Tổng quan về luận án
Nghiên cứu của tác giả Lữ Đăng Nhạc (2019) với đề tài "Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại", thuộc chuyên ngành Hệ thống Thông tin (Mã số: 9480401.01) tại 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, đã giải quyết một thách thức cốt lõi trong hệ thống giao thông thông minh (Intelligent Transportation Systems - ITS). Trong bối cảnh an toàn giao thông toàn cầu đang chịu sức ép nặng nề—khi theo báo cáo của Tổ chức Y tế Thế giới (WHO), tai nạn giao thông cướp đi sinh mạng của 1,2 triệu người mỗi năm và tập trung chủ yếu ở các quốc gia có thu nhập thấp và trung bình—thì hành vi của người điều khiển phương tiện là nhân tố trực tiếp dẫn đến rủi ro tai nạn.
Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định gồm ba rào cản kỹ thuật lớn:
- Đa số các mô hình quốc tế giả định điện thoại thông minh được gắn cố định trên phương tiện (fixed position), không phản ánh tính tự nhiên khi người dùng để điện thoại tự do trong túi quần, balo hoặc cầm tay trong quá trình di chuyển.
- Các nghiên cứu hiện hành phụ thuộc vào việc kết hợp đa cảm biến (GPS, Con quay hồi chuyển - Gyroscope, Từ kế - Magnetometer, Camera), gây suy hao năng lượng nghiêm trọng (battery depletion) và tăng độ phức tạp tính toán, khó triển khai thực tế trên thiết bị di động cá nhân.
- Sự thiếu vắng các mô hình nhận dạng hành vi đặc thù cho phương tiện xe máy và xe thô sơ trong điều kiện giao thông hỗn hợp, hạ tầng không làn phân cách cố định và văn hóa di chuyển linh hoạt tại các đô thị đang phát triển như Việt Nam.
Luận án thiết lập 3 câu hỏi nghiên cứu và giả thuyết khoa học cụ thể:
- RQ1: Làm thế nào để trích xuất tập thuộc tính đặc trưng tối ưu từ cảm biến gia tốc ba trục (Tri-axial Accelerometer) độc lập với vị trí đặt điện thoại mà không làm gia tăng chi phí tính toán?
- H1: Việc tích hợp các đặc trưng miền thời gian (Time-domain), miền tần số (Frequency-domain) và bộ tham số Hjorth (Hjorth Parameters) trên dữ liệu gia tốc đã biến đổi hệ tọa độ Trái đất sẽ gia tăng đáng kể diện tích dưới đường cong ROC (AUC) và độ chính xác phân lớp hành động cơ bản so với dữ liệu thô.
- RQ2: Kích thước cửa sổ trượt (Sliding Window Size) và tỷ lệ chồng lấn dữ liệu (Overlap Ratio) tối ưu cho từng hành động giao thông cơ bản là gì?
- H2: Mỗi hành động cơ bản (Dừng, Đi thẳng, Rẽ trái, Rẽ phải) sở hữu một ngưỡng động học thời gian riêng biệt; việc tối ưu hóa cửa sổ theo từng hành động cụ thể sẽ cải thiện khả năng phân tách tín hiệu.
- RQ3: Làm thế nào để phát hiện chính xác các hành vi giao thông bất thường (đặc biệt là hành vi "lạng lách") trên phương tiện xe máy trong khoảng thời gian ngắn?
- H3: Hành vi bất thường có thể mô hình hóa dưới dạng sự phân mảnh và sai khác nhãn hành động ở cấp độ vi mô (sub-window action mismatch) so với hành động cơ bản nền tảng thông qua một ngưỡng sai khác $\theta$.
Khung lý thuyết của công trình được xây dựng trên nền tảng cơ học chuyển động, lý thuyết xử lý tín hiệu số (Digital Signal Processing - DSP), biến đổi Fourier nhanh (FFT), mô hình không gian tọa độ Euler và lý thuyết học máy phân lớp (Machine Learning Classification). Luận án mang lại đóng góp đột phá khi xây dựng thành công giải pháp hai giai đoạn (Two-stage Framework): nhận dạng hành động cơ bản đạt hiệu năng vượt trội so với các công bố quốc tế trên cùng tập dữ liệu chuẩn HTC Đài Loan, đồng thời đề xuất thuật toán phát hiện hành vi bất thường với chi phí năng lượng thấp nhất thông qua việc khai thác duy nhất cảm biến gia tốc.
Literature Review và Positioning
Phân tích tổng quan tài liệu học thuật quốc tế cho thấy các hướng tiếp cận phân tích hành vi lái xe được phân hóa thành ba dòng nghiên cứu chính:
CÁC HƯỚNG TIẾP CẬN TRONG LITERATURE
[Dòng 1: Đa cảm biến & GPS] [Dòng 2: Cố định vị trí] [Dòng 3: Cảm biến đơn & Vị trí tự do]
- Goregaonkar et al. (2014) - Aya Hamdy Ali et al. (2018) - Pham Cuong et al. (2014)
- Johnson & Trivedi (2011) - MIROAD - Li Liu et al. (2016) - Lu Dang Nhac (2019) [Luận án này]
- Nhược điểm: Hao pin, tính toán nặng - Nhược điểm: Không tự nhiên, gò bó - Ưu điểm: Tiết kiệm năng lượng, thực tế
Dòng nghiên cứu thứ nhất tập trung vào việc hợp nhất đa cảm biến (Multi-sensor Fusion). Điển hình như Johnson và Trivedi (2011) với hệ thống MIROAD thu thập dữ liệu ở tần số 25Hz từ gia tốc kế, con quay hồi chuyển, từ kế và GPS gắn cố định tại trung tâm ô tô, sử dụng Dynamic Time Warping (DTW) để nhận dạng hành vi rẽ và quay đầu (đạt TP 91%). Nghiên cứu của Goregaonkar, Roma và cộng sự (2014) hay Castignani và cộng sự (2015) kết hợp GPS, gia tốc kế và camera để giám sát hành vi lái xe và truyền dữ liệu về máy chủ. Tuy nhiên, việc kích hoạt GPS và camera liên tục dẫn đến hiện tượng quá nhiệt và sụt giảm dung lượng pin nghiêm trọng trên thiết bị cầm tay.
Dòng nghiên cứu thứ hai khai thác các thuật toán phân lớp trên thiết bị cố định hướng. Nghiên cứu của Aya Hamdy Ali và cộng sự (2018) thu thập 8 mẫu hành động (rẽ trái/phải, chuyển làn bình thường và bất thường) trên ô tô, ứng dụng bộ lọc thông thấp (low-pass filter) kết hợp k-Nearest Neighbors (k-NN đạt độ chính xác 98,67%) và DTW (đạt 96,75%). Li Liu và cộng sự (2016) xây dựng từ điển mẫu tín hiệu (shapelet dictionary) nhận dạng 18 hành vi lái xe, đạt độ chính xác 96,44% với mạng nơ-ron nhân tạo (ANN) và 96,54% với phương pháp đề xuất trên công cụ Weka. Điểm hạn chế chí mạng của các nghiên cứu này là sự phụ thuộc tuyệt đối vào góc đặt cảm biến ban đầu, không đáp ứng được tính khả dụng trong thực tế đời sống.
Dòng nghiên cứu thứ ba tập trung giải quyết bài toán vị trí không cố định và tối ưu hóa năng lượng. Pham Cuong và cộng sự (2014) đề xuất trích xuất đặc trưng thống kê, năng lượng và 2 tham số Hjorth (Mobility, Complexity) từ điện thoại đặt trong túi để phân loại 7 hoạt động thể chất và phương tiện. Ronao và Cho (2016) ứng dụng mạng học sâu 4 lớp (Deep Neural Networks) trên chuỗi tín hiệu 128 điểm (2,56 giây, tần số 50Hz, chồng lấn 50%) đạt độ chính xác 94,79% trên dữ liệu thô và 95,75% trên miền tần số.
Luận án của Lữ Đăng Nhạc định vị chính xác tại giao điểm của dòng nghiên cứu thứ ba: Loại bỏ hoàn toàn sự phụ thuộc vào GPS/Con quay hồi chuyển, chỉ sử dụng cảm biến gia tốc nhằm giảm thiểu tiêu hao năng lượng, đồng thời áp dụng ma trận quay Euler để chuyển đổi hệ tọa độ thiết bị về hệ tọa độ Trái đất ($X', Y', Z'$). Khi đối chiếu trực tiếp với hai nghiên cứu quốc tế điển hình là hệ thống MIROAD của Johnson & Trivedi (2011) và mô hình nhận dạng của Aya Hamdy Ali et al. (2018), luận án đã vượt lên từ việc phân loại trên ô tô sang giải quyết bài toán phức tạp trên phương tiện xe máy đô thị với độ biến thiên gia tốc cao và quỹ đạo chuyển động phi tuyến tính.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án đã mở rộng và làm phong phú lý thuyết mô tả chuỗi thời gian của Bo Hjorth (1970) trong lĩnh vực cơ sinh học và điện não đồ (EEG) sang lĩnh vực động học giao thông đô thị. Thay vì chỉ sử dụng các giá trị thống kê cổ điển (Mean, Variance, RMS), việc đưa ba tham số Hjorth gồm Hoạt tính (Activity), Tính cơ động (Mobility) và Độ phức tạp (Complexity) vào không gian véc-tơ đặc trưng của tín hiệu gia tốc đã cung cấp khả năng nắm bắt cả biên độ lẫn sự biến thiên phổ tần số tức thời của hành vi lái xe.
Mô hình chuyển đổi hệ tọa độ không gian 3 chiều được hình thức hóa thông qua ma trận quay trực giao $R = R_x(\beta) \cdot R_y(\alpha) \cdot R_z(\phi)$:
$$\begin{bmatrix} a_{X'} \ a_{Y'} \ a_{Z'} \end{bmatrix} = R \cdot \begin{bmatrix} a_X \ a_Y \ a_Z \end{bmatrix}$$
Trong đó các ma trận thành phần quay quanh trục được xác định:
$$R_x(\beta) = \begin{bmatrix} 1 & 0 & 0 \ 0 & \cos\beta & -\sin\beta \ 0 & \sin\beta & \cos\beta \end{bmatrix}, \quad R_y(\alpha) = \begin{bmatrix} \cos\alpha & 0 & \sin\alpha \ 0 & 1 & 0 \ -\sin\alpha & 0 & \cos\alpha \end{bmatrix}, \quad R_z(\phi) = \begin{bmatrix} \cos\phi & -\sin\phi & 0 \ \sin\phi & \cos\phi & 0 \ 0 & 0 & 1 \end{bmatrix}$$
Về mặt lý thuyết nhận dạng mẫu, luận án thiết lập mệnh đề khoa học mang tính chuyển đổi mô thức (paradigm shift): Một hành vi giao thông bất thường không nhất thiết phải được nhận dạng như một lớp thực thể nguyên khối (monolithic entity), mà có thể được giải cấu trúc thành một chuỗi mất ổn định cục bộ của các hành động cơ bản diễn ra trong một cửa sổ thời gian hữu hạn.
KHUNG PHÂN TÍCH HAI GIAI ĐOẠN
Khung phân tích độc đáo
Khung phân tích của luận án tích hợp đồng thời ba cấu trúc lý thuyết:
- Lý thuyết biến đổi động học (Kinematic Transformation): Loại bỏ triệt để độ lệch phương vị do tư thế điện thoại tạo ra.
- Lý thuyết phân tích miền phổ và thống kê phi tuyến (Spectral & Statistical Dynamics): Hợp nhất miền thời gian ($T2$), miền tần số ($F2$) và tham số Hjorth ($H2$) thành tập siêu đặc trưng $TFH2$ với 59 thuộc tính.
- Lý thuyết phát hiện bất thường dựa trên mật độ sai lệch thời gian (Temporal Discrepancy Anomaly Detection): Cơ chế kiểm tra sự bất tương thích nhãn hành động ở cấp độ vi mô.
Điều kiện biên (boundary conditions) của khung phân tích: Tần số lấy mẫu cảm biến gia tốc tối thiểu $\ge 25\text{Hz}$, vận tốc phương tiện dao động trong ngưỡng lưu thông đô thị ($10 - 60\text{ km/h}$), và đối tượng nghiên cứu trọng tâm là người điều khiển xe máy cá nhân.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Nghiên cứu vận hành theo thế giới quan thực chứng (Positivism) với phương pháp tiếp cận định lượng thực nghiệm chặt chẽ (Quantitative Experimental Methodology). Thiết kế nghiên cứu đa tầng (Multi-level Experimental Design) bao gồm:
Tầng 1: Tiền xử lý & Chuẩn hóa tín hiệu (Lọc nhiễu, chuyển trục tọa độ)
Tầng 2: Tối ưu hóa siêu tham số (Khảo sát kích thước cửa sổ W và chồng lấn k theo diện tích AUC)
Tầng 3: Đánh giá thuật toán phân lớp (So sánh RF, J48, SVM, NB, k-NN, ANN, Dl4jMlpClassifier)
Tầng 4: Kiểm chứng chéo và đánh giá mù trên tập kiểm tra độc lập (10-Fold Cross-Validation & Test Sets)
Quy trình nghiên cứu rigorous
Tín hiệu gia tốc $a(t) = (a_x, a_y, a_z)$ được thu thập liên tục từ điện thoại thông minh Android. Dữ liệu sau khi thu thập được đưa qua bộ biến đổi hệ tọa độ Trái đất để triệt tiêu ảnh hưởng của trọng lực và hướng xoay ngẫu nhiên của thiết bị.
Quy trình trích xuất không gian đặc trưng $TFH2$ (59 chiều) bao gồm:
- Đặc trưng miền thời gian ($T2$):
- Giá trị hiệu dụng (Root Mean Square - RMS):
$$\text{RMS} = \sqrt{\frac{1}{N}\sum_{i=1}^N x_i^2}$$
- Giá trị trung bình ($\mu$), Phương sai ($\sigma^2$), Độ lệch chuẩn ($\sigma$):
$$\sigma^2 = \frac{1}{N}\sum_{i=1}^N (x_i - \mu)^2$$
- Độ lệch mẫu (Sample Deviation): $\Delta = x_{\max} - x_{\min}$
- Tỷ lệ đỉnh trên trung bình (Peak to Average Ratio - PAR):
$$\text{PAR} = \frac{\max(|a|)}{\mu_a}$$
- Tỷ lệ vượt qua điểm cắt không (Zero Crossing Rate - ZCR) và hệ số tương quan giữa các trục ($r_{xy}, r_{yz}, r_{zx}$).
- Đặc trưng miền tần số ($F2$): Ứng dụng biến đổi Fourier nhanh (FFT) để tính toán phổ năng lượng tín hiệu (Spectral Energy), trọng tâm phổ (Spectral Centroid) và entropy phổ.
- Tham số Hjorth ($H2$):
- Hoạt tính (Activity): $\text{Activity} = \text{var}(y(t))$
- Tính cơ động (Mobility):
$$\text{Mobility} = \sqrt{\frac{\text{var}(y'(t))}{\text{var}(y(t))}}$$
- Độ phức tạp (Complexity):
$$\text{Complexity} = \frac{\text{Mobility}(y'(t))}{\text{Mobility}(y(t))}$$
| Nhóm thuộc tính |
Số lượng thuộc tính |
Ký hiệu tập hợp |
Các đại lượng tiêu biểu |
| Miền thời gian |
24 |
$T2$ |
RMS, Mean, Variance, Std, PAR, ZCR, Correlation |
| Miền tần số |
20 |
$F2$ |
FFT Energy, Spectral Centroid, Spectral Variance |
| Tham số Hjorth |
15 |
$H2$ |
Activity, Mobility, Complexity (trên các trục và độ lớn vector) |
| Hợp nhất hoàn chỉnh |
59 |
$TFH2$ |
Toàn bộ không gian đặc trưng đa miền |
Data và phân tích
Môi trường thực nghiệm được triển khai đồng bộ trên nền tảng Weka và Deeplearning4j (Dl4jMlpClassifier). Quá trình huấn luyện và kiểm thử sử dụng kỹ thuật kiểm chứng chéo 10 phần (10-Fold Cross-Validation - CV10). Các thuật toán phân lớp tiêu biểu được đưa vào khảo sát gồm: Random Forest (RF với tham số mặc định: số cây numTrees = 100, độ sâu không giới hạn), Decision Tree J48, Naïve Bayes (NB), k-Nearest Neighbor ($k\text{-NN}$ với $k=1$), Support Vector Machines (SVM), và Mạng nơ-ron truyền thẳng nhiều lớp (Dl4jMlpClassifier).
Tiêu chí tối ưu hóa kích thước cửa sổ dữ liệu $W$ được dẫn dắt bởi độ đo Diện tích dưới đường cong đặc tính hoạt động của bộ thu nhận (Area Under ROC Curve - AUC):
$$\text{AUC} = \int_0^1 \text{TPR}(\text{FPR}) , d(\text{FPR})$$
Phát hiện đột phá và implications
Những phát hiện then chốt
HIỆU QUẢ CỦA BIẾN ĐỔI HỆ TỌA ĐỘ VÀ TẬP ĐẶC TRƯNG TFH2
AUC Score
Raw Acc Time Domain Time+Freq Full TFH2
- Sức mạnh vượt trội của không gian đặc trưng $TFH2$: Thực nghiệm đối sánh giữa các tập thuộc tính $H2, T2, F2, TH2, TF2,$ và $TFH2$ khẳng định tập $TFH2$ (59 thuộc tính) cho kết quả phân lớp tối ưu tuyệt đối trên mọi giải thuật. Khi kết hợp với Random Forest, độ đo AUC đạt mức $0,985 - 0,992$, vượt xa việc chỉ dùng đơn lẻ miền thời gian $T2$ ($0,914$) hoặc miền tần số $F2$ ($0,897$).
- Vai trò sống còn của biến đổi hệ tọa độ Trái đất: Kết quả thực nghiệm chứng minh dữ liệu cảm biến gia tốc sau khi chuyển trục theo ma trận quay Euler giúp tăng độ chính xác phân lớp thêm $11,4% - 14,8%$ so với dữ liệu thô khi điện thoại đặt ở các góc nghiêng ngẫu nhiên trong túi của người lái xe.
- Tính đặc thù thời gian của từng hành động cơ bản: Luận án chỉ ra rằng các hành động giao thông không có cùng một kích thước cửa sổ tối ưu. Hành động "Dừng" đạt AUC cao nhất tại cửa sổ ngắn ($W \approx 1 - 2\text{s}$), trong khi hành động "Rẽ trái" và "Rẽ phải" yêu cầu cửa sổ dài hơn ($W \approx 3 - 4\text{s}$) với tỷ lệ chồng lấn $k = 50%$ để bao hàm trọn vẹn tiến trình chuyển hướng.
- Vượt chuẩn quốc tế trên tập dữ liệu HTC: Khi kiểm thử trên bộ dữ liệu benchmark công khai của Tập đoàn HTC (Đài Loan), hệ thống đề xuất sử dụng tập đặc trưng $TFH2$ đạt hiệu năng nhận dạng vượt qua các công trình đã công bố trước đó của các nhóm nghiên cứu quốc tế trên cùng tập dữ liệu này ([CT4]).
- Độ chính xác vượt trội trong phát hiện hành vi bất thường: Giải pháp đề xuất hai giai đoạn (phát hiện bất thường dựa trên phân đoạn cửa sổ vi mô của hành động cơ bản) đạt độ chính xác trên $95%$, vượt trội rõ rệt so với phương pháp so khớp chuỗi thời gian cổ điển Dynamic Time Warping (DTW - thường gặp lỗi do biến dạng co giãn thời gian) và mạng học sâu
Dl4jMlpClassifier khi huấn luyện trực tiếp trên tín hiệu lạng lách nguyên bản.
| Thuật toán / Phương pháp |
Dữ liệu đầu vào |
Kỹ thuật đặc trưng |
Độ chính xác (Accuracy) |
Độ đo AUC |
| DTW (So khớp chuỗi) |
Tín hiệu 3 trục |
Chuỗi tín hiệu thô |
$82,40%$ |
$0,841$ |
| k-NN ($k=1$) |
Tọa độ Trái đất |
$T2$ (Miền thời gian) |
$88,65%$ |
$0,885$ |
| SVM (RBF Kernel) |
Tọa độ Trái đất |
$TF2$ (Thời gian + Tần số) |
$91,20%$ |
$0,923$ |
| Dl4jMlpClassifier (Deep ANN) |
Tọa độ Trái đất |
Toàn bộ chuỗi dữ liệu |
$92,85%$ |
$0,940$ |
| Random Forest (Đề xuất) |
Tọa độ Trái đất |
$TFH2$ (59 đặc trưng) |
$96,80%$ |
$0,992$ |
Implications đa chiều
- Về mặt lý luận học thuật: Công trình chứng minh rằng các tham số động học Hjorth kết hợp với biến đổi Fourier là công cụ biểu diễn toán học hoàn hảo cho tín hiệu cảm biến chuyển động vi mô, mở rộng biên giới của lý thuyết xử lý tín hiệu sang lĩnh vực phân tích hành vi con người.
- Về mặt phương pháp luận: Thiết lập một quy trình chuẩn hóa từ khâu tiền xử lý, chuyển trục tọa độ, tối ưu hóa cửa sổ thích ứng theo AUC đến phân lớp hai giai đoạn. Quy trình này có thể tái sử dụng trực tiếp cho các nghiên cứu nhận dạng hoạt động người (Human Activity Recognition - HAR) khác.
- Về mặt thực tiễn và công nghệ: Mở đường cho việc phát triển các ứng dụng di động giám sát hành trình với mức tiêu hao năng lượng cực thấp, chạy ngầm liên tục trên các dòng điện thoại thông minh phổ thông mà không cần người dùng phải lắp đặt thiết bị phần cứng chuyên dụng trên xe.
- Về mặt chính sách và quản trị: Cung cấp công cụ thu thập dữ liệu lớn (Big Data) về thói quen lái xe của cộng đồng, hỗ trợ các cơ quan quy hoạch giao thông phát hiện các "điểm đen" thường xuyên xảy ra hành vi phanh gấp/lạng lách, đồng thời tạo tiền đề cho các doanh nghiệp bảo hiểm triển khai mô hình Bảo hiểm dựa trên hành vi lái (Usage-Based Insurance - UBI).
Limitations và Future Research
Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn chỉ ra bốn giới hạn nghiên cứu:
- Phạm vi phương tiện: Thực nghiệm tập trung chủ yếu vào phương tiện xe máy cá nhân tại môi trường giao thông đô thị Hà Nội; các phương tiện siêu nhẹ như xe đạp điện, xe trượt điện (e-scooters) chưa được khảo sát đầy đủ.
- Nhiễu do chất lượng mặt đường: Các tác động rung chấn do ổ gà, gờ giảm tốc hoặc mặt đường gồ ghề có thể tạo ra các đột biến gia tốc nhất thời trên trục $Z'$, đôi khi gây nhầm lẫn với các thao tác chuyển hướng đột ngột.
- Mức độ đa dạng của hành vi bất thường: Luận án tập trung sâu vào hành vi "lạng lách" (swerving/weaving) và phanh/dừng đột ngột; các hành vi phức tạp khác như vừa lái xe vừa nhắn tin, lái xe khi say rượu hoặc ngủ gật chưa được mô hình hóa riêng biệt.
- Tối ưu hóa thời gian thực trên chip biên: Quá trình trích xuất 59 đặc trưng và chạy mô hình học máy được kiểm chứng trên môi trường máy tính/điện thoại ở quy mô thực nghiệm; cần tối ưu hóa sâu hơn nữa về mặt mã nguồn để chạy dưới dạng dịch vụ nền (background daemon) với mức tiêu thụ RAM/CPU tối thiểu trên các hệ điều hành di động mới.
Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng đi chiến lược:
- Tích hợp kỹ thuật học sâu tự giám sát (Self-Supervised Learning) và mạng nơ-ron tích chập 1 chiều (1D-CNN) kết hợp cơ chế Attention để tự động trích xuất đặc trưng mà không cần thiết kế thủ công.
- Mở rộng tập hành vi bất thường bao gồm phân tích tương quan giữa trạng thái mặt đường và hành vi điều khiển.
- Triển khai mô hình học liên kết (Federated Learning) nhằm bảo vệ quyền riêng tư dữ liệu vị trí và hành vi của người dùng trong khi vẫn liên tục cải tiến độ chính xác của mô hình trung tâm.
- Thử nghiệm trên các môi trường giao thông đa quốc gia có cấu trúc hạ tầng và mật độ phương tiện khác biệt.
Tác động và ảnh hưởng
- Tác động học thuật: Các kết quả của luận án đã được công bố trong 4 công trình khoa học uy tín, bao gồm 01 bài báo trên tạp chí quốc tế thuộc danh mục SCIE và 03 bài báo tại các kỷ yếu hội nghị quốc tế có bình duyệt nghiêm ngặt thuộc chỉ mục Scopus ([CT1], [CT2], [CT3], [CT4]). Công trình đóng vai trò là tài liệu tham khảo nền tảng cho các nhóm nghiên cứu về ITS và Cảm biến di động tại Việt Nam.
- Chuyển đổi công nghiệp (Industry Transformation): Tạo nền tảng công nghệ cho ngành Công nghệ Bảo hiểm (InsurTech), giúp định giá phí bảo hiểm chính xác theo mức độ an toàn của tài xế (Pay-How-You-Drive). Cung cấp giải pháp cho các nền tảng gọi xe công nghệ (Grab, Be, Gojek) để giám sát và chấm điểm chất lượng an toàn của tài xế theo thời gian thực.
- Tác động xã hội: Góp phần trực tiếp vào việc nâng cao ý thức văn hóa giao thông, giảm thiểu nguy cơ tai nạn giao thông đường bộ, hướng tới mục tiêu xây dựng đô thị thông minh (Smart Cities) bền vững và an toàn tại các quốc gia đang phát triển.
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung phân tích hoàn chỉnh về trích xuất đặc trưng đa miền ($TFH2$) và phương pháp luận tối ưu hóa cửa sổ thời gian dựa trên AUC cho dữ liệu chuỗi thời gian cảm biến.
- Kỹ sư R&D trong ngành Giao thông thông minh & IoT: Khai thác thuật toán nhận dạng hai giai đoạn gọn nhẹ, tiết kiệm tài nguyên tính toán để nhúng trực tiếp vào các ứng dụng di động hoặc thiết bị định vị giá rẻ.
- Các doanh nghiệp Vận tải & Bảo hiểm: Sở hữu giải pháp công nghệ đánh giá rủi ro lái xe tự động với chi phí đầu tư thiết bị bằng 0 (tận dụng smartphone sẵn có của lái xe).
- Các cơ quan Quản lý Nhà nước & Quy hoạch Đô thị: Ứng dụng hệ thống để phân tích hành vi đám đông, phát hiện các điểm xung đột giao thông tiềm ẩn dựa trên mật độ hành vi bất thường được gửi về từ người tham gia giao thông.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
Đó là việc mở rộng hệ tham số động học Bo Hjorth (Activity, Mobility, Complexity) kết hợp với các biến đổi Fourier trên hệ tọa độ Trái đất quay Euler để giải quyết bài toán nhận dạng hành động/hành vi giao thông khi vị trí thiết bị hoàn toàn tự do. Luận án đã chứng minh toán học và thực nghiệm rằng không gian đặc trưng $TFH2$ (59 chiều) phản ánh đầy đủ bản chất động học của phương tiện vượt trội hơn hẳn các tập đặc trưng truyền thống.
2. Đột phá về phương pháp luận so với các nghiên cứu quốc tế trước đây?
So với hệ thống MIROAD của Johnson & Trivedi (2011) (bắt buộc gắn cố định đa cảm biến + GPS) và mô hình của Aya Hamdy Ali et al. (2018) (cố định điện thoại trên ô tô), luận án đã tạo bước đột phá khi chỉ sử dụng duy nhất một nguồn cảm biến gia tốc trên thiết bị di động không cố định vị trí, chuyển đổi hệ tọa độ trực giao và áp dụng quy trình nhận dạng hai giai đoạn phân cấp (từ hành động cơ bản vĩ mô suy diễn hành vi bất thường vi mô).
3. Phát hiện bất ngờ nhất từ thực nghiệm dữ liệu là gì?
Kỹ thuật so khớp mẫu chuỗi thời gian phi tuyến DTW (Dynamic Time Warping)—vốn rất phổ biến và đạt hiệu quả cao trên phương tiện ô tô ở các nghiên cứu quốc tế—lại cho kết quả kém hơn rõ rệt ($82,4%$) so với mô hình phân lớp Random Forest trên tập đặc trưng $TFH2$ ($96,8%$) khi áp dụng cho hành vi "lạng lách" của xe máy. Nguyên nhân là do chuyển động của xe máy có tần số rung lắc và tính phi tuyến tính cao hơn ô tô rất nhiều, làm sai lệch hàm khoảng cách khoảng thời gian của DTW.
4. Giao thức tái lập thực nghiệm (Replication Protocol) có được cung cấp không?
Có. Luận án mô tả chi tiết công thức toán học tính toán 59 thuộc tính đặc trưng, ma trận quay Euler ($R_x, R_y, R_z$), các tham số thiết lập cho thuật toán phân lớp trên Weka và Deeplearning4j, đồng thời đối sánh trực tiếp trên bộ dữ liệu chuẩn quốc tế mở của HTC Đài Loan ([CT4]), đảm bảo tính tái lập hoàn toàn của kết quả thực nghiệm.
5. Định hướng nghiên cứu 10 năm tới được phác thảo như thế nào?
Mở rộng kiến trúc nhận dạng từ cấp độ cục bộ trên thiết bị đơn lẻ sang mô hình mạng cảm biến biên cộng tác (Collaborative Edge Sensing), ứng dụng trí tuệ nhân tạo biên (Edge AI) và Federated Learning để xây dựng bản đồ hành vi giao thông đô thị thời gian thực phục vụ xe tự hành (Autonomous Vehicles) và điều hành đô thị thông minh.
Kết luận
Luận án tiến sĩ của tác giả Lữ Đăng Nhạc đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp cốt lõi:
- Thiết lập tập đặc trưng tối ưu $TFH2$ (59 thuộc tính) kết hợp hài hòa miền thời gian, miền tần số và tham số Hjorth, mang lại khả năng phân loại vượt trội cho tín hiệu cảm biến gia tốc.
- Giải quyết triệt để bài toán vị trí điện thoại không cố định thông qua mô hình biến đổi ma trận quay Euler sang hệ tọa độ Trái đất, nâng cao độ chính xác nhận dạng trong điều kiện thực tế.
- Phát triển phương pháp tối ưu hóa kích thước cửa sổ trượt và tỷ lệ chồng lấn theo diện tích dưới đường cong AUC cho từng hành động giao thông cơ bản riêng biệt.
- Đề xuất kiến trúc nhận dạng hành vi bất thường hai giai đoạn mang tính tiên phong, giải mã thành công hành vi "lạng lách" phức tạp của xe máy từ sự sai khác nhãn hành động ở cấp độ cửa sổ vi mô với độ chính xác trên $95%$.
- Kiểm chứng thực nghiệm nghiêm ngặt và chứng minh hiệu năng vượt chuẩn trên tập dữ liệu benchmark quốc tế HTC, đồng thời công bố kết quả trên 4 công trình khoa học quốc tế uy tín (1 SCIE, 3 Scopus).
Công trình đánh dấu bước tiến quan trọng trong việc ứng dụng công nghệ thông tin và khoa học dữ liệu vào giải quyết các bài toán giao thông cấp bách tại Việt Nam, để lại giá trị học thuật và ứng dụng thực tiễn lâu dài trong kỷ nguyên giao thông thông minh.
