so với tính đa dạng và điều kiện giao thông như ở Việt Nam Thứ hai, về yếu tố chủ quan đó là văn hóa và thói quen di chuyển của người dân khi tham gia giao thông Với những phương tiện như ô tô hay xe buýt trong các nghiên cứu, dữ liệu cảm biến được thu thập trong điều kiện phương tiện di chuyển trên các làn đường riêng, hoặc hay đường chạy xác định trước Điều kiện này không thể thực hiện được với hiện trạng giao thông đô thị của Việt Nam Tất cả những yếu tố cơ bản kể trên là những lý do giải thích tại sao cần có các nghiên cứu mô hình nhận dạng hành vi giao thông phù hợp với tính chất đặc thù tại Việt Nam

Để hỗ trợ được người tham gia giao thông, một trong những mục đích quan trọng, cấp thiết của mô hình phát hiện hành vi đó là khả năng phát hiện được các hành vi giao thông bất thường Các nghiên cứu về vấn đề này thường tập trung vào phương tiện ô tô; các phương tiện có những thiết kế, đặc tính khác nhau nên rất khó

có một mô hình phù hợp với tất cả các loại phương tiện khác nhau Các nghiên cứu trước đây cũng thường sử dụng hướng tiếp cận kết hợp nhiều loại cảm biến để thu thập, phân tích dữ liệu cho quá trình nhận dạng Bên cạnh các cảm biến chuyển động thì các cảm biến khác như GPS, cảm biến hình ảnh và cảm biến âm thanh cũng có thể được sử dụng nhằm nâng cao độ chính xác trong nhận dạng các hành vi bất thường khi lái xe Việc sử dụng đồng thời nhiều dữ liệu cảm biến cùng một thời điểm dẫn đến tiêu tốn nhiều năng lượng của điện thoại thông minh và khó có thể áp dụng trong thực tế Hướng tiếp cận lựa chọn thu thập, phân tích dữ liệu cảm biến chuyển động như cảm biến gia tốc sẽ có mức tiêu tốn năng lượng thấp nhất nhưng cần phải xây dựng một mô hình phù hợp để đảm bảo độ chính xác nhận dạng trên các loại phương tiện giao thông khác nhau Một trong những giải pháp căn cốt cho vấn đề này đó là cần xác định, lựa chọn được tập thuộc tính đặc trưng phù hợp cho các loại phương tiện, thể hiện rõ đặc trưng của hành vi sao cho nhận dạng, phát hiện không làm tăng độ phức tạp tính toán của mô hình mà vẫn đảm bảo kết quả phát hiện hành động, hành vi bất thường

Với mong muốn xây dựng mô hình phát hiện và đoán nhận hành vi bất thường sử dụng cảm biết gia tốc của điện thoại thông minh, chúng tôi chọn đề tài:

“Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại”

làm đề tài nghiên cứu trong khuôn khổ luận án tiến sĩ chuyên ngành Hệ thống Thông tin nhằm giải quyết một số vấn đề đã đặt ra

Mục tiêu của luận án

Mục tiêu chính của Luận án tập trung vào phân tích dữ liệu cảm biến thu được từ điện thoại của người tham gia giao thông nhằm nhận dạng được các hành vi giao thông bất thường

Để giải quyết được mục tiêu của Luận án, chúng tôi tập trung vào giải quyết các vấn đề chính sau:

 Khảo sát các kỹ thuật phân tích dữ liệu trong và ngoài nước Tìm hiểu các kỹ thuật thu thập và biến đổi dữ liệu áp dụng cho các loại cảm biến khác nhau, trong đó tập trung vào cảm biến gia tốc có mức tiêu thụ năng lượng thấp nhằm tìm ra tập thuộc tính đặc trưng phù hợp cho hệ thống nhận dạng hành động và hành vi

 Xây dựng hệ thống nhận dạng hành động giao thông cơ bản (đi thẳng, dừng,

rẽ trái, rẽ phải) của người điều khiển phương tiện dựa trên dữ liệu cảm biến gia tốc được biến đổi từ tập thuộc tính lựa chọn

 Dựa trên hệ thống nhận dạng hành động, nghiên cứu, đề xuất giải pháp phát hiện hành vi giao thông bất thường, chủ yếu là với phương tiện xe máy Trong một thời gian ngắn tương ứng với một hành động cơ bản xảy ra, nếu phát hiện thấy có các hành động sai khác xảy ra thì xác định là một hành vi bất thường Sự bất thường được đánh giá bằng việc phân đoạn cửa sổ hành động giao thông cơ bản thành các cửa sổ dữ liệu có kích thước nhỏ hơn rồi

so sánh nhãn hành động nhận dạng được của các cửa sổ này so với nhãn của hành động giao thông cơ bản đó để xác định sự bất thường hay bình thường dựa trên việc so sánh tỉ lệ sai khác với một tỉ lệ cho trước

Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của Luận án là phân tích, nhận dạng hành vi, hành vi giao thông bất thường của người điều khiển phương tiện Dựa trên cảm biến gia tốc thu được từ điện thoại thông minh của các đối tượng sử dụng phương tiện để đưa ra giải pháp nhận dạng hành động cơ bản làm cơ sở cho nhận dạng hành vi giao thông bất thường ở đô thị của Việt Nam

Phương pháp nghiên cứu

Luận án sử dụng các phương pháp khảo sát, tổng hợp, phân tích thông tin cần thiết; tham khảo, đánh giá các nghiên cứu liên quan để từ đó tìm ra hướng giải

quyết vấn đề Xác định rõ đối tượng và phạm vi nghiên cứu để từ đó xây dựng mô hình nhận dạng hành động và hành vi giao thông

Khảo sát các kỹ thuật thu thập, xử lý dữ liệu cảm biến, phân tích các đặc điểm của phương tiện, hành động giao thông để từ đó đề xuất giải pháp nhận dạng hành động, hành vi giao thông bất thường dựa trên cảm biến thu được Phương pháp phân tích sử dụng lý thuyết và chứng minh bằng thực nghiệm được áp dụng để thực hiện yêu cầu bài toán đặt ra

Đóng góp của luận án

Đóng góp thứ nhất của luận án: là đề xuất tập thuộc tính đặc trưng dựa trên

miền thời gian và miền tần số nhằm biến đổi dữ liệu cảm biến thành dữ liệu đặc trưng phục vụ cho nhận dạng hành động và hành vi bất thường Kết quả độ đo sau khi phân lớp dữ liệu được sử dụng để đánh giá, lựa chọn tập thuộc tính Trong đó,

sử dụng tham số Hjorth cho các đại lượng khác nhau nhằm thu được các thuộc tính phù hợp để biến đổi dữ liệu cảm biến thành dữ liệu đặc trưng Tập thuộc tính đặc trưng phù hợp sẽ sử dụng làm cơ sở cho việc xây dựng hệ thống nhận dạng bằng phương pháp phân lớp [CT2], [CT4]

Khảo sát, lựa chọn kích thước cửa sổ và tỉ lệ chồng dữ liệu để phân tích tìm

ra các giá trị tương ứng, phù hợp với các hành động Qua đó, hỗ trợ hệ thống nhận dạng các hành động giao thông có hiệu quả hơn [CT1], [CT2], [CT4]

Khi sử dụng hệ thống nhận dạng thực nghiệm trên cùng một bộ dữ liệu được công bố bởi công ty HTC của Đài Loan, kết quả nhận dạng bằng hệ thống đề xuất cao hơn so với một số nghiên cứu đã được công bố trước đó với tập dữ liệu này Phương pháp và kết quả thực nghiệm được trình bày trong công bố [CT4]

Đóng góp thứ hai của luận án: đề xuất giải pháp phát hiện hành vi giao

thông bất thường theo một hướng tiếp cận mới, hướng tiếp cận này dựa trên kết quả nhận dạng hành động cơ bản Trong thời gian ngắn mà một hành động cơ bản xảy

ra, nếu hệ thống nhận dạng phát hiện có sự bất thường thì xác định đây là hành vi bất thường Kỹ thuật xác định bất thường dựa trên phân đoạn dữ liệu của hành động

cơ bản với kích thước cửa sổ nhỏ hơn sau đó tiến hành nhận dạng các đoạn dữ liệu này nhằm so sánh, đánh giá sự sai khác các nhãn hành động nhận được với hành động cơ bản để xác định tính bất thường

Các giải pháp, kết quả thu được của luận án thể hiện trong 4 công trình đã được công bố Trong đó có 1 bài báo quốc tế có chỉ số SCIE; 3 bài báo hội nghị

quốc tế có phản biện và có chỉ số Scopus được thể hiện ở các công trình [CT1], [CT2], [CT3] và [CT4]

vi giao thông nhằm làm rõ các vấn đề của bài toán đặt ra Từ đó, đề xuất phương pháp nhận dạng hành vi bất thường dựa trên dữ liệu cảm biến của điện thoại

Chương 2: Giới thiệu bài toán nhận dạng hành động giao thông Hệ thống nhận dạng được xây dựng thực hiện nhận dạng các hành động giao thông cơ bản dựa trên hướng tiếp cận sử dụng dữ liệu đặc trưng thu được từ việc biến đổi dữ liệu cảm biến bằng tập thuộc tính đề xuất Tập thuộc tính đặc trưng được lựa chọn phù hợp với yêu cầu bài toán, kết hợp các thuộc tính trên cả miền thời gian và miền tần

số cũng như sự đóng góp của tham số Hjorth vào tập thuộc tính Hệ thống nhận dạng là cơ sở cho hệ thống giải pháp nhận dạng hành vi bất thường ở chương 3

Chương 3: Dựa trên kết quả của hệ thống nhận dạng hành động, đề xuất giải pháp nhận dạng hành vi giao thông, hành vi bất thường Thực nghiệm được tiến hành trên cùng một tập dữ liệu với các phương pháp phổ biến khác như DTW, sử dụng kỹ thuật học sâu Qua đó, làm rõ được ý nghĩa của giải pháp đề xuất

Chương 1 TỔNG QUAN VỀ NHẬN DẠNG HÀNH VI

1.1 Giới thiệu

Ngày nay, an toàn giao thông và hỗ trợ lái xe an toàn là một trong những vấn

đề đang nhận được sự quan tâm rất lớn từ các nhà quản lý cũng như người dân ở hầu hết các nước trên thế giới Theo báo cáo toàn cầu về an toàn giao thông đường

bộ của tổ chức WHO, tai nạn giao thông là một trong 10 nguyên nhân làm chết 1.2 triệu người mỗi năm, một số nước có tỉ lệ cao tập trung vào các nước có thu nhập thấp và trung bình[1] Trong đó, các tác nhân gây tai nạn thường là do hành động, hành vi bất thường của người điều khiển phương tiện Vì vậy, việc hỗ trợ thông tin cảnh báo cho lái xe trong suốt hành trình của họ là một trong những cách làm hiệu quả để tránh tai nạn xảy ra

Có nhiều nghiên cứu đã thực hiện nhằm giải quyết về vấn đề này, các nghiên cứu tập trung vào hệ thống cảnh báo và hỗ trợ lái xe; có thể chia thành các hướng chính như sau: nhận diện các loại phương tiện (ô tô, xe buýt, tàu hỏa, xe đạp, đi bộ)[2][3]; xác định các kiểu lái xe (lái xe ẩu, lái xe trong tình trạng say rượu, lái xe trong tình trạng mệt mỏi, lái xe trong tình trạng buồn ngủ, lái xe không tập trung)[4][5], phát hiện các sự kiện giao thông bình thường và bất thường (di chuyển, dừng, rẽ trái, rẽ phải, quay đầu với tốc độ nhanh, dừng đột ngột, đánh võng)[6], phát hiện tai nạn [7][8]; phát hiện, nhận dạng chất lượng đường đi và điều kiện, hiện trạng giao thông [8][9], đánh giá mức tiêu thụ năng lượng và ô nhiễm môi trường [9]

Các nghiên cứu trên cho thấy các bài toán phân loại phương tiện, nhận dạng hành động, hành vi giao thông là những bài toán cơ sở, hữu ích nhằm hỗ trợ người tham gia cũng như giám sát các hoạt động giao thông Trong hệ thống giao thông đường bộ với điều kiện hạ tầng giao thông còn nhiều bất cập, các phương tiện chủ yếu là xe máy, xe đạp và các phương tiện công cộng phổ biến khác, phân tích và phát hiện được hành vi giao thông gặp nhiều khó khăn Một số hệ thống chuyên dụng, thiết kế cho môi trường khác sẽ khó triển khai trong điều kiện, môi trường đô

thị đặc thù ở Việt Nam Do đó, hướng tiếp cận sử dụng dữ liệu thu từ thiết bị điện thoại thông minh đang được phổ biến rộng rãi ở các đô thị là một trong những giải pháp khả thi

Vì điện thoại thông minh được sử dụng cho nhiều mục đích cá nhân khác nhau cũng như có giới hạn về năng lượng, sự đa dạng về chủng loại, chất lượng của thiết bị phần cứng dẫn đến yêu cầu cần phải xây dựng hệ thống, giải pháp phân tích, phát hiện hành động, hành vi sao cho phù hợp là một bài toán đặt ra cần được giải quyết

Do vậy, chương này làm rõ các khái niệm cơ bản về hành động, hành vi, hướng tiếp cận bài toán phân tích hành vi giao thông qua việc khảo sát, phân tích những nghiên cứu trước đây về dữ liệu cảm biến, hệ thống và mô hình nhận dạng, phát hiện Từ đó, xác định phương pháp phân tích hành vi giao thông, phát hiện hành vi giao thông bất thường dựa trên cảm biến gia tốc của điện thoại thông minh

1.2 Một số khái niệm cơ bản

dừng, hành động đi thẳng, rẽ trái và rẽ phải Từ đó, phân tích, đánh giá tính chất của mỗi hành động cơ bản này để phân tích, nhận dạng được hành vi bất thường

1.2.2 Hành vi giao thông

Hành vi giao thông là sự biểu hiện thay đổi trạng thái của phương tiện theo những cách thức, mức độ, tính chất khác nhau trong quá trình lưu thông [10][11][12] [13]

Hành vi giao thông được đánh giá dựa trên các phương pháp khác nhau Trong đó, một trong những phương pháp thường được sử dụng đó là dựa trên tính chất cảu một hành động giao thông hoặc sự lặp đi lặp lại của các hành động một cách liên tục trong điều kiện, tình huống và môi trường cụ thể Do đó, yếu tố mức

độ, tính chất của một hành động hoặc sự lặp đi lặp lại chuỗi hành động lặp đi lặp lại

là cơ sở quan trọng nhằm đánh giá hành vi giao thông là bình thường hay bất thường

Sự bất thường của một hành vi có thể được hiểu là những phản ứng hay việc thực hiện điều khiển, sử dụng phương tiện theo những trạng thái không bình thường khi có các yếu tố khách quan, chủ quan tác động đến đối tượng trong quá trình tham gia giao thông

Việc nhận biết, phân biệt được loại hành vi giao thông là điều kiện cơ sở cho các hệ thống, ứng dụng vào những dịch vụ khác nhau nhằm thông tin, phản hồi, điều chỉnh hành vi của cá nhân tham gia giao thông với các mục đích khác nhau như giảm tránh những nguy cơ tiềm ẩn hoặc có thể hỗ trợ xây dựng, phát triển các

hệ thống mô phỏng, giám sát, quản lý hệ thống giao thông đô thị

Để nhận dạng hành vi giao thông bất thường có các phương pháp khác nhau Trong đó, phương pháp thường được sử dụng là đánh giá sự bất thường dựa vào hành vi giao thông bình thường Do vậy, việc xác định rõ thế nào là hành vi bình thường và bất thường trong những điều kiện cụ thể là cần thiết nhằm giảm thiểu sự nhầm lẫn khi phân tích, nhận dạng

1.3 Sử dụng dữ liệu cảm biến để phân tích hành vi

Phân tích, nhận dạng hành vi giao thông được thực hiện ở nhiều quốc gia trên thế giới nhằm phân loại được hành vi của người tham gia lưu thông phục vụ cho nhiều mục đích trong các lĩnh vực khác nhau như bảo hiểm, y tế, giao thông cũng như các bài toán quản lý và quy hoạch đô thị

Trong đó, một trong những yêu cầu quan trọng của việc phân tích hành vi là tìm ra những hành vi có nguy cơ tiềm ẩn khi tham gia giao thông như hành vi đi quá tốc độ cho phép hoặc quy định của luật giao thông; hành vi thay đổi tốc độ, hướng điều khiển phương tiện một cách đột ngột; hành vi điều khiển phương tiện trong trạng thái không tỉnh táo hoặc khi say rượu, cũng như một số hành vi giao thông khác trong điều kiện phức tạp của giao thông đô thị

Do sự đặc thù của các vùng miền và yếu tố văn hóa tác động đến hành vi của người điều khiển giao thông khác nhau nên các hệ thống phân tích hành vi đa dạng phụ thuộc vào các yêu cầu cụ thể của từng bài toán nên các cách thức xây dựng hệ thống cũng khác nhau Trong đó, thường sử dụng một trong ba cách thức thông dụng xây dựng hệ thống phân tích hành vi: thứ nhất, tín hiệu từ các thiết bị thu được gửi lên xử lý thực hiện phân tích, nhận dạng trên máy chủ sau đó gửi lại thiết bị nhận thông tin thông qua hạ tầng mạng Thứ hai, là các tín hiệu được thu thập và phân tích, nhận dạng và hiển thị thông tin về hành vi trên chính các thiết bị cá nhân đang sử dụng Thứ ba, đó là dữ liệu được thu thập trên thiết bị sau đó tiến hành phân tích, nhận dạng, kết quả thu được gửi lên máy chủ để hiển thị, mô phỏng và là thông tin đầu vào cho những ứng dụng, dịch vụ khác

Mỗi dạng hệ thống có những ưu điểm, nhược điểm khác nhau tùy thuộc vào yêu cầu bài toán cũng như sử dụng loại dữ liệu đầu vào để xây dựng và thiết kế hệ thống Hiện nay, một số nguồn dữ liệu phổ biến được sử dụng để phân tích hành vi giao thông như đó là dữ liệu hình ảnh, video, âm thanh và dữ liệu cảm biến Trong

đó, các giải pháp sử dụng dữ liệu hình ảnh, video để nhận dạng hành vi có nhiều nghiên cứu áp dụng cho bài toán nhận dạng, đặc biệt là nhận dạng các đối tượng của

hệ thống giao thông Ví dụ như đếm số lượng phương tiện, nhận diện phương tiện,

tìm kiếm phương tiện và một số ứng dụng khác trong hệ thống giám sát giao thông Đối với những hệ thống này, cần những thiết bị thu và gửi hình ảnh có chất lượng tốt và các đáp ứng khác về phần cứng thiết bị

Sự phát triển công nghệ phần cứng hiện nay đã giúp cho điện thoại thông minh có năng lực xử lý thông tin ngày càng tốt hơn Chất lượng các cảm biến gắn kèm ngày càng cao hơn, tuy nhiên vẫn còn giới hạn về, khả năng lưu trữ và năng lượng của pin điện thoại Bên cạnh đó, những công cụ phân tích dữ liệu ngày càng phát triển đa dạng, tối ưu hơn, đáp ứng được các môi trường thực hiện khác nhau, trong đó có môi trường cung cấp nguồn lực thấp cho hệ thống nên hướng tiếp cận lựa chọn xây dựng hệ thống phân tích, nhận dạng hành vi giao thông trên điện thoại thông minh đang được cộng đồng nghiên cứu quan tâm thể hiện qua nhiều kết quả nghiên cứu được công bố gần đây

Cảm biến điện thoại thông minh hiện nay ngày càng đa dạng Một số loại cảm biến thông dụng như cảm biến ánh sáng, cảm biến vân tay, cảm biến nhiệt, cảm biến tiệm cận, cảm biến định vị, cảm biến hình ảnh, cảm biến gia tốc, cảm biến từ

kế, cảm biến con quay hồi chuyển thường được sử dụng kết hợp với nhau trong các bài toán phát hiện, nhận dạng hành động, hành vi [12][14][15] Khi sử dụng kết hợp nhiều cảm biến sẽ làm tiêu hao năng lượng nên lựa chọn cảm biến gia tốc có ưu điểm tốn ít tài nguyên của thiết bị để xây dựng hệ thống là một trong hướng tiếp cận phù hợp đáp ứng được yêu cầu của bài toán phân tích, nhận dạng hành vi giao thông dựa trên điện thoại thông minh Cảm biến gia tốc thường được dùng để ghi nhận chuyển động của thiết bị Khi có sự thay đổi về phương hướng, cảm biến sẽ chuyển thông tin đến thiết bị để thiết bị xử lý và đưa ra phản hồi tương ứng Bên cạnh đó, cảm biến con quay hồi chuyển cũng liên quan đến các chuyển động Thiết bị này thường dùng để đo đạc hoặc duy trì phương hướng, dựa trên các nguyên tắc bảo toàn mô men động lượng Trong khi đó cảm biến từ kế đảm nhận việc đo đạc từ trường trong không gian

Dữ liệu cảm biến gia tốc thu được là một dạng dữ liệu chuỗi thời gian Tại một thời điểm, một điểm dữ liệu cảm biến thu được là một véc tơ được xác định bởi

ba số thực tương ứng trên các trục tọa độ X, Y, Z của thiết bị cảm biến; chuỗi dữ liệu này được sử dụng làm dữ liệu đầu vào cho các bài toán khác nhau Khi có sự chuyển động, vị trí thiết bị thay đổi, giá trị trên các trục tọa độ cũng thay đổi theo Mức độ thay đổi này phản ánh các tính chất, mức độ của các chuyển động Do đó, trong bài toán phân tích, nhận dạng hành vi thường sử dụng hai cách thức phổ biến

đó là: Thứ nhất, vị trí điện thoại được cố định so với hướng chuyển động của phương tiện Thứ hai, vị trí của điện thoại có thể thay đổi trong khi phương tiện di chuyển Nếu cố định vị trí của thiết bị so với hướng chuyển động thì dữ liệu cảm biến sẽ ít nhiễu hơn đồng thời có thể phân tích hành vi dựa trên giá trị thay đổi của từng trục tọa độ Ngược lại, khi vị trí điện thoại không cố định sẽ khó xác định được hướng chuyển động tương ứng với trục thiết bị tại một thời điểm dẫn đến nhiều khó khăn khi thiết kế hệ thống và phương pháp xử lý dữ liệu Tuy nhiên, khi hệ thống thực hiện với trường hợp điện thoại không cố định vị trí sẽ có được tính tự nhiên hơn, người sử dụng có thể thực hiện các công việc khác cũng như tạo sự thân thiện với hệ thống

Hơn nữa, vị trí của thiết bị thay đổi trong quá trình di chuyển dẫn đến dữ liệu chứa nhiều nhiễu Do đó, hướng tiếp cận trích xuất đặc trưng dựa trên tập thuộc tính đặc trưng được áp dụng để có được tập dữ liệu phù hợp cho hệ thống nhận dạng được các nghiên cứu quan tâm và sử dụng Trong hướng tiếp cận này, vấn đề được quan tâm đó là làm sao lựa chọn được các thuộc tính đặc trưng phù hợp để có thể nhận dạng hiệu quả hành vi giao thông từ dữ liệu cảm biến gia tốc thu được trên điện thoại của người điều khiển phương tiện mang theo Tiếp đến, đó là xây dựng được một hệ thống nhận dạng các hành động, hành vi giao thông phù hợp với những điều kiện, môi trường giao thông cụ thể

Từ một số vấn đề ở trên cho thấy, sử dụng tín hiệu cảm biến gia tốc để phân tích, nhận dạng hành vi giao thông đặc biệt là nhận dạng hành vi giao thông bất thường có ý nghĩa thực tiễn và có tính khả thi Kết quả của bài toán có thể hỗ trợ người tham gia giao thông hoặc có thể sử dụng, tích hợp với nhiều bài toán giao thông khác nhau, như bài toán liên quan đến giám sát giao thông, mật độ giao

thông, bài toán liên quan đến tìm đường trong một trạng thái giao thông xác định cũng như các bài toán quản lý khác Dựa trên dữ liệu cảm biến được thu thập các phương pháp phân tích và xử lý được áp dụng để từ đó xây dựng hệ thống nhận dạng hành vi giao thông trong điều kiện, môi trường giao thông đô thị Việt Nam

1.4 Một số nghiên cứu liên quan

Trong bài toán nhận dạng hành vi giao thông sử dụng cảm biến thu được từ điện thoại của người điều khiển phương tiện Có nhiều yếu tố ảnh hưởng đến hành

vi của người điều khiển phương tiện nên cần xác định, lựa chọn các yếu tố cần thiết phù hợp với yêu cầu của bài toán nhằm đưa ra giải pháp hiệu quả trong từng điều kiện, hoàn cảnh cụ thể

Vì vậy, một số nghiên cứu về lĩnh vực này đã lựa chọn, thực hiện nhận dạng hành động, hành vi giao thông với các thông tin, dữ liệu đầu vào khác nhau như: Sử dụng số lượng các cảm biến khác nhau, vị trí thiết bị cố định hoặc có thể thay đổi

Sử dụng các kỹ thuật giảm nhiễu, tiền xử lý dữ liệu khác nhau Các kỹ thuật, mô hình nhận dạng, phát hiện hành vi khác nhau trong điều kiện hoàn cảnh cụ thể

Sự kết hợp các loại tín hiệu như tín hiệu hình ảnh, GPS với một số tín hiệu khác được tích hợp trong điện thoại làm dữ liệu đầu vào cho các hệ thống nhận dạng đã thu được những kết quả khả quan Tuy nhiên, chỉ sử dụng cảm biến gia tốc

sẽ ít tiêu tốn năng lượng Hơn nữa, cảm biến này được gắn kèm ở hầu hết ở các chủng loại điện thoại hoặc các thiết bị cá nhân khác Hướng tiếp cận này đã và đang nhận được sự quan tâm của cộng đồng nghiên cứu trong thời kỳ phát triển của cuộc cách mạng công nghiệp 4.0 Các nghiên cứu liên quan đến nhận dạng hành động, hành vi giao thông sử dụng cảm biến điện thoại được thể hiện ở một số công bố sau:

Hệ thống phân tích, hỗ trợ giám sát tai nạn giao thông dựa vào ba trục cảm biến gia tốc và tọa độ GPS kết hợp với cảm biến hình ảnh thu được từ điện thoại thông minh của tác giả Goregaonkar, Roma [16] và cộng sự đã phân tích, phát hiện các sự kiện giao thông rồi mô phỏng trên hệ thống bản đồ của đô thị cũng như cung cấp một số dịch vụ khác qua hệ thống máy chủ Dữ liệu cảm biến và các loại dữ liệu khác được gửi từ điện thoại về máy chủ để phân tích, tính toán thực hiện yêu cầu

bài toán, sau đó cung cấp kết quả, thông tin đến các đối tượng yêu cầu bằng bởi dịch vụ của máy chủ

Trong nghiên cứu của mình, tác giả Johnson, Derick A [17] và cộng sự đã xác định các kiểu lái xe dựa trên các hành vi được xác định từ dữ liệu cảm biến của điện thoại thông minh; trong đó tọa độ GPS được sử dụng như là một thành phần kết hợp với các cảm biến của điện thoại nhằm đưa ra những thông tin về các hành vi của người lái xe Việc kết hợp sử dụng GPS là một trong những yếu tố gây tiêu hao năng lượng của thiết bị di động

Cũng sử dụng cảm biến tọa độ, hệ thống hỗ trợ lái xe an toàn của Liu, Zhenyu [13] đã dựa trên cảm biến của điện thoại kết hợp với GPS, trong đó GPS được sử dụng kết hợp phát hiện trạng thái của hệ thống đồng thời xác định vị trí của các đối tượng trong bản đồ mô phỏng

Với trường hợp vị trí điện thoại cố định trên phương tiện hoặc hướng phương tiện di chuyển, các hành vi có thể xác định dựa trên mẫu dữ liệu tín hiệu của các trục tương ứng Do đó, có thể sử dụng kỹ thuật so khớp, đánh giá hành vi dựa vào ngưỡng thay đổi cho trước hoặc sử dụng phương pháp phân lớp để phát hiện, nhận dạng hành vi giao thông

Khi điện thoại thay đổi vị trí trong hành trình giao thông dẫn đến các trục tọa

độ của thiết bị không cố định so với hướng chuyển động của phương tiện Việc lấy mẫu dữ liệu của các hành vi không thể dựa vào từng trục tọa độ riêng biệt dẫn đến nhu cầu cần một phương pháp phân tích để làm rõ tính chất, mức độ của hành động, hành vi trên chuỗi dữ liệu thu được Một trong các phương pháp thường được áp dụng cho trường hợp này là sử dụng các thuộc tính đặc trưng Trên mỗi đoạn dữ liệu tín hiệu, sử dụng tập thuộc tính đặc trưng này để biến đổi, trích xuất dữ liệu cảm biến thành dữ liệu đặc trưng với mong muốn áp dụng các kỹ thuật khác nhau trên dữ liệu mới - dữ liệu đặc trưng nhằm nhận dạng hành động, hành vi giao thông

Dựa trên các mẫu dữ liệu tín hiệu của hành vi đã được thu thập và tiền xử lý, hai phương pháp phổ biến thường được sử dụng nhận dạng hành động, hành vi giao thông đó là so khớp với dữ liệu mẫu và phương pháp phân lớp dữ liệu để tìm ra các

hành động, hành vi theo yêu cầu của bài toán Tùy vào từng yêu cầu, điều kiện cụ thể sẽ lựa chọn, áp dụng những phương pháp hợp lý để thu được kết quả khả quan bởi các phương pháp đánh giá kết quả khác nhau

Phương pháp nhận dạng hành vi bất thường sử dụng cảm biến điện thoại thông minh được đề xuất trong nghiên cứu [18] của tác giả Ali, Aya Hamdy và các cộng sự thu thập 8 mẫu hành động là rẽ trái, rẽ phải, sang làn bên trái, sang làn bên phải và rẽ trái bất thường, rẽ phải bất thường, sang làn bên trái bất thường, sang làn bên phải bất thường làm dữ liệu mẫu hành vi cho hệ thống nhận dạng Tác giả sử dụng hai kỹ thuật để phát hiện hành vi đó là kỹ thuật phân lớp bởi thuật toán k-NN

và kỹ thuật so khớp sử dụng DTW Thực nghiệm được tiến hành trên phương tiện ô

tô, thu thập dữ liệu trong thành phố Thiết bị thu cảm biến gắn cố định vào phương tiện trong quá trình thực nghiệm Kỹ thuật lọc thông thấp được áp dụng khi tiền xử

lý dữ liệu giúp hệ thống có dữ liệu giảm nhiễu, ổn định, hiệu quả trong việc đoán nhận Kết quả nhận dạng đối với k-NN đánh giá trên độ đo chính xác là 98.67%; với

kỹ thuật DTW, độ chính xác là 96.75% Kết quả nghiên cứu cho thấy, kỹ thuật phân lớp trong trường hợp này cho thấy kết quả tốt hơn kỹ thuật DTW Nghiên cứu đã cho thấy, nhận dạng hành vi sử dụng cảm biến dựa trên phương pháp phân lớp cho kết quả cao hơn

Trong nghiên cứu [19] của tác giả Li Liu và các cộng sự dùng cảm biến gia tốc sử dụng kỹ thuật trích xuất dữ liệu đặc trưng từ dữ liệu cảm biến thu được trong trường hợp vị trí điện thoại thu dữ liệu được xác định trước Tác giả đã xây dựng kỹ thuật nhận dạng 18 hành động dựa trên từ điển các mẫu tín hiệu “shapelet dictionary”; đồng thời so sánh với các thuật toán phân lớp khác nhau như: J48, LR, ANN, NB, k-NN, DT và SVM Thực nghiệm sử dụng công cụ Weka, áp dụng đánh giá kết quả bởi kỹ thuật kiểm chứng chéo - CV10 trên tập dữ liệu huấn luyện thu được Kết quả độ chính xác trung bình của các hành động cao nhất của phương pháp đề xuất là 96.54%; thuật toán phân lớp cho kết quả độ chính xác cao nhất đối với ANN là 96.44%; thấp nhất đối với DT 62.46% Tuy nhiên, giới hạn của nghiên cứu là vấn đề thời gian phát hiện khi số lượng mẫu lớn, tăng nhanh cũng như thực

hiện với vị trí điện thoại cố định sẽ không được thân thiện khi ứng dụng vào thực tiễn Nghiên cứu cũng cho thấy, độ chính xác được đánh giá bởi phương pháp kiểm chứng chéo 10 – fold dựa trên các bộ phân lớp thực hiện bởi Weka là khả thi và tin cậy được

Nhận dạng, phát hiện các hành vi an toàn hay không an toàn sử dụng cảm biến gia tốc của điện thoại trong nghiên cứu [20] được Vavouranakis và các cộng sự thực hiện Tác giả kết hợp cảm biến gia tốc, con quay hồi chuyển và từ kế để xác định giá trị thay đổi trên các trục và các góc xoay của dữ liệu cảm biến gia tốc Kỹ thuật cửa sổ phân đoạn dữ liệu cảm biến thành các cửa sổ dữ liệu có kích thước 2 giây được sử dụng để tính toán sự thay đổi của đại lượng cần được tính toán Qua

đó, đánh giá, xác định các hành vi bằng phương pháp so các giá trị này với ngưỡng giá trị được chọn trước nhằm đánh giá các hành vi đó an toàn hay không an toàn Thực nghiệm nhận dạng 12 hành vi là: tăng tốc nhanh, tăng tốc an toàn, giảm tốc đột ngột, giảm tốc an toàn; rẽ trái, rẽ phải an toàn, rẽ trái, rẽ phải không an toàn, sang đường bên trái, bên phải an toàn và không an toàn

Phương pháp sử dụng ngưỡng giá trị thay đổi của các góc xoay phù hợp với thực tiễn Tuy nhiên, xác định được các ngưỡng giá trị thay đổi của các hành vi xảy

ra trong một thời gian ngắn là một sự khó khăn, bởi mỗi cá nhân, mỗi điều kiện, hoàn cảnh thực nghiệm có sự khác nhau và dữ liệu cảm biến gia tốc của điện thoại thường có nhiều nhiễu, khó xác định chính xác Việc lựa chọn ngưỡng phù hợp cũng phụ thuộc vào các yếu tố các biệt, gây nhiễu, cần được khảo sát chi tiết, lựa chọn chính xác trong từng điều kiện cụ thể

Các hành vi lái xe không bình thường được nhận dạng bằng tín hiệu cảm biến của điện thoại gắn cố định trên phương tiện được tác giả Yu, Jiadi cùng cộng

sự nghiên cứu trong nghiên cứu [15] nhằm phát hiện 6 hành vi lái xe bất thường Phương pháp thu thập và trích xuất dữ liệu bởi 152 thuộc tính gồm 16 thuộc tính gốc và 136 thuộc tính dẫn xuất Các hành vi bất thường sử dụng trong thực nghiệm

là rẽ trái và rẽ phải liên tục (weaving), chuyển hướng đột ngột (swerving), trượt võng (slidelipping), quay đầu đột ngột (Fast U- turn), rẽ với góc rộng, và phanh đột

ngột Tập dữ liệu trích xuất được sử dụng để xây dựng mô hình đoán nhận các hành

vi bất thường dựa trên hai thuật toán là véc tơ tựa và mạng nơ ron Kết quả độ chính xác trung bình phát hiện các hành vi bất thường với véc tơ tựa là 95.36% và với mạng nơ ron là 96.88%

Các hành động rẽ trái, rẽ phải, quay đầu; rẽ trái bất ngờ, rẽ phải bất ngờ, quay đầu bất ngờ, sang làn đường bên trái, sang làn đường bên phải dựa vào các cảm biến gia tốc, con quay hồi chuyển và từ kế cùng GPS đã được tác giả Derick A Johnson và cộng sự với nghiên cứu thực hiện trong nghiên cứu [5] Hệ thống nhận dạng các kiểu lái xe này có tên là “MIROAD” sử dụng điện thoại thông minh gắn

cố định ở chính giữa của ô tô để nhận dạng các kiểu hành động Dữ liệu cảm biến được thu với tần số 25Hz và GPS được sử dụng cho việc tính toán tốc độ của phương tiện Nghiên cứu khảo sát dựa trên các tập dữ liệu với các dữ liệu cảm biến khác nhau đó là tập dữ liệu biến gia tốc thô; tập dữ liệu có giá trị cảm biến gia tốc

đã được xử lý chuyển hướng được tính từ ma trận chuyển bởi sự kết hợp với dữ liệu con quay hồi chuyển và từ kế; tập mẫu dữ liệu của các hành động được thu thập làm

cơ sở đoán nhận các hành động bằng kỹ thuật so khớp (DTW) Kết quả của nghiên cứu cho thấy, nếu chỉ sử dụng một mình dữ liệu cảm biên gia tốc sẽ thấp hơn (độ chính xác 23% với cảm biến gia tốc, 46% với con quay hồi chuyển khi nhận dạng hành vi quay đầu) so với kết hợp với kết hợp cả ba loại dữ liệu cảm biến với nhau (độ chính xác 77% khi nhận dạng hành vi quay đầu) Tác giả đã đưa ra các khái niệm về các hành động cơ bản của người lái xe trên mỗi phương tiện để từ đó xây dựng nên cách đánh giá kiểu dạng lái xe; và cho thấy kỹ thuật so khớp DTW có kết quả khả quan trong nhận dạng các hành động Tuy nhiên, nghiên cứu vẫn cần phải

cố định điện thoại thông minh

Một số nghiên cứu nhận dạng các hành vi lái xe nguy hiểm dựa trên điện thoại có thể thay đổi vị trí khi phương tiện đang di chuyển như nghiên cứu [21] của tác giả Li, Fu và các cộng sự Tuy nhiên, điện thoại vẫn đặt nằm ngang ở các vị trí khác nhau trên xe taxi ở Bắc Kinh, Trung Quốc khi thu thập dữ liệu cảm biến gia tốc và con quan hồi chuyển nhằm phát hiện 4 mẫu dạng hành vi lái xe nguy hiểm

Phương pháp tính các góc xoay của hệ tọa độ phương tiện so với hệ tọa độ của trái đất được áp dụng, từ đó có thể xác định độ lớn của góc xoay khi phương tiện rẽ trái

và rẽ phải, kết hợp với tốc độ của phương tiện để xác định hành vi nguy hiểm Kết quả của nghiên cứu khi phát hiện các hành vi bất thường chính xác đến 90% Nghiên cứu chỉ thực hiện trên phương tiện ô tô trong môi trường cụ thể có độ ổn định nhất định khi thực nghiệm

Qua một số nghiên cứu trên cho thấy, các bài toán phát hiện, nhận dạng hành động, hành vi giao thông phụ thuộc và chịu tác động lớn từ việc xác định, thu thập các mẫu dữ liệu tín hiệu cảm biến, sự thay đổi vị trí gây nhiễu dẫn đến sự sai lệch khi lấy dữ liệu mẫu Kỹ thuật giảm nhiễu của dữ liệu tín hiệu thô thường được tiến hành theo hai phương pháp cơ bản là sử dụng một đại lượng được biến đổi từ giá trị trên cả ba trục tọa độ, giá trị này ít chịu ảnh hưởng do các trục tọa độ thay đổi khi phương tiện di chuyển Phương pháp tiếp theo là sử dụng các kỹ thuật chuyển trục nhằm giảm nhiễu dữ liệu như trong nghiên cứu [14] của tác giả Jing Chen và các cộng sự đã sử dụng các cảm biến của điện thoại thông minh để xác định một số hành vi khi người tham gia giao thông điều khiển phương tiện có hành vi nguy hiểm như đi nhanh, thay đổi hướng lái xe bất thường và thay đổi tốc độ bất thường với kết quả trung bình về độ đo chính xác (Precision) là 93.95% và độ đo hồi tưởng (Recall) là 90.54% Tác giả cố định điện thoại trên mặt phẳng nằm ngang với tần số 1Hz và dữ liệu được biến đổi hệ tọa độ theo hệ tọa độ của trái đất và sử dụng lọc dữ liệu sử dụng hàm lọc trước khi sử dụng nhằm giảm nhiễu dữ liệu

Trong phương pháp biến đổi dữ liệu cảm biến thô thành dữ liệu đặc trưng dựa trên kỹ thuật phân đoạn chuỗi tín hiệu thành các cửa sổ dữ liệu được đề cập ở một số nghiên cứu nhận dạng các hành động, hành vi cả khi vị trí điện thoại cố định hoặc không cố định Dựa trên dữ liệu đặc trưng thu được làm cơ sở phân tích, đánh giá, xây dựng hệ thống nhận dạng hành vi, từ đó đưa ra các kết luận về các loại hành động, hành vi giao thông

Vấn đề gặp phải của hướng tiếp cận này đó là lựa chọn được kích thước cửa

sổ và chồng dữ liệu phù hợp, chứa đầy đủ thông tin về một hành động, hành vi Dựa

vào các tập thuộc tính để biến đổi thành các giá trị đặc trưng đại diện cho tính chất của các hành động, hành vi đó Một số nghiên cứu đã khảo sát và đưa ra tập thuộc tính dựa trên các miền khác nhau đó là miền thời gian, miền tần số Như trong nghiên cứu [22] của tác giả Pham Cuong và cộng sự phát hiện các hoạt động của người điều khiển phương tiện dựa theo hướng tiếp cận sử dụng trích xuất đặc trưng trên các cửa sổ dữ liệu cảm biến điện thoại thông minh Thực nghiệm tiến hành trên

12 đối tượng để điện thoại thông minh trong túi, phát hiện 07 hoạt động đi bộ, chạy,

đi xe đạp, dừng, đi ô tô, lái xe và hành động khác Vị trí của điện thoại được xác định nên tập thuộc tính đề xuất là các giá trị về thống kê, năng lượng và có 2 tham

số Hjorth – Mobility và Hjorth Complexity tham gia vào trích xuất các đặc trưng qua đó xây dựng tập dữ liệu huấn luyện cho hệ thống nhận dạng bởi phương pháp phân lớp

Một số nghiên cứu cũng áp dụng phương pháp sử dụng thuật toán ANN như trong nghiên cứu [23] của tác giả Ronao, Charissa Ann và cộng sự Tác giả cho thấy một hướng tiếp cận mới khi nhận dạng 6 hành vi của người từ cảm biến gia tốc và con quay hồi chuyển của điện thoại thông minh được đặt trong túi của các đối tượng thực nghiệm Kỹ thuật học sâu 4 lớp, véc tơ dữ liệu đầu vào được xây dựng gồm

128 giá trị dữ liệu cảm biến của điện thoại tương ứng với 2.56 giây, tần số 50Hz và cửa sổ trượt chồng 50% Kết quả trung bình độ chính xác khi thực hiện hệ thống cao nhất là 94.79% với dữ liệu thô và 95.75% với dữ liệu tín hiệu được xử lý bởi các kỹ thuật áp dụng trong miền tần số

Từ một số nghiên cứu trên cho thấy, các khái niệm về hành động, hành vi, hành vi giao thông bất thường Dữ liệu đầu vào cho hệ thống nhận dạng hành vi cũng như các điều kiện thu thập, phân tích dữ liệu và phương pháp nhận dạng tùy thuộc vào yêu cầu của bài toán Do đó, vấn đề xây dựng dữ liệu mẫu làm cơ sở cho phát hiện, đoán nhận các hành động, hành vi là một yêu cầu quan trọng nhằm xác địch hướng tiếp cận xây dựng hệ thống nhận dạng

Các nghiên cứu cũng cho thấy hiệu quả của việc kết hợp nhiều loại cảm biến khác nhau trong bài toán phân tích hành vi Tuy nhiên, việc chỉ sử dụng dữ liệu cảm

biến gia tốc sẽ phù hợp với các điện thoại phổ biến và ít tiêu hao năng lượng Đồng thời, xác định các lựa chọn thuộc tính đặc trưng sao cho phù hợp với yêu cầu bài toán là cần thiết tác động trực tiếp đến kết quả thực hiện hệ thống Bên cạnh đó, phương pháp phân lớp là một trong những phương pháp phổ biến được sử dụng cho bài toán nhận dạng hành vi giao thông sử dụng cảm biến điện thoại

1.5 Phương pháp nhận dạng hành vi giao thông dựa trên cảm biến

Dữ liệu tín hiệu cảm biến mang theo trong khi điều khiển phương tiện tham gia giao thông chịu ảnh hưởng bởi nhiều yếu tố nên việc lựa chọn số lượng, chủng loại cảm biến sẽ ảnh hưởng tới phương pháp nhận dạng hành vi Trong bài toán nhận dạng hành vi bất thường, cảm biến hình ảnh, cảm biến khoảng cách, cảm biến gia tốc, GSP và một số cảm biến chuyên dụng khác thường được sử dụng kết hợp với nhau để thực hiện hệ thống nhận dạng trên các loại phương tiện, thiết bị khác nhau đặc biệt là những phương tiện hiện đại [24][25] Lựa chọn sử dụng chỉ mình cảm biến gia tốc để phân tích, nhận dạng hành vi bất thường có ý nghĩa thực tiễn bởi tính phổ biến của điện thoại có gắn cảm biến này cũng như ít tiêu hao năng lượng phù hợp với điều kiện, môi trường giao thông đô thị ở Việt Nam

Ở từng loại phương tiện khác nhau, do kết cấu, đặc thù cũng như quy định riêng về cách thức vận hành cũng là một thành tố có thể sử dụng làm điều kiện để đánh giá các hành vi giao thông Dựa vào các thông tin, trạng thái của phương tiện nhận dạng được bởi dữ liệu cảm biến có thể xác định, đánh giá hành vi giao thông [11][26]

Trong khuôn khổ của Luận án, chúng tôi tập trung vào phân tích dữ liệu cảm biến của điện thoại thông minh mang theo khi tham gia lưu thông nhằm nhận dạng hành vi giao thông, trong đó tập trung vào các hành vi bất thường Thông tin về hành vi chứa trong dữ liệu tín hiệu cảm biến được xử lý, phân tích với các phương pháp nhận dạng nhằm tìm ra những hành vi có tính bất thường Một số nghiên cứu

đề cập đến vấn đề này trong công bố [27][28][29] Các nghiên cứu theo hướng tiếp cận này cho thấy một số vấn đề nổi lên đó là:

- Việc lựa chọn cảm biến tham gia vào nhận dạng hành vi được quan tâm ở các nghiên cứu Nếu kết hợp nhiều loại dữ liệu với nhau sẽ có kết quả khả quan Tuy nhiên, hệ thống sẽ tiêu hao năng lượng nhiều hơn và cũng cần nguồn tài nguyên phần cứng nhiều hơn Hơn thế nữa, vị trí của thiết bị cảm biến là một điều kiện quan trọng liên quan tới cách thức xây dựng và thực hiện hệ thống Xác định trước vị trí có thể xây dựng tập dữ liệu mẫu của hành động, hoạt động, hành vi dựa trên các trục tọa độ tương ứng với hướng chuyển động chính xác hơn [15] Nếu thiết bị cảm biến thay đổi vị trí tùy ý, hệ trục tọa độ thay đổi dẫn đến việc xác định mẫu gặp khó khăn cần được hỗ trợ bởi các kỹ thuật tiền xử lý[12][30] Tuy nhiên, lựa chọn này lại tạo được sự thuận tiện cho người sử dụng khi có thể dùng điện thoại với các mục đích khác nhau Trong trường hợp này, hướng tiếp cận biến đổi

dữ liệu cảm biến thành dữ liệu đặc trưng cho hệ thống nhận dạng thường được sử dụng

- Hướng tiếp cập trích xuất đặc trưng dựa trên phân đoạn dữ liệu cảm biến được nhiều nghiên cứu quan tâm Tuy nhiên, lựa chọn kích thước của đoạn dữ liệu tương ứng với các hành vi cũng như xác định tập thuộc tính phù hợp với yêu cầu bài toán gặp nhiều khó khăn, tác động đến kết quả nhận dạng

- Hành động, hành vi bất thường xảy ra nhanh và khó phát hiện Việc thu mẫu

dữ liệu của các hành vi này gặp nhiều khó khăn Ngoài ra, do những đặc trưng của hành vi bất thường trên từng đối tượng, phương tiện và môi trường tạo ra sự khó khăn cho việc lựa chọn phương pháp đánh giá đâu là hành vi bất thường và ngược lại [15][29] nên cần có những hướng tiếp cận phù hợp để đưa ra giải pháp nhận dạng hành vi bất thường một cách hợp lý và hiệu quả Đặc biệt là ở môi trường giao thông đô thị đa dạng các phương tiện, phổ biến như xe máy, xe đạp và một số phương tiện công cộng khác Vì vậy, xây dựng hệ thống nhận dạng hành vi giao thông bất thường hiệu quả là nhiệm vụ cần thiết đặt ra khi xây dựng các hệ thống liên quan

Từ những vấn đề trên cho thấy, phân tích hành vi bất thường của người tham gia giao thông sử dụng cảm biến điện thoại thông minh đang là vấn đề nhận được

nhiều sự quan tâm của cộng đồng nghiên cứu, thể hiện qua các công bố và đã chỉ ra một số vấn đề tồn tại trong việc nhận dạng hành vi bất thường

Để nhận dạng được hành vi giao thông, một trong những phương pháp thường được sử dụng đó là nhận dạng các hành động cơ bản của các đối tượng trên các phương tiện để lấy làm cơ sở cho nhận dạng hành vi – hành vi giao thông bất thường của người điều khiển phương tiện tham gia giao thông Tác giả đưa ra các

bước nghiên cứu tổng thể để thực hiện yêu cầu bài toán đặt ra như Hình 1-1 dưới

đây:

NHẬN DẠNG PHƯƠNG TIỆN

NHẬN DẠNG HÀNH ĐỘNG

(Chương 2)

NHẬN DẠNG HÀNH VI

Hình 1-1 Hướng nghiên cứu tổng thể của bài toán nhận dạng hành vi

Việc nhận dạng hành vi thường gắn đến một phương tiện nhất định, nhận dạng được phương tiện sẽ dễ dàng xác định được các hành động, hành vi tương ứng, có tính chất đặc thù với phương tiện đó Do vậy, tác giả đã nghiên cứu và nhận dạng các loại phương tiện và được công bố trong công trình [CT4] của mình – phần

được vẽ nét đứt trong Hình 1-1 Tuy nhiên, để làm rõ hơn các kỹ thuật nhận dạng

hành động, hành vi, tác giả chỉ và tập trung vào phân tích dữ liệu cảm biến, nhận dạng hành động được trình bày trong chương 2 và nhận dạng hành vi – hành vi bất thường được trình bày trong chương 3

Từ đó, chúng tôi đề xuất phương pháp nhận dạng hành vi giao thông bất thường dựa trên cảm biến gia tốc như Hình 1-2 dưới đây:

THU THẬP,

TIỀN XỬ LÝ

DỮ LIỆU

NHẬN DẠNG HÀNH ĐỘNG

Chương 2

NHẬN DẠNG HÀNH VI

Chương 3 LOẠI HÀNH VI BẤT THƯỜNG

Hành động

Hành vi bất thường

Hình 1-2 Hệ thống phân tích hành vi bất thường

Hệ thống được chia thành các mô đun gồm thực hiện thu thập dữ liệu cảm biến Sau đó áp dụng các kỹ thuật tiền xử lý dữ liệu để xây dựng dữ liệu đầu vào cho mô đun nhận dạng hành động giao thông và nhận dạng hành vi bất thường Dựa trên hành động giao thông đã nhận dạng được làm cơ sở sẽ tiến hành nhận dạng hành vi bất thường

Với phương pháp này, việc thu thập, phân tích dữ liệu cảm biến và nhận dạng hành vi giao thông được thực hiện trên điện thoại cá nhân Kết quả nhận dạng sẽ được gửi lên hệ thống máy chủ nhằm kết hợp, thực hiện những dịch vụ, tiện ích khác nhau Các kết quả của hệ thống được trình bày trong các công bố [CT1], [CT2], [CT3], [CT4]

1.6 Kết luận

Trong chương này, chúng tôi đã tìm hiểu, khảo sát các nghiên cứu liên quan đến bài toán nhận dạng hành vi Làm rõ một số khái niệm cơ bản về hành động, hành vi, hành vi bất thường trong lĩnh vực giao thông Tìm hiểu phương pháp, kỹ thuật phân tích, nhận dạng hành vi, đặc biệt là hướng tiếp cận sử dụng dữ liệu cảm biến điện thoại thông minh thu được của người điều khiển phương tiện Từ đó, xây dựng giải pháp nhận dạng hành động, hành vi bất thường dựa trên cảm biến gia tốc Các kỹ thuật thu thập dữ liệu cảm biến, tiền xử lý dữ liệu, nhận dạng bằng phương pháp phân lớp được áp dụng để thực yêu cầu của hệ thống nhận dạng Qua đó, dựa trên hành động nhận dạng được để đề xuất giải pháp nhận dạng hành vi giao thông bất thường [CT1], [CT2], [CT3], [CT4]

Chương 2 NHẬN DẠNG HÀNH ĐỘNG GIAO THÔNG

2.1 Giới thiệu

Trong bài toán phân tích, nhận dạng hành vi giao thông, nhận dạng và phát hiện cử chỉ, hành động của người điều khiển phương tiện là một trong những bài toán cơ sở Do các cử chỉ, hành động cấu thành nên hành vi của đối tượng đó

Trong chương này, Luận án tập trung vào việc nhận dạng hành động cơ bản của các đối tượng điều khiển phương tiện giao thông dựa trên tín hiệu cảm biến thu được từ điện thoại mang theo Hướng tiếp cận sử dụng biến đổi dữ liệu cảm biến thô thành dữ liệu đặc trưng áp dụng kỹ thuật cửa sổ dữ liệu với tập thuộc tính đặc trưng được khảo sát và lựa chọn

Với dữ liệu đặc trưng đã được biến đổi, phương pháp phân lớp được áp dụng

để nhận dạng các hành động cơ bản dựa trên sự khảo sát, phân tích kích thước của các cửa sổ tương ứng Các hành động cơ bản này là: rẽ trái, rẽ phải, đi thẳng và dừng của đối tượng tham gia giao thông Kết quả hệ thống nhận dạng hành động được sử dụng làm cơ sở để đánh giá, nhận dạng hành vi bất thường xảy ra

2.2 Sử dụng dữ liệu cảm biến để nhận dạng hành động giao

thông

Sử dụng tín hiệu cảm biến của điện thoại mang theo để phân tích, nhận dạng ngày càng được phổ biến và sử dụng với các yêu cầu khác nhau trong nhiều hệ thống thông minh Một số hướng nghiên cứu đã sử dụng cảm biến hình ảnh thu được từ camera hoặc kết hợp nhiều cảm biến khác nhau để nhận dạng hành động Tuy nhiên, hướng tới sự thuận lợi và tiết kiệm năng lượng của thiết bị Chúng tôi chỉ sử dụng thông tin, dữ liệu đầu vào là cảm biến gia tốc thu được từ điện thoại thông minh mang theo của người tham gia giao thông, vị trí của điện thoại có thể thay đổi trong hành trình Hệ thống thực hiện thu thập, xử lý dữ liệu để áp dụng các phương pháp phân lớp nhằm nhận dạng các hành động giao thông cơ bản [CT2], [CT4]

Xây dựng hệ thống nhận dạng khi vị trí của thiết bị có thể thay đổi trong quá trình di chuyển gặp nhiều đề khó khăn bởi hệ trục tọa độ thay đổi so với hướng chuyển động cũng như yêu cầu cần thu thập xây dựng tập dữ liệu mẫu có độ chính xác và ổn định Hơn thế nữa, hệ thống chỉ sử dụng mình dữ liệu cảm biến để nhận dạng nên cần phải đưa ra các giải pháp xử lý dữ liệu phù hợp đối với yêu cầu đặt ra

Dữ liệu cảm biến được thu thập, tiền xử lý, biến đổi dựa trên tập thuộc tính đặc trưng đề xuất dựa trên kỹ thuật cửa sổ dữ liệu Kích thước của cửa sổ dữ liệu là một trong những yếu tố tác động trực tiếp đến kết quả nhận dạng Do đó, cần phải khảo sát, đánh giá kích thước cửa sổ cũng như các phương pháp làm giảm khả năng mất mát thông tin khi phân đoạn dữ liệu Đồng thời, lựa chọn phương pháp phân lớp dựa trên tập dữ liệu đặc trưng biến đổi từ cửa sổ dữ liệu đã có nhằm nhận dạng ra các hành động giao thông cơ bản Cũng như cần có sự khảo sát, đánh giá lựa chọn thuật toán phân lớp phù hợp với yêu cầu bài toán và dữ liệu thu được nhằm thu được kết quả nhận dạng tốt hơn

2.3 Một số nghiên cứu liên quan

Để có được những thông tin hữu ích về các phương pháp, kỹ thuật đã thực hiện đối với bài toán nhận dạng hành động giao thông ở các nghiên cứu trước đây Chúng tôi thống kê một số công bố liên quan được trình bày trong Bảng 2-1 Qua

đó cho thấy, bài toán nhận dạng hành động giao thông sử dụng các phương pháp, kỹ thuật khác nhau dựa trên cảm biến điện thoại đã đạt được kết quả nhất định Các đối tượng nhận dạng, phát hiện được xác định tùy vào yêu cầu của từng hệ thống Trong

đó, đề cập đến một số đối tượng nhận dạng thường được đề cập đến đó là hành động giao thông, sự kiện giao thông, hoạt động giao thông xảy ra bình thường và cả bất thường

Dữ liệu trong các nghiên cứu thường kết hợp từ nhiều tín hiệu cảm biến với nhau như ở nghiên cứu [31][32][2][33][34] Một số nghiên cứu sử dụng dữ liệu cảm biến gia tốc để nhận dạng phương tiện và hành động như nghiên cứu [32] của tác giả Guvesan đề xuất thuật toán Healing để nhận dạng các loại phương tiện khác nhau dựa trên cảm biến gia tốc, con quay hồi chuyển và cảm biến từ; sử dụng các

mô hình phân lớp RF, J48, k-NN, NB để đánh giá và so sánh với kết quả của thuật toán được đề xuất

Khi sử dụng chỉ mình cảm biến gia tốc, vấn đề khó khăn đó là lựa chọn được kích thước của đoạn dữ liệu tương ứng với đối tượng nhận dạng Tiếp đến là khảo sát một tập thuộc tính phù hợp để tính toán, biến đổi ra các giá trị đặc trưng trên một cửa sổ dữ liệu Hơn nữa, mỗi loại hành động có những đặc điểm khác nhau nên cần khảo sát các kích thước cửa sổ dữ liệu khác nhau để tìm ra kích thước cửa sổ phù hợp

Đối với bài toán nhận dạng hành động giao thông, một số sự kiện, hành động, hành vi cơ bản của người điều khiển được thể hiện ở công bố của một số nghiên cứu liên quan trong Bảng 2-1 dưới đây

Nghiên

cứu Lái xe

Sử dụng dữ liệu

Phươn

g pháp

Đặc trưng Vị trí điện

thoại

Kết quả đánh giá

rẽ trái/phải đột ngột)

Gia tốc, Con quay hồi chuyển, Từ trường, gps, video

DTW

Cảm biến gia tốc trên trục:

x,y,z, con quay hồi chuyển, góc xoay

Cố định vị trí TP: 91%

SVM, k- Mean

Giá trị lớn nhất, bé nhất, Cố định

Accyracy: 65%

Lôgic

mờ

thời gian thay đổi độ lớn của cảm biến gia tốc, biến tốc, thay đổi hướng, trung bình tần xuất đi lạng lách, độ lệch chuẩn của thay đổi bất ngờ

Vị trí thay đổi TP > 90%

Phát hiện theo ngưỡn

g

Góc xoay vị trí thay

đổi TP > 90%

Yu et al

[15]

Đánh võng, rẽ lạc

tay lái, rê trượt,

quay đầu nhanh, rẽ

vòng rộng, phanh

đột ngột

Cảm biến gia tốc, Cảm biến chuyển hướng

SVM, KNN

152 thuộc tính miền thời gian vị trí thay

đổi

Accuracy: 96.88%

Phát hiện theo ngưỡn

g

Tính tốc đột từ gps và trục gia tốc, phát hiện hướng thay đổi dựa trên thay đổi của trục z của cảm biến

từ, bật tín hiệu

âm thanh

vị trí thay đổi

Precision: 93.95% Recall: 90.54%

Júnior et

al.[11]

Phanh bất ngờ, tăng

tốc bất ngờ, rẽ trái/phải bất ngờ,

chuyển làn trái/phải

bất ngờ, lái xe bình

thường

Cảm biến gia tốc, Cảm biến

từ, Con quay hồi chuyển, Cảm biến gia tốc tuyến tính

ANN, SVM,

RF,

BN

Miền thời gian:

trung bình, trung vị, độ lệch chuẩn, xu hướng tăng/

giảm

cố định vị trí

AUC: 0.980– 0.999

k-NN, DTW

Cảm biến gia tốc trên các trục: X,Y,Z

Cố định vị trí

Accuracy với DTW: 96,75% Với k-NN: 78,06%

Bảng 2-1 Một số nghiên cứu nhận dạng hành động giao thông

Qua các nghiên cứu trong Bảng 2-1 cho thấy đối tượng nhận dạng của mỗi bài toán là khác nhau được khảo sát theo thời gian công bố trong khoảng thời gian

từ năm 2011 đến năm 2017 Các nghiên cứu cũng dựa vào các nguồn cảm biến của điện thoại, với vị trí điện thoại có thể cố định hoặc thay đổi Sử dụng các độ đo đánh giá các giải thuật phân lớp khác nhau cho nhiều nhãn lớp hành vi Tuy nhiên, chúng có một số điểm chung đó là các hành động được lựa chọn dựa trên hai yếu tố

cơ bản: yếu tố thay đổi tốc độ và yếu tố điều khiển phương tiện chuyển hướng theo các hướng khác nhau khi tham gia giao thông Tùy thuộc vào mục đích đặt ra sẽ thực hiện nhận dạng, phát hiện tập các hành động theo tính chất, mức độ khác nhau Hướng tiếp cận kết hợp dữ liệu cảm biến gia tốc với các cảm biến khác như con quay hồi chuyển, GPS, cảm biến từ trường, cảm biến hình ảnh được các nghiên cứu