Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

An toàn giao thông đường bộ là vấn đề được quan tâm trên quy mô toàn cầu. Theo báo cáo của Tổ chức Y tế Thế giới (WHO), tai nạn giao thông là một trong 10 nguyên nhân hàng đầu gây tử vong với khoảng 1,2 triệu người chết mỗi năm, tập trung chủ yếu tại các quốc gia có thu nhập thấp và trung bình. Nguyên nhân trực tiếp dẫn tới tai nạn phần lớn xuất phát từ hành động và hành vi bất thường của người điều khiển phương tiện. Việc nhận dạng hành vi của người tham gia giao thông đóng vai trò then chốt trong việc xây dựng các ứng dụng hỗ trợ lái xe an toàn, phục vụ quy hoạch hạ tầng, xây dựng chính sách quản lý, thẩm định rủi ro bảo hiểm cũng như ước tính mức tiêu thụ năng lượng và phát thải môi trường.

Sự phát triển của phần cứng điện thoại thông minh tích hợp nhiều loại cảm biến đã mở ra hướng tiếp cận thuận tiện để thu thập dữ liệu hành vi người dùng. Tuy nhiên, tác giả luận án chỉ ra hai khoảng trống nghiên cứu lớn trong các công trình đã công bố:

  • Ràng buộc về vị trí thiết bị và sự tiêu hao năng lượng: Phần lớn các nghiên cứu hiện hữu đòi hỏi điện thoại phải được gắn cố định trên phương tiện, hoặc phải tích hợp đồng thời nhiều cảm biến chuyển động cùng GPS, cảm biến hình ảnh và âm thanh. Hướng tiếp cận đa cảm biến này làm tăng độ phức tạp tính toán và gây tiêu hao năng lượng pin nghiêm trọng, gây trở ngại khi áp dụng vào thực tế với vị trí điện thoại di động tự do của người dùng.
  • Sự không tương thích về điều kiện giao thông và loại hình phương tiện: Hầu hết các công trình quốc tế được thực nghiệm trên xe ô tô, xe buýt hoặc tàu điện ngầm tại các quốc gia phát triển với hạ tầng phân làn ổn định. Ngược lại, tại các nước đang phát triển như Việt Nam, phương tiện lưu thông chủ yếu là xe máy, xe đạp; hạ tầng giao thông đô thị mang tính hỗn hợp, không có làn đường riêng cố định, mật độ cao và thói quen di chuyển phức tạp. Các mô hình nhận dạng xây dựng cho ô tô không thể áp dụng trực tiếp cho phương tiện xe máy trong điều kiện giao thông đặc thù tại Việt Nam.

Do đó, việc nghiên cứu một mô hình nhận dạng hành động và hành vi bất thường chỉ dựa trên cảm biến gia tốc của điện thoại thông minh (loại cảm biến tiêu thụ năng lượng thấp nhất), cho phép vị trí điện thoại không cố định, thích ứng với phương tiện xe máy tại đô thị Việt Nam là yêu cầu cấp thiết.

Mục tiêu nghiên cứu

Mục tiêu chính của luận án là phân tích dữ liệu cảm biến gia tốc thu được từ điện thoại thông minh của người tham gia giao thông nhằm nhận dạng các hành vi giao thông bất thường. Để hoàn thành mục tiêu này, luận án giải quyết ba nhiệm vụ cụ thể:

  1. Khảo sát các kỹ thuật phân tích dữ liệu trong và ngoài nước; nghiên cứu kỹ thuật thu thập và biến đổi dữ liệu áp dụng cho cảm biến gia tốc nhằm xác định tập thuộc tính đặc trưng phù hợp cho hệ thống nhận dạng hành động và hành vi.
  2. 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 biến đổi từ tập thuộc tính lựa chọn.
  3. Dựa trên hệ thống nhận dạng hành động cơ bản, đề xuất giải pháp phát hiện hành vi giao thông bất thường, tập trung vào phương tiện xe máy, thông qua kỹ thuật phân đoạn cửa sổ nhỏ hơn và đánh giá tỷ lệ sai khác nhãn hành động so với ngưỡng định trước.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các phương pháp và kỹ thuật phân tích, nhận dạng hành động cơ bản và hành vi giao thông bất thường của người điều khiển phương tiện dựa trên dữ liệu cảm biến gia tốc từ điện thoại thông minh.
  • Phạm vi nghiên cứu:
    • Không gian: Môi trường giao thông đô thị tại Việt Nam.
    • Loại phương tiện: Tập trung chủ yếu vào người điều khiển phương tiện xe máy.
    • Danh mục hành động và hành vi: Bốn hành động giao thông cơ bản gồm dừng, đi thẳng, rẽ trái, rẽ phải; hành vi giao thông bất thường điển hình được khảo sát thực nghiệm là hành vi "lạng lách" đối sánh với hành vi bình thường "đi thẳng".

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Tác giả đã tổng hợp và phân loại các công trình trong và ngoài nước liên quan đến bài toán nhận dạng hành vi lái xe qua cảm biến di động theo các nhóm kỹ thuật:

Tác giả và công trình Cảm biến sử dụng Vị trí điện thoại Phương pháp / Thuật toán Đối tượng nhận dạng Kết quả công bố
Johnson & Trivedi (2011) [5] Gia tốc, Con quay hồi chuyển, Từ trường, GPS, Video Cố định DTW (Dynamic Time Warping) Lái xe bình thường/bất thường (rẽ, quay đầu) Nhận dạng quay đầu đạt 23% (chỉ dùng gia tốc) và 77% (kết hợp 3 cảm biến); TP tổng thể 91%
Minh Van Ly (2012) [4] Tốc độ, Vận tốc, Góc xoay, GPS, Hình ảnh Cố định SVM, k-NN Tăng tốc, phanh, rẽ trái/phải Độ chính xác đạt 65%
Castignani et al. (2013) [35] Gia tốc, Từ trường, Trọng trường, GPS Thay đổi Logic mờ Tăng tốc bất thường, phanh gấp, đi quá tốc độ, lạng lách Tỷ lệ dương tính thật TP > 90%
Li et al. (2015) [21] Gia tốc, Con quay hồi chuyển Thay đổi (đặt nằm ngang trên taxi) Phát hiện theo ngưỡng góc xoay Thay đổi tốc độ bất thường, đánh võng, gọi điện Tỷ lệ dương tính thật TP > 90%
Yu et al. (2016) [15] Gia tốc, Chuyển hướng Thay đổi SVM, k-NN, Mạng nơ-ron (152 thuộc tính thời gian) 6 hành vi bất thường (đánh võng, rẽ gắt, trượt võng, quay đầu nhanh...) Độ chính xác đạt 95,36% (SVM) và 96,88% (Mạng nơ-ron)
Ma et al. / Jing Chen et al. (2015, 2017) [14] Gia tốc, Con quay hồi chuyển, GPS, Âm thanh Thay đổi Phát hiện theo ngưỡng sau khi xoay trục hệ tọa độ Đổi hướng bất thường, đổi tốc độ bất thường Độ chính xác (Precision): 93,95%; Độ hồi tưởng (Recall): 90,54%
Júnior et al. (2017) [11] Gia tốc, Từ trường, Con quay hồi chuyển Cố định ANN, SVM, Random Forest, Bayesian Network Phanh bất ngờ, tăng tốc bất ngờ, chuyển làn bất ngờ Diện tích dưới đường cong ROC (AUC) đạt 0,999
Aya Hamdy et al. (2018) [18] Gia tốc, Con quay hồi chuyển, GPS Cố định k-NN, DTW (lọc thông thấp tiền xử lý) 8 hành động bình thường và bất thường (rẽ, chuyển làn) Độ chính xác đạt 96,75% (DTW) và 78,06% / 98,67% (k-NN)
Li Liu et al. (2015) [19] Cảm biến gia tốc Cố định Từ điển mẫu tín hiệu (Shapelet dictionary), J48, LR, ANN, NB, k-NN, DT, SVM 18 hành động giao thông Độ chính xác trung bình đạt 96,54% (phương pháp đề xuất), 96,44% (ANN), 62% (DT)
Vavouranakis et al. (2018) [20] Gia tốc, Con quay hồi chuyển, Từ kế Thay đổi So sánh ngưỡng biến thiên góc xoay (cửa sổ 2 giây) 12 hành vi lái xe an toàn và không an toàn Xác định tính an toàn qua ngưỡng góc xoay
Pham Cuong et al. (2017) [22] Cảm biến gia tốc điện thoại trong túi Xác định Trích xuất đặc trưng thống kê, năng lượng, 2 tham số Hjorth 7 hoạt động (đi bộ, chạy, xe đạp, dừng, ô tô, lái xe, khác) Phân lớp nhận dạng dựa trên tham số Hjorth Mobility và Complexity
Ronao & Cho (2016) [23] Gia tốc, Con quay hồi chuyển Đặt trong túi Học sâu 4 lớp (ANN), cửa sổ 128 điểm (2,56 giây, chồng 50%) 6 hành vi chuyển động con người Độ chính xác đạt 94,79% (dữ liệu thô) và 95,75% (miền tần số)
Guvesan et al. [32] Gia tốc, Con quay hồi chuyển, Cảm biến từ Thay đổi Thuật toán Healing, đối sánh RF, J48, k-NN, NB Phân loại phương tiện và hành động Đánh giá qua các bộ phân lớp chuẩn

Khoảng trống nghiên cứu luận án lựa chọn giải quyết

Qua tổng quan các công trình nghiên cứu, tác giả nhận thấy:

  1. Đa phần các nghiên cứu đòi hỏi kết hợp nhiều cảm biến gây tiêu tốn năng lượng hoặc phải cố định thiết bị trên phương tiện ô tô. Luận án lựa chọn giải quyết bài toán với điều kiện ngặt nghèo hơn: chỉ dùng duy nhất cảm biến gia tốc của điện thoại thông minh và cho phép người dùng để điện thoại ở vị trí tự do khi di chuyển.
  2. Các nghiên cứu hiện hành chưa xây dựng mô hình phù hợp cho loại hình phương tiện xe máy trong bối cảnh giao thông đô thị đặc thù tại Việt Nam.
  3. Vấn đề thu thập dữ liệu mẫu cho hành vi bất thường gặp nhiều trở ngại do tính chất hiếm gặp và diễn ra nhanh. Luận án khắc phục điều này bằng cách tiếp cận gián tiếp: phát hiện hành vi bất thường dựa trên sự sai khác nhãn phân lớp của các hành động cơ bản cấu thành trong một khoảng thời gian ngắn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khái niệm

  • Hành động giao thông: Là việc người điều khiển thay đổi trạng thái của phương tiện trong quá trình lưu thông, chủ yếu dựa trên hai yếu tố cơ bản là thay đổi vận tốc và thay đổi hướng di chuyển (bao gồm dừng, đi thẳng, rẽ trái, rẽ phải).
  • Hành vi giao thông: Là sự biểu hiện thay đổi trạng thái của phương tiện theo cách thức, mức độ và tính chất khác nhau, được đánh giá qua tính chất của một hành động đơn lẻ hoặc sự lặp lại liên tục của chuỗi hành động trong tình huống cụ thể.
  • Hành vi giao thông bất thường: Là phản ứng điều khiển phương tiện ở trạng thái không bình thường dưới tác động chủ quan hoặc khách quan (như lạng lách, phanh gấp, chuyển hướng đột ngột).

Kỹ thuật tiền xử lý và biến đổi hệ tọa độ

Dữ liệu cảm biến gia tốc thô thu được từ điện thoại là chuỗi thời gian gồm các véc-tơ 3 chiều $(a_x, a_y, a_z)$ theo hệ tọa độ của thiết bị. Khi điện thoại không cố định, hệ trục tọa độ này biến thiên liên tục so với hướng di chuyển của phương tiện. Luận án áp dụng hai kỹ thuật xử lý:

  1. Đại lượng độc lập hệ trục: Tính độ lớn véc-tơ gia tốc tổng hợp: $$a_{mag} = \sqrt{a_x^2 + a_y^2 + a_z^2}$$
  2. Chuyển đổi hệ tọa độ sang hệ tọa độ Trái Đất: Biến đổi véc-tơ gia tốc từ hệ trục thiết bị sang hệ trục Trái Đất $(X', Y', Z')$ thông qua ma trận quay $R$: $$\begin{bmatrix} a_{X'} \ a_{Y'} \ a_{Z'} \end{bmatrix} = R \begin{bmatrix} a_x \ a_y \ a_z \end{bmatrix}$$ Trong đó $R = R_x \times R_y \times R_z$, với $R_x, R_y, R_z$ là ma trận xoay quanh các trục tương ứng với các góc xoay $\beta, \alpha, \phi$: $$R_x = \begin{bmatrix} 1 & 0 & 0 \ 0 & \cos\beta & -\sin\beta \ 0 & \sin\beta & \cos\beta \end{bmatrix}, \quad R_y = \begin{bmatrix} \cos\alpha & 0 & \sin\alpha \ 0 & 1 & 0 \ -\sin\alpha & 0 & \cos\alpha \end{bmatrix}, \quad R_z = \begin{bmatrix} \cos\phi & -\sin\phi & 0 \ -\sin\phi & \cos\phi & 0 \ 0 & 0 & 1 \end{bmatrix}$$

Phân đoạn cửa sổ dữ liệu và trích xuất thuộc tính đặc trưng

  • Phân đoạn cửa sổ (Sliding Window): Chuỗi tín hiệu được chia thành các cửa sổ kích thước $W$ với độ chồng dữ liệu (overlap) $k$ điểm nhằm tránh mất mát thông tin tại biên cửa sổ.
  • Trích xuất đặc trưng trên miền thời gian: Bao gồm giá trị hiệu dụng căn trung bình bình phương (RMS), giá trị trung bình ($\mu$), phương sai ($\sigma^2$), độ lệch chuẩn ($\sigma$), độ lệch mẫu (khoảng cách giữa cực đại và cực tiểu), tỷ lệ đỉnh trên trung bình (Peak to Average Ratio - PAR = $\max(|a|) / \bar{a}$), và hệ số tương quan tín hiệu giữa các trục.
  • Trích xuất đặc trưng trên miền tần số: Áp dụng biến đổi Fourier nhanh (FFT) để phân tích các thành phần phổ tần số và tỷ lệ vượt qua điểm cắt không (Zero Crossing Rate - ZCR).
  • Tham số Hjorth: Sử dụng hai đại lượng Hjorth Mobility (đo tần số trung bình của tín hiệu) và Hjorth Complexity (đo độ biến thiên của tần số) để tăng cường thông tin nhận dạng.
  • Tập thuộc tính khảo sát: Luận án thiết lập và đánh giá các tập thuộc tính kết hợp gồm $H2$ (Hjorth), $T2$ (miền thời gian), $F2$ (miền tần số), cùng các tổ hợp $TH2, TF2$, và $TFH2$ (tổng hợp 59 thuộc tính đặc trưng).

Thuật toán phân lớp và công cụ thực nghiệm

  • Công cụ: Môi trường khai phá dữ liệu Weka, thư viện học sâu Deeplearning4j (Dl4jMlpClassifier).
  • Các thuật toán phân lớp được khảo sát: Random Forest (RF), cây quyết định J48, k láng giềng gần nhất (k-NN), Naïve Bayes (NB), mạng nơ-ron nhân tạo (ANN), véc-tơ tựa (SVM), và bảng quyết định (Decision Table - DT). Kỹ thuật so khớp chuỗi thời gian đàn hồi DTW (Dynamic Time Warping) được sử dụng để đối sánh.
  • Phương pháp kiểm chứng và độ đo: Đánh giá qua kiểm chứng chéo 10 nếp (Cross Validation - 10 Fold - CV10), độ chính xác tổng thể (Accuracy - ACC), các chỉ số TP, FP, TN, FN, độ chính xác (Precision), độ hồi tưởng (Recall), và diện tích dưới đường cong đặc tính hoạt động của bộ thu nhận (Area Under Curve - AUC).

Nội dung chính theo từng chương

Chương 1: Tổng quan về nhận dạng hành vi

Chương này thiết lập nền tảng lý thuyết và định hình kiến trúc giải pháp cho toàn bộ luận án:

  • Phân tích chi tiết ba mô hình triển khai hệ thống phân tích hành vi: xử lý tập trung trên máy chủ, xử lý hoàn toàn cục bộ trên thiết bị di động, và mô hình lai (xử lý nhận dạng sơ bộ tại thiết bị rồi chuyển dữ liệu lên máy chủ để tổng hợp, hiển thị và phân tích giao thông diện rộng).
  • Làm rõ cấu trúc phân tầng của bài toán nhận dạng: từ nhận dạng phương tiện đến nhận dạng hành động cơ bản và tiến tới nhận dạng hành vi bất thường.
  • Luận giải cơ sở khoa học của việc chỉ lựa chọn cảm biến gia tốc: tối ưu hóa mức tiêu thụ năng lượng pin, đảm bảo khả năng tương thích cao trên hầu hết các dòng điện thoại thông minh phổ thông tại Việt Nam.
  • Đề xuất mô hình hệ thống tổng thể gồm hai khối chức năng kế tiếp: khối nhận dạng hành động giao thông cơ bản (nội dung Chương 2) làm tiền đề đầu vào cho khối nhận dạng hành vi bất thường (nội dung Chương 3).

Chương 2: Nhận dạng hành động giao thông

Chương 2 trình bày toàn bộ quy trình xây dựng hệ thống nhận dạng bốn hành động giao thông cơ bản (dừng, đi thẳng, rẽ trái, rẽ phải):

  • Khảo sát và lựa chọn tập thuộc tính đặc trưng: Tác giả tiến hành thử nghiệm so sánh các tập thuộc tính $H2, T2, F2, TH2, TF2$ và $TFH2$ (gồm 59 thuộc tính biến đổi). Kết quả thực nghiệm khẳng định tập $TFH2$ (kết hợp đầy đủ miền thời gian, miền tần số và tham số Hjorth) mang lại giá trị AUC và độ chính xác phân lớp cao nhất trên các thuật toán.
  • Đánh giá hiệu quả biến đổi hệ tọa độ: So sánh trực tiếp giữa dữ liệu thô (chưa biến đổi hệ trục) và dữ liệu đã qua chuyển đổi hệ tọa độ sang hệ trục Trái Đất. Kết quả chứng minh dữ liệu sau biến đổi hệ tọa độ giúp ổn định tín hiệu và nâng cao rõ rệt các chỉ số phân lớp khi vị trí điện thoại bị dịch chuyển tự do.
  • Tối ưu hóa kích thước cửa sổ dữ liệu: Tiến hành khảo sát chu kỳ thay đổi độ đo AUC trên từng hành động tương ứng với các kích thước cửa sổ $W$ khác nhau. Luận án tìm ra kích thước cửa sổ tối ưu riêng biệt cho từng hành động (dừng, đi thẳng, rẽ trái, rẽ phải), giúp nâng cao hiệu năng nhận dạng tổng thể của hệ thống.
  • Khảo sát thuật toán phân lớp: So sánh hiệu năng giữa các bộ phân lớp J48, k-NN, NB, SVM, ANN và Random Forest (RF) trên Weka với các tham số chuẩn. Thuật toán Random Forest đạt hiệu quả phân lớp vượt trội về độ ổn định và giá trị AUC trên cả hai tập thuộc tính $TF2$ và $TFH2$.
  • Kiểm chứng trên bộ dữ liệu chuẩn quốc tế HTC: Hệ thống nhận dạng đề xuất được thử nghiệm trên bộ dữ liệu gia tốc chuẩn của hãng HTC (Đài Loan) [56] [CT4]. Kết quả phân lớp của phương pháp đề xuất đạt các chỉ số độ chính xác cao hơn so với các nghiên cứu đã công bố trước đó sử dụng cùng bộ dữ liệu kiểm chuẩn này.

Chương 3: Nhận dạng hành vi bất thường

Chương 3 giải quyết mục tiêu trọng tâm của luận án là phát hiện hành vi giao thông bất thường dựa trên kết quả đầu ra của hệ thống nhận dạng hành động cơ bản:

  • Đề xuất giải pháp nhận dạng bất thường phân đoạn: Xuất phát từ nguyên lý hành vi bất thường là sự xuất hiện đột ngột của các chuyển động sai lệch trong một chuỗi hành động thông thường, tác giả đề xuất kỹ thuật phân đoạn cửa sổ hành động cơ bản thành các cửa sổ con có kích thước nhỏ hơn. Hệ thống thực hiện phân lớp nhận dạng nhãn hành động trên từng cửa sổ con này, sau đó đối chiếu nhãn nhận được với nhãn của hành động cơ bản tương ứng. Nếu tỷ lệ số cửa sổ con mang nhãn sai lệch vượt qua một ngưỡng sai khác xác định trước, chuỗi tín hiệu đó được gán nhãn là hành vi bất thường.
  • Môi trường và kịch bản thực nghiệm: Thu thập dữ liệu thực nghiệm trên đối tượng điều khiển phương tiện xe máy trong điều kiện giao thông thực tế tại đô thị Việt Nam. Tập dữ liệu tập trung thu thập hai nhóm mẫu chính: hành vi bình thường ("đi thẳng") và hành vi bất thường ("lạng lách" - đánh võng liên tục).
  • Khảo sát ngưỡng sai khác và kích thước cửa sổ: Thực nghiệm chi tiết việc lựa chọn kích thước cửa sổ phân đoạn dữ liệu phát hiện hành vi và khảo sát các giá trị ngưỡng sai khác nhằm tối ưu hóa sự cân bằng giữa tỷ lệ phát hiện đúng (TP) và tỷ lệ dương tính giả (FP).
  • Đánh giá đối sánh phương pháp: Tiến hành thực nghiệm so sánh giải pháp đề xuất với các kỹ thuật phổ biến:
    • So khớp chuỗi thời gian DTW (Dynamic Time Warping) với các ngưỡng khoảng cách khác nhau.
    • Phân lớp trực tiếp bằng thuật toán Random Forest (RF) với kiểm chứng chéo CV10.
    • Phân lớp trực tiếp bằng mô hình mạng học sâu đa tầng Dl4jMlpClassifier. Kết quả thực nghiệm trên tập dữ liệu kiểm tra khẳng định giải pháp phân đoạn đối sánh ngưỡng đề xuất cho kết quả phát hiện hành vi bất thường (lạng lách) có độ tin cậy và độ chính xác phân định vượt trội so với các phương pháp tiếp cận trực tiếp truyền thống.

Kết quả và những đóng góp mới

Những đóng góp mới về lý luận và thực tiễn

Luận án tự xác định hai đóng góp khoa học cốt lõi:

  1. Đề xuất tập thuộc tính đặc trưng kết hợp và quy trình tối ưu cửa sổ nhận dạng hành động: Xây dựng tập thuộc tính đặc trưng $TFH2$ kết hợp giữa miền thời gian, miền tần số và các tham số Hjorth (Mobility, Complexity) để biến đổi dữ liệu cảm biến gia tốc thô thành dữ liệu đặc trưng. Luận án đã xác định được mối tương quan giữa kích thước cửa sổ dữ liệu, tỷ lệ chồng và độ đo AUC đối với từng hành động cơ bản, giúp mô hình phân lớp đạt hiệu quả cao. Kết quả thử nghiệm trên bộ dữ liệu chuẩn quốc tế HTC vượt trội so với các công trình công bố trước đó [CT4].
  2. Đề xuất giải pháp phát hiện hành vi bất thường theo hướng tiếp cận phân cấp dựa trên hành động cơ bản: Thay vì xây dựng bộ phân lớp trực tiếp phức tạp cho hành vi bất thường (vốn rất khó lấy mẫu toàn diện), luận án đề xuất cơ chế phân đoạn cửa sổ hành động cơ bản thành các cửa sổ nhỏ hơn, nhận dạng nhãn hành động con và đánh giá tỷ lệ sai khác nhãn so với ngưỡng định trước. Đây là hướng tiếp cận mới, đặc biệt hiệu quả cho phương tiện xe máy trong điều kiện giao thông đô thị phức tạp.

Công trình khoa học đã công bố

Các kết quả nghiên cứu trong luận án đã được công bố trong 4 công trình khoa học gồm:

  • 01 bài báo khoa học đăng trên tạp chí quốc tế thuộc danh mục SCIE [CT4].
  • 03 bài báo khoa học công bố tại các kỷ yếu hội nghị quốc tế có phản biện và được chỉ mục trong cơ sở dữ liệu Scopus ([CT1], [CT2], [CT3]).

Kiến nghị và giải pháp đề xuất

  • Ứng dụng mô hình vào việc phát triển phần mềm cảnh báo sớm hành vi nguy hiểm tích hợp ngay trên điện thoại thông minh của người đi xe máy.
  • Kết nối dữ liệu nhận dạng từ thiết bị cá nhân về máy chủ điều hành giao thông đô thị nhằm giám sát các điểm nóng về an toàn giao thông và hành vi vi phạm.
  • Cung cấp dữ liệu phục vụ định giá bảo hiểm phương tiện dựa trên hành vi lái xe thực tế và hỗ trợ tính toán mức tiêu hao nhiên liệu đô thị.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

Căn cứ vào nội dung được tác giả trình bày trong luận án:

  • Hệ thống chỉ khai thác dữ liệu từ cảm biến gia tốc nhằm tiết kiệm năng lượng, do đó tín hiệu dễ bị ảnh hưởng bởi các rung động ngoại cảnh từ mặt đường và độ rung của động cơ xe máy.
  • Danh mục hành động và hành vi thực nghiệm còn giới hạn ở bốn hành động cơ bản (dừng, đi thẳng, rẽ trái, rẽ phải) và một dạng hành vi bất thường điển hình (lạng lách).
  • Việc xác định ngưỡng sai khác để phân định hành vi bất thường phụ thuộc vào việc tinh chỉnh thực nghiệm trên tập mẫu cụ thể, chưa tự động thích nghi hoàn toàn theo từng cá nhân người lái.

Hướng nghiên cứu tiếp

  • Mở rộng nhận dạng thêm các dạng hành vi bất thường phức tạp khác như phanh gấp đột ngột, tăng tốc bất thường, quay đầu nguy hiểm trên đường giao thông đô thị.
  • Tự động hóa quá trình xác định ngưỡng nhận diện bất thường theo từng cá nhân và từng điều kiện mặt đường cụ thể.
  • Nghiên cứu tích hợp tối ưu mô hình để chạy thời gian thực trên các dòng điện thoại thông minh có cấu hình phần cứng hạn chế mà vẫn đảm bảo mức tiêu hao pin tối thiểu.

Giá trị tham khảo

Luận án có giá trị tham khảo thiết thực cho nhiều nhóm đối tượng chuyên môn:

  • Nghiên cứu sinh và học viên cao học ngành Hệ thống thông tin, Khoa học máy tính, Kỹ thuật dữ liệu: Tham khảo chi tiết Chương 2 về phương pháp biến đổi ma trận quay hệ tọa độ từ thiết bị sang hệ tọa độ Trái Đất, quy trình trích xuất tập 59 đặc trưng ($TFH2$) kết hợp giữa miền thời gian, biến đổi FFT miền tần số và tham số Hjorth, cũng như phương pháp khảo sát kích thước cửa sổ tối ưu theo độ đo AUC.
  • Các nhà nghiên cứu trong lĩnh vực Giao thông thông minh (ITS): Tham khảo Chương 3 về ý tưởng phát hiện bất thường thông qua phân đoạn cửa sổ con và đánh giá tỷ lệ sai khác nhãn phân lớp, giải quyết được bài toán thiếu dữ liệu mẫu của các sự kiện giao thông bất thường hiếm gặp.
  • Kỹ sư phát triển ứng dụng di động và công ty công nghệ bảo hiểm (Insurtech): Khai thác giải pháp nhận dạng chỉ sử dụng cảm biến gia tốc để xây dựng các ứng dụng chấm điểm hành vi lái xe an toàn, cảnh báo rủi ro tai nạn với chi phí năng lượng thấp, không cần trang bị thêm phần cứng ngoại vi.
  • Nhà quản lý đô thị và hoạch định chính sách giao thông: Tham khảo phương pháp thu thập dữ liệu hành vi giao thông từ người dùng di động đại chúng để đánh giá thực trạng giao thông xe máy tại các đô thị đang phát triển.

Câu hỏi thường gặp

1. Tại sao luận án chỉ sử dụng dữ liệu từ cảm biến gia tốc mà không kết hợp thêm GPS hay con quay hồi chuyển?

Việc kết hợp nhiều cảm biến (GPS, con quay hồi chuyển, từ kế, camera) làm tăng độ chính xác nhưng làm tiêu hao năng lượng pin rất nhanh và đòi hỏi tài nguyên phần cứng lớn, không khả thi khi ứng dụng thực tế liên tục trên điện thoại thông minh. Cảm biến gia tốc có mức tiêu thụ năng lượng thấp nhất, có mặt trên hầu hết mọi dòng máy di động phổ thông, do đó việc xây dựng thành công mô hình nhận dạng hiệu quả chỉ từ cảm biến gia tốc mang lại giá trị thực tiễn và tính khả thi ứng dụng cao.

2. Khi vị trí điện thoại không cố định, luận án xử lý hiện tượng thay đổi hệ trục tọa độ như thế nào?

Để giải quyết bài toán điện thoại thay đổi vị trí tự do, tác giả áp dụng hai giải pháp: tính toán thuộc tính độ lớn véc-tơ gia tốc tổng hợp $a_{mag}$ (đại lượng bất biến theo hướng) và sử dụng ma trận quay $R = R_x \times R_y \times R_z$ dựa trên các góc xoay $\beta, \alpha, \phi$ để chuyển đổi toàn bộ véc-tơ tín hiệu từ hệ tọa độ cục bộ của thiết bị sang hệ tọa độ cố định của Trái Đất.

3. Tập thuộc tính đặc trưng TFH2 bao gồm những thành phần nào?

Tập thuộc tính $TFH2$ gồm 59 thuộc tính được cấu thành từ ba nhóm đặc trưng:

  • Miền thời gian ($T2$): Giá trị hiệu dụng (RMS), trung bình, phương sai, độ lệch chuẩn, độ lệch mẫu, tỷ lệ đỉnh trên trung bình (PAR), và hệ số tương quan tuyến tính giữa các trục.
  • Miền tần số ($F2$): Các hệ số biến đổi Fourier nhanh (FFT) và tỷ lệ vượt qua điểm cắt không (ZCR).
  • Tham số Hjorth ($H2$): Hai đại lượng Hjorth Mobility và Hjorth Complexity phản ánh tần số trung bình và sự biến thiên cấu trúc phổ của tín hiệu.

4. Cơ chế nhận dạng hành vi bất thường của luận án hoạt động theo nguyên lý nào?

Luận án không phân lớp trực tiếp hành vi bất thường từ đầu mà tiếp cận gián tiếp qua hai bước:

  • Bước 1: Nhận dạng hành động giao thông cơ bản trên một cửa sổ dữ liệu.
  • Bước 2: Chia cửa sổ hành động cơ bản đó thành các cửa sổ con có kích thước nhỏ hơn và nhận dạng nhãn của từng cửa sổ con. Nếu tỷ lệ các cửa sổ con có nhãn sai khác so với nhãn hành động cơ bản vượt quá một ngưỡng sai khác xác định trước, chuỗi vận động đó được kết luận là hành vi bất thường.

5. Thuật toán học máy nào cho kết quả nhận dạng hành động cơ bản tốt nhất trong các thực nghiệm của luận án?

Trong các thuật toán được khảo sát trên công cụ Weka (gồm J48, k-NN, Naïve Bayes, SVM, ANN, Decision Table và Random Forest), thuật toán Random Forest (RF) đạt hiệu năng phân lớp cao nhất về cả độ chính xác tổng thể (Accuracy) và diện tích dưới đường cong ROC (AUC) trên tập dữ liệu đặc trưng đã qua chuyển đổi hệ tọa độ.

Kết luận

Luận án tiến sĩ của tác giả Lữ Đăng Nhạc đã giải quyết bài toán nhận dạng hành vi giao thông của người điều khiển phương tiện xe máy tại đô thị Việt Nam chỉ sử dụng dữ liệu từ cảm biến gia tốc của điện thoại thông minh ở vị trí không cố định. Bằng việc đề xuất tập 59 thuộc tính đặc trưng kết hợp ($TFH2$) cùng kỹ thuật tối ưu hóa kích thước cửa sổ dữ liệu và chuyển đổi hệ tọa độ Trái Đất, hệ thống nhận dạng hành động cơ bản đạt hiệu năng phân lớp cao và vượt trội trên bộ dữ liệu chuẩn quốc tế HTC. Trên nền tảng đó, giải pháp phát hiện hành vi bất thường thông qua phân đoạn cửa sổ con và đánh giá ngưỡng sai khác nhãn hành động đã mở ra hướng tiếp cận khả thi, tiết kiệm năng lượng và phù hợp với thực tiễn giao thông tại các quốc gia đang phát triển. Toàn bộ các đề xuất lý thuyết và kết quả thực nghiệm đã được kiểm chứng qua 4 công trình khoa học công bố trên các tạp chí và kỷ yếu hội nghị quốc tế uy tín.