Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Tai nạn giao thông đường bộ là một trong những nguyên nhân hàng đầu gây thiệt hại về tính mạng và kinh tế xã hội trên toàn cầu. Theo báo cáo của Tổ chức Y tế Thế giới (WHO), tai nạn giao thông cướp đi sinh mạng của khoảng 1,2 triệu người mỗi năm, tập trung phần lớn tại các quốc gia có thu nhập thấp và trung bình. Tác nhân trực tiếp dẫn đến các sự cố giao thông phần lớn bắt nguồn từ thái độ, hành vi và thao tác điều khiển của người lái xe. Do đó, bài toán giám sát, nhận dạng hành động và phát hiện các hành vi giao thông bất thường có ý nghĩa thực tiễn đối với công tác cảnh báo an toàn, quy hoạch đô thị, định phí bảo hiểm và quản lý phát thải môi trường.

Qua khảo sát của tác giả, phần lớn các công trình nghiên cứu hiện hành về nhận dạng hành vi giao thông trên thế giới bộc lộ ba khoảng trống chính:

  1. Về điều kiện hạ tầng và loại phương tiện: Các nghiên cứu quốc tế chủ yếu thực nghiệm trên xe ô tô, xe buýt hoặc tàu điện ngầm tại các quốc gia phát triển, nơi có hệ thống hạ tầng ổn định và làn đường phân định rõ ràng. Ngược lại, tại các nước đang phát triển như Việt Nam, phương tiện giao thông cá nhân chủ yếu là xe máy và xe đạp, lưu thông hỗn hợp trong điều kiện hạ tầng giao thông phức tạp, không có đường chạy xác định trước.
  2. Về nguồn dữ liệu cảm biến và tiêu thụ năng lượng: Nhiều giải pháp đòi hỏi kết hợp đồng thời nhiều loại tín hiệu như hệ thống định vị toàn cầu (GPS), con quay hồi chuyển (Gyroscope), từ kế (Magnetometer) và camera hình ảnh. Việc duy trì đồng thời các cảm biến này dẫn đến mức tiêu hao năng lượng pin lớn trên điện thoại thông minh, gây cản trở khả năng ứng dụng thực tế liên tục trong suốt hành trình.
  3. Về ràng buộc vị trí thiết bị: Đa số các hệ thống công bố trước đây yêu cầu điện thoại phải được gắn cố định tại một vị trí xác định trên xe hoặc trên mặt phẳng ngang. Yêu cầu này làm giảm tính tự nhiên và sự tiện lợi đối với người sử dụng, vốn có thói quen để điện thoại trong túi quần áo hoặc túi xách khi điều khiển xe máy.

Từ những vấn đề trên, luận án lựa chọn hướng tiếp cận khai thác duy nhất dữ liệu cảm biến gia tốc (Accelerometer) tích hợp sẵn trên điện thoại thông minh với vị trí không cố định để nhận dạng hành động và phát hiện hành vi bất thường của người điều khiển xe máy trong môi trường giao thông đô thị tại Việt Nam.

Mục tiêu nghiên cứu

Mục tiêu bao trùm của luận án là phân tích chuỗi dữ liệu cảm biến gia tốc thu thập từ điện thoại thông minh của người tham gia giao thông nhằm xây dựng hệ thống nhận dạng hành động cơ bản và phát hiện các hành vi giao thông bất thường. Luận án xác định ba nhiệm vụ nghiên cứu cụ thể:

  1. Khảo sát các kỹ thuật thu thập, xử lý và biến đổi dữ liệu cảm biến; đề xuất tập thuộc tính đặc trưng kết hợp trên miền thời gian, miền tần số và các tham số Hjorth phù hợp với cảm biến gia tốc có mức tiêu thụ năng lượng thấp.
  2. Xây dựng hệ thống nhận dạng bốn hành động giao thông cơ bản bao gồm: đi thẳng, dừng, rẽ trái và rẽ phải của người điều khiển phương tiện dựa trên dữ liệu đặc trưng đã biến đổi.
  3. Đề xuất giải pháp phát hiện hành vi giao thông bất thường (tập trung vào phương tiện xe máy) dựa trên việc phân đoạn cửa sổ hành động cơ bản thành các cửa sổ con, nhận dạng nhãn hành động con và so sánh tỷ lệ sai khác nhãn với ngưỡng định trước.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các phương pháp, kỹ thuật phân tích dữ liệu cảm biến; quy trình trích xuất đặc trưng; mô hình phân lớp nhận dạng hành động cơ bản và thuật toán phát hiện hành vi giao thông bất thường của người điều khiển phương tiện.
  • Phạm vi không gian và phương tiện: Môi trường giao thông đô thị tại Việt Nam; tập trung vào phương tiện xe máy với thiết bị điện thoại thông minh được người dùng mang theo ở trạng thái không cố định.
  • Phạm vi dữ liệu thực nghiệm: Dữ liệu cảm biến gia tốc thu thập thực tế từ người tham gia giao thông tại Hà Nội và bộ dữ liệu mở chuẩn của hãng HTC (Đài Loan) phục vụ đối sánh phương pháp.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Luận án đã tổng hợp và phân loại các công trình nghiên cứu liên quan đến bài toán phân tích hành vi giao thông dựa trên cảm biến di động theo các nhóm hướng tiếp cận:

                          CÁC HƯỚNG NGHIÊN CỨU LIÊN QUAN
[1] Hệ thống tích hợp             [2] Nhận dạng hành vi nguy hiểm    [3] Trích xuất đặc trưng
đa cảm biến & GPS                 & so khớp ngưỡng tín hiệu          & giải thuật phân lớp
(Goregaonkar, Johnson,            (Castignani, Li, Ma/Jing Chen,     (Yu, Júnior, Pham Cuong,
 Liu, Minh Van Ly...)              Vavouranakis, Ali Hamdy...)        Ronao, Li Liu, Guvesan...)
Tác giả & Năm Dữ liệu cảm biến sử dụng Vị trí thiết bị Phương pháp xử lý & Nhận dạng Đối tượng nhận dạng Kết quả công bố
Johnson & Trivedi (2011) [5], [17] Gia tốc, Con quay hồi chuyển, Từ trường, GPS, Video Cố định trên ô tô Kỹ thuật Dynamic Time Warping (DTW) Lái xe bình thường và bất thường (rẽ, quay đầu, rẽ đột ngột) TP đạt 91%; Acc riêng lẻ đạt 23%, Gyro đạt 46%, kết hợp đạt 77%
Minh Van Ly (2012) [4] Cảm biến tốc độ, Vận tốc, Góc xoay, GPS, Hình ảnh Cố định Phân lớp SVM, k-NN Tăng tốc, phanh, rẽ trái, rẽ phải Độ chính xác (Accuracy) đạt 65%
Castignani et al. (2013) [35] Gia tốc, Từ trường, Trọng trường, GPS Vị trí thay đổi Logic mờ (Fuzzy Logic) Tăng tốc bất thường, phanh đột ngột, quá tốc độ, lạng lách Tỷ lệ dương tính thật (TP) > 90%
Li et al. (2014) [21] Gia tốc, Con quay hồi chuyển Vị trí thay đổi (nằm ngang) Phát hiện theo ngưỡng góc xoay hệ tọa độ Lái xe bình thường, đánh võng, đổi tốc độ bất thường, dùng điện thoại TP > 90% trên xe taxi Bắc Kinh
Yu et al. (2014) [15] Gia tốc, Cảm biến chuyển hướng Vị trí thay đổi Trích xuất 152 thuộc tính miền thời gian; phân lớp SVM, ANN 6 hành vi bất thường: đánh võng, rẽ lạc tay lái, rê trượt, quay đầu nhanh, rẽ vòng rộng, phanh gấp Accuracy: SVM đạt 95,36%, ANN đạt 96,88%
Ma / Jing Chen et al. (2015) [14] Gia tốc, Con quay hồi chuyển, GPS, Âm thanh Cố định mặt phẳng ngang Biến đổi hệ tọa độ Trái Đất, phát hiện theo ngưỡng Đi nhanh, đổi hướng bất thường, đổi tốc độ bất thường Precision đạt 93,95%, Recall đạt 90,54%
Júnior et al. (2017) [11] Gia tốc, Từ trường, Con quay hồi chuyển, Gia tốc tuyến tính Cố định Trích xuất đặc trưng thống kê miền thời gian; phân lớp ANN, SVM, RF, BN Phanh gấp, tăng tốc gấp, rẽ gấp, chuyển làn gấp, lái xe bình thường Diện tích dưới đường cong ROC (AUC) đạt 0,999
Ali, Aya Hamdy et al. (2017) [18] Gia tốc, Con quay hồi chuyển, GPS Cố định trên ô tô Lọc thông thấp; phân lớp k-NN và so khớp DTW 8 mẫu hành động bình thường và bất thường (rẽ, chuyển làn, đường xấu) Accuracy: DTW đạt 96,75% (mẫu thô 96%), k-NN đạt 78,06% (mẫu thô 98,67%)
Li Liu et al. (2017) [19] Gia tốc Cố định Từ điển mẫu tín hiệu (shapelet dictionary); kiểm chứng CV10 18 hành động Accuracy: ANN đạt 96,44%, DT đạt 62,15%, phương pháp đề xuất đạt 96,54%
Pham Cuong et al. (2016) [22] Gia tốc Điện thoại để trong túi Trích xuất đặc trưng thống kê, năng lượng và 2 tham số Hjorth 7 hoạt động (đi bộ, chạy, xe đạp, dừng, ô tô, lái xe...) Phân lớp thành công các hoạt động di chuyển
Ronao & Cho (2016) [23] Gia tốc, Con quay hồi chuyển Điện thoại trong túi Học sâu ANN 4 lớp, cửa sổ 128 mẫu (2,56s, 50Hz, overlap 50%) 6 hành vi vận động của con người Accuracy: Dữ liệu thô đạt 94,79%, dữ liệu miền tần số đạt 95,75%
Guvesan et al. (2014) [32] Gia tốc, Con quay hồi chuyển, Từ trường Vị trí không cố định Thuật toán Healing; phân lớp RF, J48, k-NN, NB Nhận dạng các loại phương tiện giao thông Phân loại phương tiện giao thông đa dạng

Khoảng trống nghiên cứu luận án giải quyết

Từ việc phân tích tổng quan tài liệu, luận án định vị khoảng trống cần giải quyết:

  • Thiết lập mô hình nhận dạng chỉ sử dụng duy nhất nguồn dữ liệu cảm biến gia tốc nhằm giảm thiểu tối đa mức tiêu hao năng lượng phần cứng trên thiết bị di động.
  • Xử lý triệt để bài toán biến đổi hệ tọa độ khi vị trí điện thoại không cố định trong quá trình di chuyển của người điều khiển xe máy.
  • Xây dựng tập thuộc tính đặc trưng tối ưu kết hợp miền thời gian, miền tần số và tham số Hjorth để mô tả đầy đủ tín hiệu mà không làm tăng chi phí tính toán.
  • Đề xuất cơ chế nhận dạng hành vi bất thường gián tiếp thông qua việc phân tích chuỗi nhãn của các hành động cơ bản thành phần, khắc phục khó khăn của việc thu thập mẫu dữ liệu bất thường trực tiếp trong thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khái niệm và khung lý thuyết nền tảng

  • Hành động giao thông (Traffic Action): Là việc người điều khiển thay đổi trạng thái của phương tiện trong quá trình lưu thông, biểu hiện qua hai yếu tố cơ bản là thay đổi vận tốc và thay đổi hướng di chuyển. Luận án khảo sát bốn hành động cơ bản: Đi thẳng, Dừng, Rẽ trái và Rẽ phải.
  • Hành vi giao thông (Traffic Behavior): Là sự biểu hiện thay đổi trạng thái phương tiện theo cách thức, mức độ và tính chất nhất định trong quá trình lưu thông. Hành vi được hình thành từ tính chất của một hành động hoặc chuỗi hành động lặp đi lặp lại liên tục trong các tình huống cụ thể.
  • Hành vi bất thường (Abnormal Behavior): Là các phản ứng điều khiển phương tiện ở trạng thái không bình thường (như lạng lách, đánh võng, phanh gấp, chuyển hướng đột ngột) xuất hiện khi có tác nhân chủ quan hoặc khách quan tác động.

Kỹ thuật tiền xử lý và biến đổi hệ tọa độ

Do điện thoại di động không đặt cố định, hệ trục tọa độ $(X, Y, Z)$ của thiết bị liên tục thay đổi so với hướng chuyển động của phương tiện. Luận án áp dụng hai kỹ thuật toán học:

  1. Độ lớn gia tốc tổng hợp ($a_{mag}$): Thuộc tính vô hướng độc lập với hệ tọa độ, tính theo công thức: $$a_{mag} = \sqrt{a_x^2 + a_y^2 + a_z^2}$$
  2. Biến đổi hệ tọa độ thiết bị sang hệ tọa độ Trái Đất $(X', Y', Z')$: Sử dụng ma trận quay tổng hợp $R = R_x \cdot R_y \cdot R_z$ với các góc Euler $\alpha, \beta, \phi$ tương ứng trên ba trục: $$\begin{bmatrix} a_{X'} \ a_{Y'} \ a_{Z'} \end{bmatrix} = R \begin{bmatrix} a_X \ a_Y \ a_Z \end{bmatrix}$$ Trong đó: $$R_x = \begin{bmatrix} 1 & 0 & 0 \ 0 & \cos\beta & -\sin\beta \ 0 & \sin\beta & \cos\beta \end{bmatrix}, \quad R_y = \begin{bmatrix} \cos\alpha & 0 & \sin\alpha \ 0 & 1 & 0 \ -\sin\alpha & 0 & \cos\alpha \end{bmatrix}, \quad R_z = \begin{bmatrix} \cos\phi & -\sin\phi & 0 \ \sin\phi & \cos\phi & 0 \ 0 & 0 & 1 \end{bmatrix}$$
                HỆ TỌA ĐỘ VÀ QUY TRÌNH BIẾN ĐỔI TÍN HIỆU

Kỹ thuật phân đoạn cửa sổ dữ liệu

Luận án sử dụng kỹ thuật cửa sổ trượt (sliding window) có độ dài $W$ và độ chồng lấp $k$ điểm dữ liệu (overlap). Việc phân đoạn giúp bảo toàn tính liên tục của chuỗi thời gian và hạn chế mất mát thông tin tại các điểm biên của hành động.

                    KỸ THUẬT CỬA SỔ TRƯỢT VÀ CHỒNG DỮ LIỆU
  Tín hiệu:  |---------------- Cửa sổ i ----------------|
                                           |---------------- Cửa sổ i+1 --------------|
             [ 1   2   ...   k-1   k   k+1 ... N-1   N ]
                                   [ 1   2   ...   k-1   k   k+1 ... N-1   N ]
                                   |<--- Chồng k mẫu --->|

Không gian thuộc tính đặc trưng đề xuất (59 thuộc tính)

Luận án xây dựng và khảo sát các tập thuộc tính trên ba miền:

  • Miền thời gian ($T2$):
    • Giá trị căn trung bình bình phương (RMS): $$RMS = \sqrt{\frac{1}{N}\sum_{i=1}^N x_i^2}$$
    • Giá trị trung bình ($\bar{x}$): $$\bar{x} = \frac{1}{N}\sum_{i=1}^N x_i$$
    • Phương sai ($\sigma^2$) và Độ lệch chuẩn ($\sigma$): $$\sigma^2 = \frac{1}{N}\sum_{i=1}^N (x_i - \bar{x})^2$$
    • Độ lệch cực đại - cực tiểu (Range): $$Range = \max(x) - \min(x)$$
    • Tỷ lệ đỉnh trên trung bình (Peak to Average Ratio - PAR): $$PAR = \frac{\max(|x|)}{\bar{x}}$$
    • Hệ số tương quan tín hiệu giữa các cặp trục tọa độ $(X-Y, Y-Z, X-Z)$.
  • Miền tần số ($F2$): Biến đổi Fourier nhanh (FFT), mật độ phổ năng lượng và tỷ lệ vượt qua điểm không (Zero Crossing Rate - ZCR).
  • Tham số Hjorth ($H2$):
    • Hjorth Mobility: Đại lượng phản ánh tần số trung bình của tín hiệu: $$\text{Mobility} = \sqrt{\frac{\text{Var}(x')}{\text{Var}(x)}}$$
    • Hjorth Complexity: Đại lượng đo lường mức độ biến thiên tần số của tín hiệu: $$\text{Complexity} = \frac{\text{Mobility}(x')}{\text{Mobility}(x)}$$ (với $x'$ là đạo hàm bậc nhất của tín hiệu $x$).
  • Các tập thuộc tính kết hợp được khảo sát bao gồm: $H2, T2, F2, TH2, TF2, TFH2$ (tổng hợp đầy đủ 59 thuộc tính).

Thuật toán phân lớp và phương pháp đánh giá

  • Mô hình phân lớp: Rừng ngẫu nhiên (Random Forest - RF), Cây quyết định (J48), k-Láng giềng gần nhất (k-NN), Naïve Bayes (NB), Véc-tơ tựa (SVM), Mạng nơ-ron nhân tạo (ANN) và Mạng nơ-ron nhiều lớp Deeplearning4j (Dl4jMlpClassifier).
  • Kỹ thuật so khớp: Dynamic Time Warping (DTW).
  • Phương pháp kiểm chứng: Kiểm chứng chéo 10 phần (10-Fold Cross Validation - CV10) trên môi trường phần mềm khai phá dữ liệu Weka.
  • Chỉ số đánh giá: Độ chính xác phân lớp tổng thể (Accuracy - ACC), Độ nhạy/Thu hồi (Recall/TP rate), Dương tính giả (FP rate), Độ chính xác cục bộ (Precision) và Diện tích dưới đường cong đặc tính hoạt động máy thu (Area Under ROC Curve - AUC).

Nội dung chính theo từng chương

Chương 1: Tổng quan về nhận dạng hành vi

Chương 1 thiết lập cơ sở phương pháp luận cho toàn bộ luận án:

  1. Phân tích chi tiết ba mô hình kiến trúc thu thập và xử lý dữ liệu cảm biến:
    • Mô hình 1: Gửi toàn bộ dữ liệu thô về máy chủ trung tâm để tính toán phân tích.
    • Mô hình 2: Xử lý, nhận dạng và hiển thị kết quả trực tiếp cục bộ trên điện thoại thông minh.
    • Mô hình 3: Thu thập và xử lý trích xuất sơ bộ trên thiết bị di động, sau đó truyền kết quả nhận dạng về máy chủ để đồng bộ và phục vụ các ứng dụng quản trị vĩ mô. Luận án chọn kiến trúc phối hợp này nhằm tối ưu hiệu năng tính toán và tiêu thụ năng lượng.
  2. Xác lập quy trình nghiên cứu tổng thể gồm ba giai đoạn kế tiếp nhau:
    • Nhận dạng phương tiện giao thông (đã công bố tại công trình [CT4]).
    • Nhận dạng bốn hành động giao thông cơ bản (nội dung Chương 2).
    • Nhận dạng hành vi giao thông bất thường (nội dung Chương 3).
                      QUY TRÌNH NGHIÊN CỨU TỔNG THỂ

Chương 2: Nhận dạng hành động giao thông

Chương 2 trình bày chi tiết giải pháp nhận dạng bốn hành động cơ bản (Đi thẳng, Dừng, Rẽ trái, Rẽ phải) từ dữ liệu cảm biến gia tốc:

  1. Khảo sát và đánh giá tập thuộc tính: Thực nghiệm so sánh phân lớp trên các tập đặc trưng $H2, T2, F2, TH2, TF2, TFH2$. Kết quả khẳng định tập kết hợp đầy đủ $TFH2$ (gồm 59 thuộc tính) cho hiệu năng phân lớp vượt trội trên mọi thuật toán, trong đó các tham số Hjorth đóng vai trò cải thiện rõ rệt chỉ số AUC.
  2. Hiệu quả của biến đổi hệ tọa độ: Đối sánh thực nghiệm giữa dữ liệu thô và dữ liệu sau khi biến đổi hệ tọa độ Trái Đất chứng minh việc chuyển trục giúp triệt tiêu hiện tượng trôi dạt tọa độ khi điện thoại di động nằm trong túi người lái xe, nâng cao độ ổn định nhận dạng của các trục $X', Y', Z'$.
  3. Tối ưu hóa kích thước cửa sổ trượt ($W$) và tỷ lệ chồng lấp ($k$): Luận án xây dựng thuật toán khảo sát biến thiên độ đo AUC để lựa chọn kích thước cửa sổ riêng biệt phù hợp với động học của từng hành động:
    • Hành động Dừng: Kích thước cửa sổ tối ưu ngắn do trạng thái vận tốc triệt tiêu nhanh.
    • Hành động Đi thẳng: Kích thước cửa sổ trung bình ổn định.
    • Hành động Rẽ trái và Rẽ phải: Kích thước cửa sổ dài hơn nhằm bao trọn toàn bộ chu kỳ đổi hướng và nghiêng xe của người điều khiển.
  4. Khảo sát thuật toán phân lớp: So sánh các giải thuật phân lớp trên công cụ Weka (gồm RF, J48, k-NN, NB, SVM). Thuật toán Rừng ngẫu nhiên (Random Forest - RF) đạt kết quả phân lớp cao nhất trên cả bốn hành động.
  5. Đối sánh trên bộ dữ liệu chuẩn HTC: Áp dụng hệ thống đề xuất trên tập dữ liệu HTC công bố bởi Đài Loan, kết quả phân lớp của luận án đạt độ chính xác cao hơn so với các phương pháp công bố trước đó trên cùng bộ dữ liệu kiểm thử.

Chương 3: Nhận dạng hành vi bất thường

Chương 3 đề xuất giải pháp phát hiện hành vi bất thường (điển hình là hành vi lạng lách, đánh võng khi điều khiển xe máy) dựa trên kết quả đầu ra của hệ thống nhận dạng hành động cơ bản:

  1. Nguyên lý phát hiện: Trong một khung thời gian ngắn tương ứng với một hành động cơ bản đang diễn ra (ví dụ hành động Đi thẳng với cửa sổ $W$), chuỗi dữ liệu được phân đoạn thành các cửa sổ nhỏ hơn có kích thước $w$ ($w < W$).
  2. Cơ chế so sánh tỷ lệ sai khác:
    • Hệ thống tiến hành nhận dạng nhãn hành động cho từng cửa sổ con kích thước $w$.
    • Nếu trong khoảng thời gian của hành động cơ bản xuất hiện chuỗi các nhãn hành động con sai khác với nhãn cơ bản (ví dụ xuất hiện xen kẽ liên tục các nhãn Rẽ trái, Rẽ phải trong khi hành động tổng thể là Đi thẳng), hệ thống tính toán tỷ lệ phần trăm sai khác.
    • Tỷ lệ sai khác được so sánh với một giá trị ngưỡng sai khác $\theta$ định trước để đưa ra kết luận hành vi là Bình thường hay Bất thường (lạng lách).
  3. Thực nghiệm và đối sánh hiệu năng:
    • So sánh với kỹ thuật so khớp mẫu chuỗi thời gian Dynamic Time Warping (DTW): Phương pháp DTW gặp hạn chế lớn về thời gian tính toán khi số lượng mẫu tăng và độ chính xác suy giảm khi dữ liệu có nhiễu rung lắc của xe máy.
    • So sánh với mô hình học sâu Dl4jMlpClassifier và mô hình phân lớp trực tiếp Random Forest (RF): Giải pháp phát hiện bất thường dựa trên phân rã hành động cơ bản của luận án đạt độ chính xác phân loại cao, giảm thiểu tỷ lệ dương tính giả (FP) và có chi phí tính toán thấp, hoàn toàn khả thi khi triển khai trên thiết bị di động cá nhân.

Kết quả và những đóng góp mới

Đóng góp mới về mặt lý luận và khoa học

  1. Đề xuất không gian 59 thuộc tính đặc trưng đa miền ($TFH2$): Luận án đã tích hợp thành công các tham số Hjorth ($H2$: Mobility, Complexity) cùng các thuộc tính miền thời gian ($T2$) và miền tần số ($F2$) trên chuỗi dữ liệu cảm biến gia tốc. Đóng góp này cung cấp cơ sở lý luận cho việc mô tả đầy đủ đặc tính động học của người điều khiển xe máy mà không cần sử dụng thêm các cảm biến phụ trợ gây hao pin.
  2. Đề xuất phương pháp luận phát hiện hành vi bất thường thông qua cấu trúc hành động cơ bản: Thay vì tìm cách thu thập trực tiếp các mẫu dữ liệu bất thường hiếm gặp và phân lớp nhị phân trực tiếp, luận án xây dựng nguyên lý phân rã và so sánh nhãn sai khác trên các cửa sổ con. Đây là cách tiếp cận mới đối với bài toán nhận dạng hành vi phức hợp trong điều kiện giao thông hỗn hợp.
  3. Thuật toán tối ưu hóa cửa sổ thích ứng theo độ đo AUC: Luận án chứng minh kích thước cửa sổ trượt không nên cố định cho mọi hành động mà cần được tối ưu riêng biệt theo động học của từng trạng thái di chuyển (Dừng, Đi thẳng, Rẽ trái, Rẽ phải).

Đóng góp mới về mặt thực tiễn

  • Xây dựng thành công hệ thống nhận dạng hành động và hành vi giao thông đạt độ chính xác cao khi điện thoại di động để tự do trong túi người dùng, thích ứng với đặc thù xe máy tại đô thị Việt Nam.
  • Kết quả thực nghiệm của hệ thống trên bộ dữ liệu chuẩn quốc tế HTC đạt hiệu năng vượt trội so với các công bố trước đây trên cùng bộ dữ liệu.
  • Các kết quả nghiên cứu đã được công bố trong bốn (04) công trình khoa học quốc tế có phản biện, bao gồm:
    • 01 bài báo trên tạp chí quốc tế thuộc danh mục SCIE ([CT4]).
    • 03 bài báo trên kỷ yếu các hội nghị quốc tế uy tín thuộc danh mục Scopus ([CT1], [CT2], [CT3]).

Khuyến nghị và giải pháp ứng dụng

  • Tích hợp mô-đun nhận dạng vào các ứng dụng bản đồ dẫn đường và ứng dụng gọi xe công nghệ để theo dõi, đánh giá chỉ số an toàn của tài xế xe máy theo thời gian thực.
  • Cung cấp dữ liệu hành vi ẩn danh cho các cơ quan quản lý đô thị và doanh nghiệp bảo hiểm phục vụ đánh giá rủi ro giao thông và tối ưu hóa hạ tầng điều hành giao thông thông minh.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

  • Phạm vi phương tiện và hành động: Nghiên cứu mới tập trung giải quyết chuyên sâu trên phương tiện xe máy với bốn hành động cơ bản và hành vi lạng lách; chưa mở rộng sang toàn bộ các phương tiện thô sơ khác như xe đạp, xe đạp điện.
  • Nhiễu rung động hạ tầng: Mặc dù kỹ thuật chuyển trục hệ tọa độ Trái Đất đã xử lý việc thay đổi vị trí thiết bị, nhưng các rung chấn mạnh đột ngột do mặt đường xấu (ổ gà, gờ giảm tốc) đôi khi vẫn tạo ra các xung gia tốc cục bộ có thể ảnh hưởng đến kết quả phân đoạn cửa sổ.
  • Xác định ngưỡng sai khác: Ngưỡng sai khác $\theta$ dùng để phân định hành vi bất thường hiện được xác lập thông qua thực nghiệm khảo sát; việc thích ứng tự động ngưỡng này theo từng cá nhân người lái vẫn là một thách thức kỹ thuật.

Hướng phát triển tiếp theo

  • Mở rộng tập mẫu nhận dạng sang các hành vi nguy hiểm phức tạp khác như: phanh gấp ở tốc độ cao, chuyển làn đột ngột không bật tín hiệu, rê trượt bánh xe khi vào cua.
  • Tích hợp mô hình nhận dạng phương tiện tự động kết hợp với mô hình nhận dạng hành vi để tạo thành hệ thống giám sát toàn diện đa phương thức.
  • Tối ưu hóa mã nguồn thuật toán để triển khai thành dịch vụ nền (background service) tiêu thụ điện năng tối thiểu trên các hệ điều hành di động Android và iOS.

Giá trị tham khảo

Đối tượng thụ hưởng

  • Nghiên cứu sinh, học viên cao học và giảng viên: Thuộc các chuyên ngành Hệ thống thông tin, Khoa học máy tính, Kỹ thuật dữ liệu và Trí tuệ nhân tạo; có thể sử dụng luận án làm tài liệu tham khảo chuyên sâu về khai phá dữ liệu chuỗi thời gian cảm biến (Sensor Time-Series Data Mining) và kỹ thuật trích xuất đặc trưng đa miền.
  • Kỹ sư phát triển phần mềm di động và IoT: Tham khảo kiến trúc xử lý tín hiệu cảm biến thời gian thực, thuật toán ma trận quay chuyển hệ tọa độ và các kỹ thuật tối ưu hóa tài nguyên phần cứng trên thiết bị cầm tay.
  • Nhà quản lý giao thông và các đơn vị bảo hiểm: Tham khảo khung phân tích hành vi lái xe phục vụ xây dựng chính sách quản lý an toàn giao thông đô thị và mô hình chấm điểm rủi ro lái xe dựa trên dữ liệu viễn thông (Telematics).

Các nội dung có giá trị tham khảo nổi bật

  • Bảng tổng hợp chi tiết 59 thuộc tính đặc trưng kết hợp miền thời gian, tần số và tham số Hjorth tại [Chương 2].
  • Thuật toán lựa chọn kích thước cửa sổ và tỷ lệ chồng lấp thích ứng theo chỉ số diện tích dưới đường cong ROC (AUC).
  • Phương pháp luận chuyển đổi hệ tọa độ Trái Đất triệt tiêu góc xoay của thiết bị tự do.
  • Quy trình thực nghiệm đối sánh đa thuật toán phân lớp trên nền tảng Weka và bộ dữ liệu HTC.

Câu hỏi thường gặp

1. Tại sao luận án chỉ sử dụng duy nhất cảm biến gia tốc mà không kết hợp GPS hoặc con quay hồi chuyển?

Việc sử dụng đồng thời nhiều cảm biến như GPS, con quay hồi chuyển và camera cung cấp nhiều thông tin nhưng lại gây tiêu hao rất lớn năng lượng pin của điện thoại thông minh, khiến ứng dụng không thể hoạt động liên tục trong suốt hành trình dài. Cảm biến gia tốc là loại cảm biến tiêu thụ ít năng lượng nhất và được tích hợp trên hầu hết các dòng điện thoại phổ biến. Luận án giải quyết bài toán thiếu hụt thông tin bằng cách xây dựng tập 59 thuộc tính đặc trưng đa miền ($TFH2$) và kỹ thuật chuyển hệ tọa độ Trái Đất, đảm bảo độ chính xác nhận dạng cao mà vẫn tiết kiệm tài nguyên thiết bị.

2. Luận án xử lý như thế nào khi điện thoại của người lái xe bị thay đổi vị trí liên tục trong túi?

Khi điện thoại không cố định, hệ trục tọa độ của cảm biến liên tục bị lệch so với hướng chuyển động của phương tiện. Luận án giải quyết vấn đề này bằng cách áp dụng ma trận quay tổng hợp $R = R_x \cdot R_y \cdot R_z$ dựa trên các góc xoay Euler $(\alpha, \beta, \phi)$ để chuyển đổi các véc-tơ gia tốc thô $(a_x, a_y, a_z)$ từ hệ tọa độ thiết bị về hệ tọa độ Trái Đất $(a_{X'}, a_{Y'}, a_{Z'})$. Kỹ thuật này giúp các thành phần gia tốc ổn định theo phương ngang, phương dọc và phương thẳng đứng bất kể vị trí đặt điện thoại.

3. Tham số Hjorth đóng vai trò gì trong tập thuộc tính đặc trưng được đề xuất?

Tham số Hjorth gồm hai đại lượng: Hjorth Mobility (phản ánh tần số trung bình của tín hiệu) và Hjorth Complexity (đo lường sự biến thiên tần số). Khi kết hợp vào tập đặc trưng ($TFH2$), tham số Hjorth giúp nắm bắt được các biến đổi động học tinh vi và độ mất ổn định của tay lái xe máy khi thực hiện các thao tác đổi hướng hoặc lạng lách. Kết quả thực nghiệm trong luận án chứng minh sự có mặt của tham số Hjorth làm tăng đáng kể diện tích dưới đường cong ROC (AUC) của các mô hình phân lớp.

4. Nguyên lý phát hiện hành vi lạng lách dựa trên hành động cơ bản diễn ra như thế nào?

Thay vì phân lớp nhị phân trực tiếp, hệ thống xác định một hành động cơ bản đang diễn ra trong cửa sổ thời gian $W$ (ví dụ: hành động Đi thẳng). Sau đó, chuỗi dữ liệu trong $W$ được chia nhỏ thành các cửa sổ con có kích thước $w$ ($w < W$). Hệ thống tiến hành nhận dạng nhãn cho từng cửa sổ con này. Nếu trong hành trình đi thẳng xuất hiện chuỗi nhãn rẽ trái, rẽ phải xen kẽ với tỷ lệ sai khác vượt quá một ngưỡng $\theta$ định trước, hệ thống sẽ kết luận đối tượng đang thực hiện hành vi bất thường (lạng lách).

5. Hệ thống nhận dạng hành động của luận án được kiểm chứng trên bộ dữ liệu chuẩn nào?

Hệ thống được kiểm chứng đối sánh trên bộ dữ liệu mở chuẩn của tập đoàn công nghệ HTC (Đài Loan) [56]. Thực nghiệm kiểm chứng chéo 10 phần (CV10) trên tập dữ liệu này cho thấy giải pháp đề xuất của luận án đạt kết quả phân lớp cao hơn so với các phương pháp đã được công bố trước đó của các nhóm tác giả khác trên cùng bộ dữ liệu kiểm thử (trình bày chi tiết trong công trình [CT4]).

Kết luận

Luận án tiến sĩ của tác giả Lữ Đăng Nhạc đã giải quyết bài toán nhận dạng hành động và phát hiện hành vi giao thông bất thường của người điều khiển xe máy bằng cách chỉ khai thác duy nhất dữ liệu cảm biến gia tốc từ điện thoại thông minh ở vị trí không cố định. Thông qua việc đề xuất tập 59 thuộc tính đặc trưng đa miền có tích hợp tham số Hjorth, thuật toán tối ưu cửa sổ trượt theo độ đo AUC và phương pháp phát hiện bất thường dựa trên cấu trúc hành động cơ bản, công trình đã đạt được độ chính xác phân lớp cao và tiết kiệm năng lượng thiết bị. Toàn bộ các kết quả lý thuyết và thực nghiệm đã được minh chứng qua bốn công trình khoa học công bố trên các tạp chí và kỷ yếu hội nghị quốc tế uy tín (SCIE, Scopus), mang lại giá trị ứng dụng thiết thực cho các hệ thống giám sát an toàn giao thông đô thị thông minh tại Việt Nam.