Tổng quan về luận án

Bối cảnh khoa học của nghiên cứu xuất phát từ thách thức an toàn giao thông đường bộ toàn cầu. Theo báo cáo của Tổ chức Y tế Thế giới (WHO), tai nạn giao thông là một trong 10 nguyên nhân gây tử vong hàng đầu, cướp đi sinh mạng của khoảng 1,2 triệu người mỗi năm, trong đó phần lớn thương vong tập trung tại các quốc gia có thu nhập thấp và trung bình với cấu trúc hạ tầng phức tạp. Tính tiên phong của luận án tiến sĩ "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, Đại học Quốc gia Hà Nội - Trường Đại học Công nghệ, tác giả Lữ Đăng Nhạc, dưới sự hướng dẫn của PGS. Nguyễn Hà Nam và PGS.TS Phan Xuân Hiếu) nằm ở việc thiết lập một khung kiến trúc điện toán biên di động tối ưu tài nguyên, giải quyết trọn vẹn bài toán nhận dạng hành động và phát hiện hành vi lái xe bất thường trong điều kiện giao thông hỗn hợp đặc thù.

Khoảng trống nghiên cứu (Research Gap) được chỉ rõ qua tổng quan y văn: hầu hết các nghiên cứu quốc tế tiền nhiệm (Johnson & Trivedi, 2011; Yu et al., 2016; Aya Hamdy Ali et al., 2017) đều phụ thuộc vào giả định thiết bị thu thập phải được gắn cố định trên giá đỡ phương tiện và bắt buộc tích hợp đa cảm biến tiêu tốn năng lượng (GPS, Con quay hồi chuyển - Gyroscope, Từ kế - Magnetometer, Camera quang học). Hơn nữa, các mô hình thực nghiệm quốc tế chủ yếu tập trung vào ô tô di chuyển trên các làn đường phân tách chuẩn hóa tại các nước phát triển, hoàn toàn không tương thích với động học di chuyển tự do của xe máy tại các đô thị Đông Nam Á. Luận án đặt ra hệ thống 03 câu hỏi nghiên cứu và 03 giả thuyết khoa học tương ứng:

  • RQ1: Làm thế nào để trích xuất đặc trưng động học chính xác từ chuỗi tín hiệu cảm biến gia tốc 3 trục duy nhất khi thiết bị di động ở trạng thái vị trí tùy biến (không cố định)? $\rightarrow$ H1: Sự kết hợp các thuộc tính miền thời gian, miền tần số và tham số Hjorth ($TFH_2$) sau khi biến đổi hệ tọa độ Euler sang hệ tọa độ Trái Đất sẽ duy trì độ chính xác phân lớp hành động cơ bản đạt AUC $\ge 0.95$.
  • RQ2: Kích thước cửa sổ trượt ($W$) và tỷ lệ chồng lấp ($k$) tối ưu cho từng nguyên ngữ hành động cơ bản (Đi thẳng, Dừng, Rẽ trái, Rẽ phải) là bao nhiêu nhằm cực đại hóa diện tích dưới đường cong ROC (AUC)? $\rightarrow$ H2: Mỗi hành động giao thông mang phổ động học riêng biệt, do đó việc tối ưu hóa động kích thước cửa sổ phân đoạn theo từng hành động sẽ vượt trội hơn phương pháp cố định cửa sổ truyền thống.
  • RQ3: Cơ chế phân đoạn vi cửa sổ (micro-window sub-segmentation) có thể phát hiện hành vi lái xe bất thường (lạng lách, đánh võng) từ chuỗi hành động cơ bản mà không cần huấn luyện mô hình bất thường phức tạp hay không? $\rightarrow$ H3: Độ phân kỳ nhãn hành động cục bộ trên các cửa sổ con so với nhãn hành động tổng thể vượt ngưỡng sai khác $\theta$ là điều kiện đủ để định lượng hành vi bất thường với độ chính xác cao.

Khung lý thuyết của công trình tích hợp Lý thuyết Xử lý Tín hiệu Số (Digital Signal Processing - Oppenheim & Schafer), Lý thuyết Khai phá Dữ liệu Chuỗi Thời gian (Time Series Mining - Keogh) và Lý thuyết Học máy Thống kê (Statistical Machine Learning - Vapnik). Tác động đột phá được lượng hóa bằng kết quả thực nghiệm: nâng cao độ chính xác phân lớp hành động cơ bản đạt AUC trên 0.98, vượt trội hơn các mô hình chuẩn khi kiểm thử trên tập dữ liệu benchmark quốc tế HTC Đài Loan, đồng thời giảm thiểu hơn 60% mức tiêu thụ năng lượng của thiết bị di động do loại bỏ hoàn toàn việc quét GPS liên tục. Phạm vi nghiên cứu bao quát dữ liệu giao thông thực tế thu thập từ người điều khiển xe máy tại Hà Nội cùng tập dữ liệu chuẩn HTC với hàng chục nghìn phân đoạn tín hiệu.

+-------------------------------------------------------------------------+
|                  KHUNG TỔNG QUAN NGHIÊN CỨU LUẬN ÁN                     |
+-------------------------------------------------------------------------+
| [Bối cảnh]: Tử vong do TNGT (WHO: 1.2 triệu người/năm)                  |
| [Khoảng trống]: Phụ thuộc GPS/Đa cảm biến, cố định vị trí, xe hơi       |
| [Mục tiêu]: Nhận dạng hành động/hành vi bất thường qua Accel 3 trục     |
| [Phương pháp]: Tọa độ Trái Đất + Đặc trưng TFH2 + Phân lớp + Vi cửa sổ |
| [Đóng góp]: 04 bài báo quốc tế (01 SCIE, 03 Scopus) - Tiết kiệm pin     |
+-------------------------------------------------------------------------+

Literature Review và Positioning

Các luồng nghiên cứu chính trên thế giới về nhận dạng hành vi giao thông phân hóa rõ rệt thành hai trường phái:

                                LUỒNG NGHIÊN CỨU Y VĂN
Trường phái Đa cảm biến & Phần cứng cố định             Trường phái Cảm biến Di động Tự do
(Johnson & Trivedi, 2011; Aya Hamdy Ali, 2017)        (Lữ Đăng Nhạc, 2019; Pham Cuong, 2017)
- Kết hợp Accel + Gyro + Mag + GPS + Video            - Tối ưu hóa duy nhất Cảm biến Gia tốc (Accel)
- Định vị thiết bị cố định trên cabin/xe hơi           - Cho phép điện thoại để túi, xoay chuyển tự do
- Nhược điểm: Hao pin, xử lý cồng kềnh, chi phí cao    - Khắc phục: Biến đổi hệ quy chiếu + Đặc trưng TFH
  1. Trường phái Đa cảm biến và Cố định phần cứng: Nghiên cứu hệ thống "MIROAD" của Johnson & Trivedi (2011) sử dụng cảm biến gia tốc, con quay hồi chuyển, từ trường và GPS gắn cố định giữa ô tô, áp dụng kỹ thuật Dynamic Time Warping (DTW) để nhận dạng chuyển hướng với tỷ lệ True Positive đạt 91%. Aya Hamdy Ali et al. (2017) kết hợp gia tốc và con quay hồi chuyển cố định trên ô tô, đạt độ chính xác 98.67% với thuật toán k-NN và 96.75% với DTW trên 8 mẫu hành vi. Tuy nhiên, các phương pháp này vấp phải điểm nghẽn nghiêm trọng: sự tiêu hao pin nhanh chóng do GPS và tính phi thực tế khi đòi hỏi người dùng phải gắn chặt điện thoại trên giá đỡ cố định.
  2. Trường phái Nhận dạng Dựa trên Trích xuất Đặc trưng Cửa sổ: Castignani et al. (2015) và Júnior et al. (2017) phát triển mô hình nhận dạng sử dụng các thuộc tính miền thời gian (Mean, Median, Standard Deviation) với các thuật toán SVM, Random Forest, Random Tree, đạt AUC từ 0.90 đến 0.999. Song song đó, Li et al. (2014) và Yu et al. (2016) trích xuất tới 152 thuộc tính để phát hiện các hành vi nguy hiểm (đánh võng, phanh gấp, trượt rê) đạt độ chính xác 96.88%. Dù vậy, độ phức tạp tính toán $O(N \cdot D)$ của 152 thuộc tính gây quá tải cho các bộ vi xử lý nhúng trên điện thoại tầm trung.

Tranh luận học thuật cốt lõi diễn ra giữa hai quan điểm đối lập:

  • Quan điểm 1 (Thiết bị cố định & Đa nguồn): Cho rằng dữ liệu gia tốc đơn lẻ chứa quá nhiều nhiễu và độ trôi dạt (drift), không thể phân tách chuyển động nếu thiếu con quay hồi chuyển và từ kế (Johnson & Trivedi, 2011).
  • Quan điểm 2 (Tự do hóa vị trí & Tối ưu năng lượng): Luận án của Lữ Đăng Nhạc khẳng định thông qua phép biến đổi ma trận quay Euler sang hệ tọa độ Trái Đất và tích hợp tham số Hjorth trên miền tần số, cảm biến gia tốc đơn nhất hoàn toàn có khả năng cung cấp đầy đủ thông tin phân lớp với độ chính xác tương đương hoặc vượt trội đa cảm biến.

Vị trí học thuật của luận án được xác lập: Là công trình tiên phong tại Việt Nam giải quyết trọn vẹn bài toán nhận dạng hành vi xe máy trong đô thị phức tạp bằng cảm biến gia tốc đơn lẻ ở chế độ vị trí tùy biến (bỏ túi quần, túi áo, balo), thiết lập cơ chế phát hiện hành vi bất thường theo mô hình phân tầng thứ bậc (Hierarchical Abnormality Detection).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết Động lực học Tín hiệu Sinh học (Biological Signal Dynamics) của Bo Hjorth (1970) sang lĩnh vực Động học Giao thông Di động (Mobile Traffic Kinematics). Ba tham số Hjorth kinh điển vốn dùng trong điện não đồ (EEG):

  • Hjorth Activity: Biểu thị phương sai biên độ tín hiệu gia tốc: $$\text{Activity} = \sigma_x^2 = \text{Var}(x(t))$$
  • Hjorth Mobility: Đại diện cho tần số trung bình của tín hiệu động lực học: $$\text{Mobility} = \sqrt{\frac{\text{Var}(x'(t))}{\text{Var}(x(t))}}$$
  • Hjorth Complexity: Đo lường sự biến đổi hình dạng sóng và độ lệch phổ tần: $$\text{Complexity} = \frac{\text{Mobility}(x'(t))}{\text{Mobility}(x(t))}$$

Luận án chứng minh rằng tham số Hjorth phản ánh chính xác các pha chuyển tiếp vi mô của tay lái xe máy khi chuyển hướng hoặc dao động thân xe bất thường, giải quyết bài toán thiếu hụt thuộc tính tần số động mà các phép biến đổi Fourier đơn thuần bỏ sót.

                              MÔ HÌNH LÝ THUYẾT PHÂN TẦNG
| TẦNG 1: CHUỖI TÍN HIỆU GIA TỐC 3 TRỤC THÔ (Raw Accelerometer: ax, ay, az) |
| TẦNG 2: KHÔNG GIAN ĐẶC TRƯNG ĐA MIỀN TFH2 (59 Thuộc tính T, F, Hjorth)    |
| TẦNG 3: NGUYÊN NGỮ HÀNH ĐỘNG CƠ BẢN (Dừng, Đi thẳng, Rẽ trái, Rẽ phải)   |
| TẦNG 4: HÀNH VI BẤT THƯỜNG (Lạng lách, Đánh võng, Đột ngột đổi hướng)    |

Khung phân tích độc đáo

Khung phân tích tích hợp 03 lý thuyết nền tảng:

  1. Lý thuyết Động học Vật lý Newton & Phép quay Euler: Chuẩn hóa véc-tơ gia tốc thiết bị $\mathbf{a}{dev} = [a_x, a_y, a_z]^T$ về hệ quy chiếu Trái Đất $\mathbf{a}{earth} = [a_{X'}, a_{Y'}, a_{Z'}]^T$ thông qua ma trận quay Euler toàn cục $R = R_x(\beta) R_y(\alpha) R_z(\phi)$: $$\mathbf{a}{earth} = R \cdot \mathbf{a}{dev}$$ loại bỏ triệt để sự phụ thuộc vào hướng đặt điện thoại.
  2. Lý thuyết Không gian Đặc trưng Đa miền (Multi-domain Feature Space): Xây dựng cấu trúc đặc trưng $TFH_2$ gồm 59 thuộc tính kết hợp:
    • Miền thời gian ($T_2$): Giá trị trung bình (Mean), Phương sai (Variance), Độ lệch chuẩn (Standard Deviation), Căn trung bình bình phương (RMS), Tỷ lệ vượt qua điểm cắt không (ZCR).
    • Miền tần số ($F_2$): Năng lượng phổ (Spectral Energy), Biến đổi Fourier nhanh (FFT).
    • Miền tham số Hjorth ($H_2$): Activity, Mobility, Complexity tính toán trên từng trục độc lập và trên độ lớn tổng hợp.
  3. Lý thuyết Quyết định Dựa trên Ngưỡng Phân kỳ Nhãn (Label Divergence Thresholding): Mô hình hóa hành vi bất thường thông qua tỷ lệ phân kỳ nhãn: $$\text{Anomaly Score} = \frac{1}{M} \sum_{j=1}^{M} \mathbb{I}\left(\mathcal{L}(w_j) \neq \mathcal{L}(W_{macro})\right)$$ Trong đó $W_{macro}$ là cửa sổ hành động cơ bản, $w_j$ là vi cửa sổ thứ $j$, $M$ là số lượng vi cửa sổ, $\mathcal{L}(\cdot)$ là hàm gán nhãn của bộ phân lớp, và $\mathbb{I}$ là hàm chỉ báo (Indicator function). Hành vi được gắn nhãn bất thường khi $\text{Anomaly Score} \ge \theta$.

Điều kiện biên (Boundary conditions): Mô hình áp dụng tối ưu cho các phương tiện hai bánh và bốn bánh di chuyển trong dải vận tốc đô thị ($0 - 80\text{ km/h}$), với tần số lấy mẫu cảm biến tối thiểu đạt $20\text{ Hz} - 50\text{ Hz}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu vận hành theo triết lý Thực chứng luận (Positivism) và Chủ nghĩa Thực tế Thực nghiệm (Empirical Realism), nhấn mạnh vào việc kiểm chứng giả thuyết định lượng thông qua thực nghiệm đối sánh đa biến. Thiết kế nghiên cứu đa tầng (Multi-level Design) bao gồm:

  • Tầng 1 (Thu thập dữ liệu thô): Ghi nhận dữ liệu gia tốc 3 trục từ các dòng điện thoại thông minh phổ thông gắn cảm biến MEMS (Micro-Electro-Mechanical Systems).
  • Tầng 2 (Tiền xử lý & Trích xuất đặc trưng): Làm sạch, lọc nhiễu, chuyển trục tọa độ và phân đoạn cửa sổ dữ liệu.
  • Tầng 3 (Phân lớp hành động cơ bản): Áp dụng các giải thuật học máy có giám sát.
  • Tầng 4 (Phát hiện bất thường): Giải thuật phân mảnh vi cửa sổ và so khớp ngưỡng phân kỳ.

Tiêu chí chọn mẫu nghiêm ngặt: Tuyển dụng 12 đối tượng thực nghiệm đa dạng về giới tính, độ tuổi và kinh nghiệm lái xe, thực hiện các kịch bản di chuyển thực tế trên các cung đường đô thị Hà Nội với phương tiện xe máy trong nhiều điều kiện giao thông khác nhau.

                           QUY TRÌNH THỰC NGHIỆM VÀ PHÂN TÍCH DỮ LIỆU
| 1. Thu thập Tín hiệu: Cảm biến gia tốc điện thoại (Tần số 50Hz, bỏ túi tự do, xe máy)         |
| 2. Tiền xử lý: Lọc thông thấp, Chuyển hệ tọa độ Euler sang Trái Đất (X', Y', Z')               |
| 3. Trích xuất Đặc trưng: 59 thuộc tính TFH2 (Thời gian, Tần số FFT, Tham số Hjorth)           |
| 4. Phân đoạn Động: Tối ưu kích thước cửa sổ W và tỷ lệ chồng lấp k theo từng hành động        |
| 5. Đánh giá Phân lớp: Kiểm chứng chéo CV10 trên Weka & Dl4jMlpClassifier                       |
| 6. Phát hiện Bất thường: Phân mảnh Vi cửa sổ W_sub và đối sánh Ngưỡng sai khác theta           |

Quy trình nghiên cứu rigorous

Quy trình bảo đảm tính chuẩn mực khoa học thông qua các giao thức nghiêm ngặt:

  • Chiến lược lấy mẫu & Thu thập dữ liệu: Tín hiệu gia tốc được ghi nhận ở tần số $50\text{ Hz}$. Kịch bản thu thập bao gồm 04 hành động cơ bản: Dừng (Stop), Đi thẳng (Straight), Rẽ trái (Turn Left), Rẽ phải (Turn Right) và các hành vi bất thường: Lạng lách, Đánh võng, Rẽ gấp, Phanh đột ngột.
  • Tam giác hóa phương pháp (Method Triangulation): Đánh giá song song giữa các mô hình Cây quyết định (J48, Random Forest), Mô hình Hàm số (SVM, Logistic Regression), Mạng Nơ-ron Nhân tạo (ANN, Deeplearning4j Multi-Layer Perceptron - Dl4jMlpClassifier), và Kỹ thuật So khớp Chuỗi Thời gian (Dynamic Time Warping - DTW).
  • Đảm bảo độ tin cậy và giá trị: Đánh giá tính hợp lệ cấu trúc (Construct validity) thông qua phân tích tương quan thuộc tính; kiểm định độ tin cậy mô hình thông qua phương pháp kiểm chứng chéo 10 phần (10-Fold Cross Validation - CV10), loại bỏ triệt để hiện tượng rò rỉ dữ liệu (Data leakage) và hiện tượng quá khớp (Overfitting).

Data và phân tích

Dữ liệu thô sau khi thu thập được xử lý trên nền tảng phần mềm Weka và thư viện mạng nơ-ron sâu Deeplearning4j (Java). Các thử nghiệm thực hiện đối soát trên các tập thuộc tính phân đoạn:

  • Tập $H_2$ (Thuộc tính Hjorth thuần túy)
  • Tập $T_2$ (Thuộc tính Miền thời gian)
  • Tập $F_2$ (Thuộc tính Miền tần số)
  • Tập $TH_2$ (Thời gian + Hjorth)
  • Tập $TF_2$ (Thời gian + Tần số)
  • Tập $TFH_2$ (Thời gian + Tần số + Hjorth - 59 thuộc tính toàn diện)

Phép kiểm định độ vững chắc (Robustness checks) được tiến hành bằng cách so sánh hiệu năng giữa dữ liệu tọa độ gốc (Raw Sensor Data) và dữ liệu đã chuyển đổi hệ quy chiếu Trái Đất (Transformed Coordinate Data), đồng thời kiểm thử chéo trên bộ dữ liệu benchmark công khai HTC (Đài Loan) để chứng minh tính tổng quát hóa không phụ thuộc vào thiết bị thu thập.

Phát hiện đột phá và implications

Những phát hiện then chốt

                                  KẾT QUẢ ĐỐI SÁNH HIỆU NĂNG
| Tập Thuộc tính / Mô hình | Độ đo Đánh giá        | Giá trị Đạt được                            |
| Dữ liệu Biến đổi Tọa độ  | Accuracy              | Tăng 8.4% - 12.6% so với Dữ liệu Thô        |
| Tập Đặc trưng TFH2       | AUC (Random Forest)   | Đạt > 0.98 trên toàn bộ 04 Hành động        |
| Kích thước Cửa sổ W Tối ưu| AUC Phân đoạn         | Dừng (W=128), Đi thẳng/Rẽ (W=256, Overlap 50%)|
| Mô hình Đề xuất vs DTW   | F-Measure Bất thường  | Giải pháp Đề xuất: 95.8% | DTW: 82.4%       |
| Benchmark Dữ liệu HTC    | Accuracy              | Vượt trội từ 2.3% đến 5.1% so với Baseline  |
  1. Hiệu ứng vượt trội của Biến đổi Tọa độ Trái Đất: Kết quả thực nghiệm khẳng định dữ liệu sau biến đổi ma trận quay Euler giúp các giải thuật phân lớp tăng độ chính xác từ $8.4%$ đến $12.6%$ so với dữ liệu thô khi điện thoại để trong túi người lái. Điều này đập tan giả định truyền thống cho rằng bắt buộc phải cố định điện thoại mới có thể phân tích hành vi lái xe chính xác.
  2. Sức mạnh hội tụ của Không gian Đặc trưng $TFH_2$: Sự tham gia của các tham số Hjorth ($H_2$) kết hợp cùng miền thời gian và tần số ($TF_2$) nâng diện tích dưới đường cong ROC (AUC) của mô hình Random Forest lên mức tối ưu:
    • Hành động Dừng: $\text{AUC} = 0.998$
    • Hành động Đi thẳng: $\text{AUC} = 0.985$
    • Hành động Rẽ trái: $\text{AUC} = 0.989$
    • Hành động Rẽ phải: $\text{AUC} = 0.991$
  3. Quy luật Động lực học Cửa sổ Phân đoạn: Luận án chỉ ra rằng kích thước cửa sổ tối ưu mang tính đặc thù theo từng hành động: hành động Dừng đạt cực đại phân lớp tại cửa sổ ngắn ($W = 128$ mẫu $\approx 2.56\text{ s}$), trong khi các hành động động học phức tạp (Rẽ trái, Rẽ phải, Đi thẳng) đạt cực đại tại cửa sổ dài ($W = 256$ mẫu $\approx 5.12\text{ s}$) với tỷ lệ chồng lấp $k = 50%$.
  4. Tính ưu việt của Cơ chế Vi cửa sổ trong Phát hiện Bất thường: Trong bài toán nhận dạng hành vi lạng lách/đánh võng trên xe máy, giải pháp đề xuất đạt độ chính xác phát hiện bất thường vượt trội ($95.8%$), đánh bại hoàn toàn thuật toán so khớp chuỗi thời gian DTW truyền thống ($82.4%$) và mạng nơ-ron sâu Dl4jMlpClassifier đơn thuần ($89.2%$).

Implications đa chiều

  • Về mặt Lý thuyết: Luận án chứng minh tính khả thi của việc mô hình hóa hành vi phức tạp thông qua cấu trúc phân tầng vi ngữ nghĩa (Micro-action Semantics), đóng góp luận cứ khoa học mới cho chuyên ngành Hệ thống Thông tin và Khai phá Dữ liệu Di động.
  • Về mặt Phương pháp luận: Thiết lập quy trình trích xuất đặc trưng $TFH_2$ tinh gọn, có khả năng áp dụng trực tiếp cho các bài toán nhận dạng hoạt động con người (Human Activity Recognition - HAR), phân tích cử chỉ y sinh, và giám sát sức khỏe từ xa.
  • Về mặt Thực tiễn: Cho phép các doanh nghiệp công nghệ gọi xe (Grab, Be, Gojek) và các đơn vị bảo hiểm số tích hợp trực tiếp thuật toán vào ứng dụng tài xế mà không làm nóng máy hay cạn kiệt pin, phục vụ chấm điểm an toàn lái xe (Driver Safety Scoring) theo thời gian thực.
  • Về mặt Chính sách: Cung cấp công cụ thu thập dữ liệu lớn (Big Data) về các điểm đen giao thông có mật độ lạng lách/phanh gấp cao, giúp Ủy ban An toàn Giao thông Quốc gia và các Sở Giao thông Vận tải quy hoạch hạ tầng đô thị thông minh chuẩn xác.

Limitations và Future Research

Luận án thẳng thắn chỉ rõ 03 giới hạn nghiên cứu chính:

  1. Giới hạn Môi trường Thời tiết và Địa hình: Dữ liệu thực nghiệm tập trung chủ yếu tại khu vực nội thành Hà Nội trong điều kiện đường nhựa bằng phẳng; chưa đánh giá toàn diện trên các địa hình đồi núi dốc hoặc đường ngập nước làm thay đổi gia tốc rung chấn.
  2. Đặc trưng Loại xe: Thực nghiệm chủ yếu thực hiện trên các dòng xe máy số và xe tay ga phổ thông; chưa bao quát các phương tiện xe đạp điện, xe máy điện có đặc tính gia tốc tức thời khác biệt.
  3. Hiện tượng Nhiễu Tương tác Người dùng: Khi người dùng vừa lái xe vừa cầm điện thoại thao tác (gọi điện, nhắn tin), tín hiệu rung lắc từ tay người có thể gây nhiễu cục bộ lên chuỗi phân đoạn vi cửa sổ.

Chương trình nghiên cứu tương lai (Future Research Agenda) vạch ra 04 hướng đột phá:

  • Hướng 1: Tích hợp các mạng nơ-ron hồi quy tiên tiến (LSTM, GRU) và kiến trúc Transformer siêu nhẹ (MobileViT/TinyBERT) trực tiếp trên chip xử lý thần kinh (NPU) của điện thoại thông minh.
  • Hướng 2: Mở rộng tập nhãn hành vi bất thường bao gồm: lái xe say xỉn (Drunk Driving), ngủ gật (Drowsy Driving), và vượt ổ gà/gờ giảm tốc bất ngờ.
  • Hướng 3: Triển khai kiến trúc Học liên kết (Federated Learning) nhằm huấn luyện mô hình hành vi người dùng phân tán, bảo vệ tuyệt đối quyền riêng tư vị trí và dữ liệu cá nhân.
  • Hướng 4: Xây dựng chuẩn giao tiếp V2X (Vehicle-to-Everything) dựa trên điện toán biên để truyền phát cảnh báo va chạm tức thì giữa các phương tiện lân cận trong thời gian trễ dưới $20\text{ ms}$.

Tác động và ảnh hưởng

                                  BẢN ĐỒ TÁC ĐỘNG VÀ ẢNH HƯỞNG
| HỌC THUẬT: 04 Công trình Quốc tế (01 SCIE, 03 Scopus) | Ước tính > 150 trích dẫn quốc tế         |
| CÔNG NGHIỆP: Tích hợp Hệ thống Telematics | Đánh giá Rủi ro Bảo hiểm Số (UBI: Giảm 20% tổn thất)|
| XÃ HỘI & CHÍNH SÁCH: Cắt giảm Tai nạn Xe máy Đô thị | Hỗ trợ Điều hành Giao thông Thông minh (ITS)|
  • Tác động Học thuật: Đóng góp trực tiếp vào kho tàng tri thức chuyên ngành Hệ thống Thông tin với 04 công trình khoa học uy tín được công bố (01 bài báo tạp chí quốc tế thuộc danh mục SCIE, 03 bài báo hội nghị quốc tế có bình duyệt thuộc danh mục Scopus: [CT1], [CT2], [CT3], [CT4]). Ước tính tiềm năng trích dẫn đạt trên 150 lượt trích dẫn trong vòng 5 năm trong các nghiên cứu về Mobile Sensing và Intelligent Transportation Systems.
  • Chuyển đổi Ngành Công nghiệp: Định hình giải pháp vi cảm biến Telematics thế hệ mới cho ngành bảo hiểm dựa trên hành vi lái xe thực tế (Usage-Based Insurance - UBI), giúp các hãng bảo hiểm cắt giảm tới 20% chi phí bồi thường gian lận nhờ dữ liệu hành vi minh bạch.
  • Lợi ích Xã hội & Quốc tế: Giảm thiểu nguy cơ tai nạn giao thông tại các quốc gia đang phát triển có tỷ lệ sử dụng xe máy cao (Việt Nam, Indonesia, Ấn Độ, Thái Lan), cung cấp mô hình mẫu cho việc giám sát an toàn giao thông chi phí thấp trên toàn cầu.

Đối tượng hưởng lợi

  1. Nghiên cứu sinh & Nhà khoa học trẻ: Tiếp cận khung phương pháp luận trích xuất đặc trưng đa miền $TFH_2$ và giải thuật phân đoạn vi cửa sổ làm cơ sở mở rộng cho các đề tài tiến sĩ về Internet vạn vật (IoT) và Xử lý tín hiệu cảm biến.
  2. Các Giáo sư & Chuyên gia Học thuật Cao cấp: Sở hữu cơ sở dữ liệu đối sánh và nền tảng lý thuyết vững chắc về phân tích hành vi phương tiện hai bánh trong điều kiện giao thông hỗn hợp.
  3. Bộ phận R&D của Doanh nghiệp Công nghệ: Trực tiếp kế thừa mã nguồn giải thuật phân lớp nhẹ, tối ưu hóa năng lượng để nhúng vào các ứng dụng gọi xe, bản đồ giao thông và thiết bị đeo thông minh (Wearables).
  4. Các Cơ quan Hoạch định Chính sách & Quản lý Đô thị: Ứng dụng báo cáo phân tích hành vi bất thường để thiết lập các chính sách cưỡng chế vi phạm giao thông tự động, quy hoạch làn đường và nâng cao văn hóa giao thông cộng đồng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Trả lời: Đóng góp lý thuyết độc đáo nhất là việc tái định hình Lý thuyết Tham số Hjorth ($H_2$) từ phân tích điện não sinh học sang không gian phân lớp động học chuỗi thời gian của cảm biến chuyển động di động. Luận án đã tích hợp thành công 3 tham số Hjorth (Activity, Mobility, Complexity) vào không gian đặc trưng đa miền ($TFH_2$), chứng minh toán học rằng sự kết hợp này cho phép bắt trọn các pha biến đổi đột ngột của phương tiện giao thông mà các hàm phân tích miền thời gian ($T_2$) hay biến đổi Fourier ($F_2$) truyền thống không thể phát hiện đơn lẻ.

2. Sự đổi mới về mặt phương pháp luận khi so sánh với ít nhất 02 nghiên cứu quốc tế tiền nhiệm?

Trả lời:

  • So với Johnson & Trivedi (2011): Công trình tiền nhiệm bắt buộc sử dụng đa cảm biến (Accel + Gyro + Mag + GPS + Video) gắn cố định giữa xe, gây tiêu hao pin lớn và chi phí cao. Luận án đổi mới bằng việc chỉ sử dụng duy nhất cảm biến gia tốc, cho phép vị trí điện thoại thay đổi tự do trong túi nhờ ma trận chuyển đổi tọa độ Trái Đất.
  • So với Aya Hamdy Ali et al. (2017): Nghiên cứu của Ali áp dụng k-NN và DTW trực tiếp trên tín hiệu thô cố định với độ phức tạp tính toán cao. Luận án đổi mới bằng phương pháp tiếp cận hai tầng: Phân lớp hành động cơ bản bằng Random Forest trên không gian $TFH_2$, sau đó phát hiện bất thường qua phân đoạn vi cửa sổ và ngưỡng sai khác, đạt hiệu năng xử lý tức thời (Real-time processing) trên thiết bị biên.

3. Phát hiện bất ngờ và phản trực giác nhất trong quá trình thực nghiệm là gì?

Trả lời: Phát hiện bất ngờ nhất là việc gia tăng số lượng cảm biến (kết hợp Gyroscope và GPS) không phải lúc nào cũng mang lại độ chính xác cao hơn tương xứng với lượng tài nguyên tiêu hao. Trong điều kiện điện thoại bỏ túi di chuyển trên xe máy, tín hiệu Gyroscope bị trôi dạt tích lũy (accumulated drift) và GPS bị trễ/mất sóng trong các hẻm phố đô thị, khiến mô hình đa cảm biến dễ bị quá khớp hoặc gián đoạn. Ngược lại, việc chỉ sử dụng gia tốc 3 trục được chuẩn hóa hệ tọa độ kết hợp không gian $TFH_2$ lại mang lại độ ổn định phân lớp cao hơn ($AUC > 0.98$) và kéo dài thời lượng pin của thiết bị gấp 3 lần.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không?

Trả lời: Luận án cung cấp tường minh toàn bộ giao thức tái lập bao gồm:

  • Công thức giải tích chuyển trục Euler ($R_x, R_y, R_z$) và công thức trích xuất 59 thuộc tính đặc trưng.
  • Bộ tham số chuẩn hóa cửa sổ ($W = 128, 256$, Overlap $k = 50%$).
  • Tham số cấu hình chi tiết của các bộ phân lớp trên Weka và Deeplearning4j (Rừng ngẫu nhiên - Random Forest với số cây $N_{trees}=100$, Mạng đa tầng Dl4jMlpClassifier với hàm kích hoạt và tốc độ học cụ thể).
  • Toàn bộ quy trình kiểm chứng chéo 10-Fold CV trên tập dữ liệu benchmark công khai HTC Đài Loan.

5. Lộ trình nghiên cứu 10 năm (10-year Research Agenda) được hoạch định như thế nào?

Trả lời: Lộ trình 10 năm xác định 3 giai đoạn chiến lược:

  • Giai đoạn 2020 - 2023: Nhúng mô hình phân tích biên (Edge AI) vào hệ sinh thái ứng dụng di động thông minh; hoàn thiện chuẩn nhận dạng cho xe gắn máy đô thị.
  • Giai đoạn 2024 - 2027: Mở rộng sang bài toán Đánh giá Sức khỏe Người lái Toàn diện (Driver Health & Distraction Monitoring), kết hợp mạng nơ-ron Transformer và cơ chế học sâu đa phương thức (Multimodal Deep Learning).
  • Giai đoạn 2028 - 2030: Tích hợp sâu vào Hệ sinh thái Giao thông Tự hành (Autonomous Vehicles & V2X Ecosystem), thiết lập hệ thống cảnh báo sớm va chạm đô thị diện rộng dựa trên điện toán đám mây phân tán và Học liên kết (Federated Learning).

Kết luận

Luận án tiến sĩ của tác giả Lữ Đăng Nhạc đã giải quyết xuất sắc các bài toán khoa học cốt lõi trong lĩnh vực nhận dạng hành vi giao thông, đúc kết thành 06 đóng góp đột phá có giá trị học thuật và thực tiễn cao:

                            06 ĐÓNG GÓP ĐỘT PHÁ CỦA LUẬN ÁN
+--------------------------------------------------------------------------------------------------+
| 1. Bộ thuộc tính TFH2: Tích hợp đột phá 59 đặc trưng Thời gian, Tần số và Tham số Hjorth         |
| 2. Ma trận Biến đổi Tọa độ: Cho phép nhận dạng chuẩn xác khi điện thoại ở vị trí tùy biến        |
| 3. Tối ưu Động Cửa sổ: Xác lập quy luật kích thước W và chồng lấp k theo từng nguyên ngữ hành động|
| 4. Cơ chế Vi cửa sổ Phát hiện Bất thường: Đạt độ chính xác 95.8%, vượt trội thuật toán DTW       |
| 5. Kiến trúc Tối ưu Năng lượng: Khai thác duy nhất cảm biến gia tốc, tiết kiệm pin vượt bậc      |
| 6. Hệ thống 04 Công trình Quốc tế: 01 SCIE và 03 Scopus khẳng định giá trị khoa học toàn cầu    |
+--------------------------------------------------------------------------------------------------+
  1. Xây dựng Không gian Đặc trưng Đa miền $TFH_2$ Hoàn chỉnh: Đề xuất bộ 59 thuộc tính tích hợp miền thời gian, miền tần số FFT và các tham số Hjorth (Activity, Mobility, Complexity), tạo ra bước nhảy vọt về khả năng biểu diễn động học tín hiệu cảm biến.
  2. Giải quyết Triệt để Bài toán Vị trí Thiết bị Tùy biến: Ứng dụng ma trận quay Euler biến đổi hệ tọa độ thiết bị về hệ tọa độ Trái Đất, giải phóng người dùng khỏi sự ràng buộc phải cố định điện thoại.
  3. Xác lập Quy luật Tối ưu Hóa Cửa sổ Phân đoạn Động: Tìm ra kích thước cửa sổ $W$ và tỷ lệ cắt chồng $k$ tối ưu riêng biệt cho từng hành động cơ bản (Dừng: $W=128$; Đi thẳng/Rẽ: $W=256$, Overlap $50%$) dựa trên tiêu chuẩn cực đại hóa AUC.
  4. Đề xuất Giải pháp Phát hiện Hành vi Bất thường Dựa trên Phân đoạn Vi cửa sổ: Thiết lập cơ chế phát hiện lạng lách, đánh võng thông qua đối sánh độ phân kỳ nhãn vi mô so với hành động cơ bản, đạt hiệu năng $95.8%$, vượt trội các phương pháp DTW kinh điển.
  5. Thiết lập Kiến trúc Điện toán Biên Tiết kiệm Năng lượng: Khai thác tối đa năng lực của cảm biến gia tốc đơn lẻ, loại bỏ sự phụ thuộc vào GPS/Gyroscope, mang lại khả năng triển khai thực tế trên diện rộng mà không gây hao pin thiết bị.
  6. Công bố Quốc tế Chuẩn mực: Tính đúng đắn và giá trị tiên phong của luận án được bảo chứng bởi 04 công trình khoa học quốc tế uy tín (01 SCIE, 03 Scopus), mở ra các hướng nghiên cứu mới về giao thông thông minh và an toàn số trong kỷ nguyên Đô thị Thông minh (Smart City).