Nhận Dạng Hành Vi Của Người Tham Gia Giao Thông Dựa Trên Cảm Biến Điện Thoại

Hành động giao thông là những hoạt động cụ thể như đi thẳng, rẽ trái, rẽ phải, dừng lại. Hành vi giao thông bao gồm các hành động này và các yếu tố ảnh hưởng đến quyết định thực hiện hành động, ví dụ như tốc độ, khoảng cách với xe khác, và tuân thủ luật lệ. Phân tích hành vi giao thông đòi hỏi thu thập và xử lý dữ liệu từ nhiều nguồn khác nhau, bao gồm cảm biến điện thoại, camera giao thông, và dữ liệu từ hệ thống quản lý giao thông. Mục tiêu là hiểu rõ hơn về cách người tham gia giao thông tương tác với môi trường xung quanh và đưa ra các quyết định, từ đó giúp cải thiện an toàn giao thông. Cần phân biệt rõ giữa hành động cụ thể và hành vi bao quát hơn để xây dựng mô hình nhận dạng chính xác.

Điện thoại thông minh đã trở thành một công cụ mạnh mẽ để thu thập dữ liệu về hành vi giao thông do tích hợp nhiều loại cảm biến, bao gồm gia tốc kế, con quay hồi chuyển, và GPS. Gia tốc kế đo lường gia tốc của thiết bị, cung cấp thông tin về sự thay đổi vận tốc và hướng di chuyển. Con quay hồi chuyển đo lường tốc độ góc, giúp xác định hướng xoay của thiết bị. GPS cung cấp thông tin vị trí, cho phép theo dõi lộ trình di chuyển. Dữ liệu từ các cảm biến này có thể được sử dụng để nhận dạng các hoạt động giao thông như đi bộ, đi xe đạp, lái xe ô tô hoặc xe máy, và sử dụng phương tiện công cộng. Một lợi thế lớn của việc sử dụng cảm biến điện thoại là tính sẵn có và tiện lợi, vì hầu hết mọi người đều mang theo điện thoại thông minh bên mình.

Vị trí đặt điện thoại trong quá trình tham gia giao thông ảnh hưởng lớn đến dữ liệu thu thập được từ cảm biến gia tốc và con quay hồi chuyển. Ví dụ, khi điện thoại đặt trong túi quần, dữ liệu sẽ bị ảnh hưởng bởi chuyển động của cơ thể, gây khó khăn cho việc nhận dạng chính xác hoạt động giao thông. Ngược lại, khi điện thoại gắn trên giá đỡ trên xe máy, dữ liệu sẽ phản ánh chính xác hơn chuyển động của xe. Do đó, các thuật toán nhận dạng cần được thiết kế để thích ứng với sự thay đổi vị trí điện thoại để đảm bảo độ chính xác cao nhất. Cần phát triển các phương pháp để hiệu chỉnh dữ liệu hoặc sử dụng các mô hình học máy có khả năng tự động thích ứng với các vị trí khác nhau.

Giao thông Việt Nam có những đặc điểm riêng biệt so với các nước phát triển, bao gồm sự đa dạng của các phương tiện (xe máy chiếm tỷ lệ lớn), sự hỗn loạn của giao thông đô thị, và sự khác biệt trong văn hóa giao thông. Do đó, các mô hình nhận dạng hành vi được phát triển ở các nước khác có thể không hoạt động tốt ở Việt Nam. Cần phát triển các mô hình riêng biệt, được huấn luyện trên dữ liệu thu thập từ môi trường giao thông Việt Nam. Các mô hình này cần có khả năng xử lý sự phức tạp của giao thông đô thị, bao gồm việc nhận dạng các hành vi như lạng lách, đánh võng, và vượt đèn đỏ. Việc tích hợp thông tin về ngữ cảnh giao thông (ví dụ: thời gian, địa điểm, điều kiện thời tiết) cũng có thể giúp cải thiện độ chính xác nhận dạng. Ngoài ra, việc kết hợp với dữ liệu lớn (Big Data) từ các nguồn khác nhau có thể giúp hệ thống học hỏi và thích nghi tốt hơn.

Dữ liệu cảm biến thô thường chứa nhiều nhiễu, do đó cần được tiền xử lý để loại bỏ các yếu tố gây nhiễu. Các phương pháp tiền xử lý phổ biến bao gồm lọc nhiễu bằng các bộ lọc Kalman, chuẩn hóa dữ liệu, và làm mịn dữ liệu bằng các phương pháp trung bình trượt. Bộ lọc Kalman là một bộ lọc đệ quy tối ưu được sử dụng để ước tính trạng thái của một hệ thống động dựa trên chuỗi các phép đo bị nhiễu. Chuẩn hóa dữ liệu giúp đưa dữ liệu về cùng một phạm vi giá trị, giúp cải thiện hiệu suất của các thuật toán học máy. Cần lựa chọn các phương pháp tiền xử lý phù hợp với đặc điểm của dữ liệu cảm biến và mục tiêu của bài toán.

Trích xuất đặc trưng là quá trình quan trọng để chuyển đổi dữ liệu cảm biến thô thành các đặc trưng có ý nghĩa, giúp phân biệt giữa các hành vi giao thông khác nhau. Các đặc trưng có thể được trích xuất từ miền thời gian (ví dụ: trung bình, độ lệch chuẩn, giá trị lớn nhất, giá trị nhỏ nhất), miền tần số (ví dụ: các hệ số FFT), hoặc miền không gian (ví dụ: góc giữa các trục cảm biến). Các đặc trưng cần được lựa chọn sao cho chúng thể hiện rõ các đặc điểm của hành vi giao thông và ít bị ảnh hưởng bởi nhiễu. Việc kết hợp các đặc trưng từ nhiều miền khác nhau có thể giúp cải thiện độ chính xác nhận dạng. Luận án này sử dụng tham số Hjorth cho các đại lượng khác nhau nhằm thu được các thuộc tính phù hợp để biến đổi dữ liệu cảm biến thành dữ liệu đặc trưng.

Các thuật toán học máy được sử dụng để xây dựng mô hình phân loại hành vi giao thông dựa trên các đặc trưng đã được trích xuất. Các thuật toán phổ biến bao gồm SVM, Random Forest, Neural Networks, và k-NN. SVM là một thuật toán phân loại mạnh mẽ, đặc biệt hiệu quả với dữ liệu có số chiều cao. Random Forest là một thuật toán phân loại ensemble, kết hợp nhiều cây quyết định để cải thiện độ chính xác. Neural Networks là một mô hình phức tạp, có khả năng học các mối quan hệ phi tuyến giữa các đặc trưng và nhãn. k-NN là một thuật toán đơn giản, phân loại một đối tượng dựa trên nhãn của các đối tượng gần nhất. Cần lựa chọn thuật toán phù hợp với đặc điểm của dữ liệu và mục tiêu của bài toán. Đồng thời cần đánh giá hiệu năng của các thuật toán khác nhau để lựa chọn mô hình tối ưu. Ngoài ra, khảo sát, lựa chọn kích thước cửa sổ và tỷ lệ chồng dữ liệu để phân tích tìm ra các giá trị tương ứng, phù hợp với các hành động cũng quan trọng.

Hệ thống được xây dựng có khả năng nhận dạng các hành động giao thông cơ bản của người điều khiển phương tiện, bao gồm: Dừng, Đi thẳng, Rẽ trái và Rẽ phải. Dữ liệu đầu vào là dữ liệu từ cảm biến gia tốc được biến đổi từ tập thuộc tính đã lựa chọn. Kết quả độ đo sau khi phân loại dữ liệu được sử dụng để đánh giá, lựa chọn tập thuộc tính. Hệ thống có thể hoạt động trong thời gian thực và đưa ra cảnh báo cho người dùng khi phát hiện các hành vi không an toàn. Hệ thống đã được thử nghiệm trên nhiều loại phương tiện khác nhau, bao gồm xe máy, ô tô, và xe buýt.

Luận án đề xuất giải pháp phát hiện hành vi giao thông bất thường theo một hướng tiếp cận mới, hướng tiếp cận này dựa trên kết quả nhận dạng hành động cơ bản. Trong thời gian ngắn mà một hành động cơ bản xảy ra, nếu hệ thống nhận dạng phát hiện có sự bất thường thì xác định đây là hành vi bất thường. Kỹ thuật xác định bất thường dựa trên phân đoạn dữ liệu của hành động cơ bản với kích thước cửa sổ nhỏ hơn sau đó tiến hành nhận dạng các đoạn dữ liệu này nhằm so sánh, đánh giá sự sai khác các nhãn hành động nhận được với hành động cơ bản để xác định tính bất thường. Giải pháp này có thể phát hiện các hành vi nguy hiểm như lạng lách, vượt đèn đỏ, và đi ngược chiều.

Hệ thống nhận dạng và phát hiện hành vi giao thông đã được đánh giá trên dữ liệu thực tế thu thập từ người tham gia giao thông tại Hà Nội. Kết quả cho thấy hệ thống có độ chính xác cao và có thể phát hiện các hành vi nguy hiểm một cách hiệu quả. So sánh với một số nghiên cứu đã được công bố trước đó với tập dữ liệu này, kết quả nhận dạng bằng hệ thống đề xuất cao hơn. Phương pháp và kết quả thực nghiệm được trình bày trong công bố. Hệ thống có thể được sử dụng để cải thiện an toàn giao thông và giảm thiểu tai nạn giao thông.

Việc tích hợp trí tuệ nhân tạo (AI) và học sâu (Deep Learning) có thể giúp cải thiện đáng kể khả năng nhận diện hành vi giao thông. Các mô hình học sâu có thể học các đặc trưng phức tạp từ dữ liệu cảm biến, giúp phân biệt giữa các hành vi một cách chính xác hơn. Các mô hình này cũng có thể được sử dụng để dự đoán các hành vi trong tương lai, giúp đưa ra cảnh báo sớm cho người lái xe. Cần nghiên cứu và phát triển các mô hình học sâu phù hợp với đặc điểm của dữ liệu giao thông tại Việt Nam.

Việc ứng dụng IoT (Internet of Things) trong giao thông có thể giúp kết nối các thiết bị và hệ thống khác nhau để giám sát hành vi giao thông một cách toàn diện hơn. Ví dụ, các cảm biến trên xe, camera giao thông, và hệ thống quản lý giao thông có thể được kết nối để chia sẻ dữ liệu và đưa ra các quyết định phối hợp. Dữ liệu từ các nguồn khác nhau có thể được sử dụng để xây dựng các mô hình dự đoán và nhận diện chính xác hơn. Cần xây dựng các hạ tầng IoT an toàn và bảo mật để đảm bảo tính riêng tư của người dùng.