Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại

     ĐẠI HỌC QUỐC GIA HÀ NỘI  TRƯỜNG ĐẠI HỌC CÔNG NGHỆ            Lữ Đăng Nhạc          NHẬN DẠNG HÀNH VI CỦA NGƯỜI THAM GIA GIAO THÔNG DỰA TRÊN CẢM BIẾN ĐIỆN THOẠI                  LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN                    HÀ NỘI – 2019  ĐẠI HỌC QUỐC GIA HÀ NỘI    TRƯỜNG ĐẠI HỌC CÔNG NGHỆ      Lữ Đăng Nhạc      NHẬN DẠNG HÀNH VI CỦA NGƯỜI THAM GIA GIAO THÔNG DỰA TRÊN CẢM BIẾN ĐIỆN THOẠI       Chun ngành: Hệ thống Thơng tin  Mã số: 9480401.01    LUẬN ÁN TIẾN SĨ CƠNG NGHỆ THƠNG TIN  NGƯỜI HƯỚNG DẪN KHOA HỌC:  1. PGS. TS NGUYỄN HÀ NAM  2. PGS. TS PHAN XUÂN HIẾU                        Hà Nội – 2019      LỜI CAM ĐOAN Tơi  xin  cam  đoan  đây  là  cơng  trình  nghiên  cứu  do  tơi  thực  hiện  dưới  sự  hướng dẫn của PGS.TS. Nguyễn Hà Nam và PGS.TS. Phan Xn Hiếu tại Bộ mơn  các Hệ thống Thơng tin, Khoa Cơng nghệ Thơng tin, Trường Đại học Cơng nghệ,  Đại học Quốc gia Hà Nội. Các số liệu và kết quả trình bày trong luận án là trung  thực và chưa được cơng bố trong các cơng trình khác.    Tác giả               Lữ Đăng Nhạc         LỜI CẢM ƠN Luận án được thực hiện tại Bộ môn Hệ thống Thông tin-Khoa CNTT-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.  Trước tiên, tơi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS. Nguyễn Hà Nam  và PGS.TS Phan Xn Hiếu. Những người Thầy đã tận tụy chỉ dạy, giúp đỡ tơi giải  quyết những vấn đề khó khăn trong nghiên cứu khoa học và trong cuộc sống.   Tơi cũng xin gửi lời cảm ơn tới tập thể các Thầy, Cơ giáo, các Nhà khoa học  trong khoa CNTT đã truyền đạt những kiến thức q báu và đã tạo điều kiện thuận  lợi cho tơi trong q trình học tập và nghiên cứu. Để có được dữ liệu phục vụ cho  nghiên cứu, tơi xin gửi lời cảm ơn tới Nhóm nghiên cứu của PGS.TS. Nguyễn Hà  Nam đã giúp tơi thu thập dữ liệu cũng như tiến hành một số thực nghiệm liên quan  đến Luận án.  Tơi cũng gửi lời tri ân tới bạn bè, đồng nghiệp, người thân đã giúp đỡ và hỗ  trợ tơi trong suốt q trình nghiên cứu.  Cuối cùng, tơi vơ cùng biết ơn gia đình, bố mẹ, anh chị em, đặc biệt là vợ và   hai con nhỏ của tơi, những người đã động viên, giành những điều kiện tốt nhất để  tơi có thể hồn thành chương trình nghiên cứu của mình.    Lữ Đăng Nhạc        Hà Nội,  2019        ii    MỤC LỤC LỜI CAM ĐOAN I LỜI CẢM ƠN .II MỤC LỤC III DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT V DANH MỤC HÌNH ẢNH VII DANH MỤC BẢNG BIỂU IX MỞ ĐẦU Tính cấp thiết của luận án   1 Mục tiêu của luận án  . 3 Đối tượng và phạm vi nghiên cứu   4 Phương pháp nghiên cứu  . 4 Đóng góp của luận án   5 Bố cục của luận án   6 CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG HÀNH VI 1.1 Giới thiệu  . 7 1.2 Một số khái niệm cơ bản   8 1.2.1 Hành động giao thông   8 1.2.2 Hành vi giao thông  . 9 1.3 Sử dụng dữ liệu cảm biến để phân tích hành vi   10 1.4 Một số nghiên cứu liên quan   13 1.5 Phương pháp nhận dạng hành vi giao thông dựa trên cảm biến   20 1.6 Kết luận  . 24 CHƯƠNG NHẬN DẠNG HÀNH ĐỘNG GIAO THÔNG 25 2.1 Giới thiệu   25 2.2 Sử dụng dữ liệu cảm biến để nhận dạng hành động giao thông   25 2.3 Một số nghiên cứu liên quan   26 2.4 Hệ thống nhận dạng hành động sử dụng cảm biến gia tốc   30 2.4.1 Một số kiến thức cơ sở  . 30 2.4.2 Tập thuộc tính đặc trưng   50 iii    2.4.3 2.5 2.6 Đề xuất hệ thống nhận dạng hành động   52 Thực nghiệm và đánh giá   57 2.5.1 Môi trường thực nghiệm   57 2.5.2 Dữ liệu thực nghiệm   58 2.5.3 Lựa chọn tập thuộc tính   61 2.5.4 Khảo sát thuật toán phân lớp . 64 2.5.5 Xây dựng dữ liệu huấn luyện   65 2.5.6 Đánh giá hệ thống đề xuất so với một số nghiên cứu hiện tại[CT4].   70 Kết luận  . 72 CHƯƠNG NHẬN DẠNG HÀNH VI BẤT THƯỜNG 73 3.1 Giới thiệu   73 3.2 Bài toán nhận dạng hành vi bất thường  . 73 3.2.1 Nhận dạng bất thường   73 3.2.2 Sử dụng cảm biến điện thoại để nhận dạng hành vi bất thường   77 3.3 Một số nghiên cứu liên quan   78 3.4 Giải pháp nhận dạng hành vi bất thường dựa trên hệ thống nhận dạng hành động . 81 3.4.1 Một số kỹ thuật nhận dạng hành vi bất thường   81 3.4.2 Giải pháp đề xuất nhận dạng hành vi bất thường dựa trên hệ thống nhận dạng  hành động  . 85 3.5 3.6 Thực nghiệm và đánh giá   89 3.5.1 Môi trường thực nghiệm   89 3.5.2 Dữ liệu thực nghiệm   89 3.5.3 Kết quả thực nghiệm với DTW   93 3.5.4 Kết quả thực nghiệm với RF và Dl4jMlpClassifier   95 3.5.5 Kết quả thực nghiệm với giải pháp đề xuất  . 97 Kết luận   101 KẾT LUẬN 103 DANH MỤC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN 105 TÀI LIỆU THAM KHẢO 106 iv    DANH MỤC KÝ HIỆU VÀ TỪ VIẾT TẮT DIỄN GIẢI  TỪ VIẾT TẮT  TIẾNG ANH  TIẾNG VIỆT  ACC  Accuracy  Độ chính xác trong phân lớp dữ liệu  Acc  Accelerometer  Cảm biến gia tốc  ANN  AUC  Artificial Neural  Mạng nơ - ron  Network  Area Under Curve  Diện tích dưới đường cong ROC  Cross Validation – 10  Phương pháp đánh giá phân lớp bằng  Fold  cách chia dữ liệu thành 10 tập  Dynamic Time  Kỹ  thuật  tìm  kiếm  độ  tương  tự  của  Wrapping  hai chuỗi  FFT  Fast Fourier Transform   Biến đổi Fourier nhanh  FN  False Negative  FP  False Positive  CV10  DTW  GPS  Gyr  Âm tính giả (mẫu mang nhãn dương  bị phân lớp sai vào lớp âm)  Dương tính  giả  (mẫu mang nhãn  âm  bị phân lớp sai vào lớp dương)   Global Positioning  Hệ thống định vị tồn cầu  System  Gyroscope  Cảm biến con quay hồi chuyển  Là  một  thuật  tốn  phân  lớp  thuộc  J48  J48  CART  (Classification  and  Regression Tree)  Thuật toán phân lớp k láng giềng gần  k- NN  k Nearest Neighbor  Mag  Magnetometer  Cảm biến từ trường  NB  Nạve Bayes Classifier  Thuật tốn phân lớp Nạve Bayes  nhất   v    RF  Random Forest  Rừng ngẫu nhiên  Receiver Operator  ROC  Đặc tính hoạt động của bộ thu nhận  Characteristic  Support  SVM  Vector  Machines  TN  Véc-tơ tựa   Âm  tính  thật  (mẫu  mang  nhãn  âm  True Negative  được phân lớp đúng vào lớp âm)   Dương  tính  thật  (mẫu  mang  nhãn  TP  True Positive   dương  được  phân  lớp  đúng  vào  lớp  dương)  ZCR  Zero Crossing Rate  Tỷ lệ vượt qua điểm cắt không  DT   Decision Table  Bảng quyết định           vi    DANH MỤC HÌNH ẢNH   Hình  1-1. Hướng nghiên cứu tổng thể của bài tốn nhận dạng hành vi   23 Hình 1-2. Hệ thống phân tích hành vi bất thường   24 Hình 2-1. Một số kỹ thuật chuẩn bị dữ liệu [37]  . 31 Hình 2-2. Phân đoạn chuỗi tín hiệu thành các cửa sổ dữ liệu   34 Hình 2-3. (a) Hướng của điện thoại được xác định bởi hệ tọa độ (X, Y, Z). (b) Hướng di  chuyển của phương tiện theo hệ tọa độ trái đất (X’, Y’, Z’)   35 Hình 2-4. Kết hợp biểu diễn thơng tin trên miền thời gian và tần số [46]  . 36 Hình 2-5. Hệ tọa độ và các trục quay trên điện thoại thơng minh[48]  . 42 Hình 2-6. Độ đo AUC[50]  . 48 Hình 2-7. Hệ thống nhận dạng hành động giao thơng . 53 Hình 2-8. Thuật tốn lựa chọn kích thước cửa sổ và chồng dữ liệu theo AUC   54 Hình 2-9. Nhận dạng hành động với các kích thước cửa sổ lựa chọn.  . 56 Hình 2-10. Hành động dừng và hành động đi thẳng  . 58 Hình 2-11. (a): Hành động rẽ phải; (b): Hành động rẽ trái   59 Hình 2-12. Mơ tả tín hiệu cảm biến gia tốc của các hành động (a): “Dừng”; (b): “Đi thẳng”;  (c):”Rẽ trái”; (d): “Rẽ phải”.   59 Hình 2-13. Tập dữ liệu đặc trưng sử dụng cho nhận dạng hành động giao thơng cơ bản   60 Hình 2-14. Phân bổ của tập dữ liệu đặc trưng được biến đổi với 59 thuộc tính  . 60 Hình 2-15. Kết quả phân lớp sử dụng các tập thuộc tính H2, T2, F2, TH2, TF2, TFH2   62 Hình 2-16. Kết quả so sánh dữ liệu thơ và dữ liệu biến đổi hệ tọa độ  . 63 Hình 2-17. Kết quả độ đo thực nghiệm với các thuật tốn phân lớp  . 64 vii    Hình 2-18. Chu kỳ thay đổi độ đo AUC tương ứng với hai kích thước cửa sổ liền nhau của  các hành động cơ bản với: (a) Dừng; (b) Đi thẳng; (c) Rẽ trái; (d) Rẽ phải  . 67 Hình 2-19. Kết quả phân lớp với kích thước cửa sổ lựa chọn trên tập TF2 và TFH2   70 Hình 3-1. Khái niệm dữ liệu bất thường[58]   74 Hình 3-2. Độ đo DTW   82 Hình 3-3. Sử dụng DTW để phát hiện hành vi bất thường   83 Hình 3-4. Nhận dạng hành vi bất thường dựa trên hành động cơ bản  . 84 Hình 3-5.Sơ đồ hệ thống phát hiện hành vi bất thường  86 Hình 3-6. Phát hiện hành vi bất thường dựa trên hành động giao thơng cơ bản   88 Hình 3-7. Mẫu dữ liệu cảm biến gia tốc của hành vi bất thường – “lạng lách”  . 91 Hình 3-8. Mẫu dữ liệu cảm biến gia tốc của hành vi bình thường (đi thẳng)   92 Hình 3-9. Kết quả so khớp với các giá trị ngưỡng khác nhau   94 Hình 3-10. Kết quả nhận dạng hành vi bình thường và bất thường  . 100     viii    chất của dữ liệu cũng như cách thức thực nghiệm. Khi thay đổi các giá trị ngưỡng   DTW ,  tỉ  lệ  nhận  dạng  đúng  các  hành  vi  thay  đổi  khác  nhau.  Đường biểu  diễn  sự  thay đổi tỉ lệ nhận dạng đúng hành vi bình thường và hành vi bất thường dần hội tụ  về hai giá trị là S6-1 S6-5. Tuy nhiên, kết quả tỉ lệ nhận dạng đúng hành vi bất  thường  của  giá  trị S6-5 lớn hơn  của  S6-1 nên  giá trị tham  số  S6-5 tương  ứng  với  kích thước cửa sổ 6 giây, giá trị ngưỡng  DTW  5 được lựa chọn là tham số để phát  hiện  hành  vi  giao  thông bất  thường.  Sử dụng  giá  trị này  để  phát  hiện hành  vi  bất  thường trên tập dữ liệu kiểm tra thu được kết quả tỉ lệ phát hiện chính xác là 59,6%.  Từ  kết quả nhận dạng hành  vi hành  vi  giao  thơng bất  thường sử dụng  cảm  biến gia tốc sử dụng DTW thu được cho thấy: tỉ lệ nhận dạng đúng phụ thuộc vào  dữ liệu mẫu về các hành vi. Tỉ lệ nhận dạng đúng cao hơn khi thu thập được một tập  đầy đủ các mẫu dữ liệu về hành vi ở nhiều cảnh huống trên nhiều đối tượng khác  nhau. Dây cũng là một trong những khó khăn khi sử dụng phương pháp này bởi đối  với hành vi bất thường, việc xác định dữ liệu mẫu rất khó khăn và đa dạng, dẫn đến  lựa chọn tham số phù hợp cho hệ thống nhận dạng hành vi.  3.5.4 3.5.4.1 Kết thực nghiệm với RF Dl4jMlpClassifier Dữ liệu thực nghiệm Dữ liệu huấn luyện sử dụng xây dựng mơ hình phân lớp được thu thập là dữ  liệu  cảm biến  gia  tốc  với hai nhãn  lớp bất  thường “lạng  lách”  và bình  thường “đi  thẳng” trên tần số 50Hz. Sau khi tiền xử lý, biến đổi thu được dữ liệu đặc trưng dựa  trên  tập  thuộc  tính  đặc  trưng  TFH2  được  lựa  chọn  để  nhận  dạng  hành  động  như  trong Chương 2. Dữ liệu cảm biến gia tốc sử dụng cho thực nghiệm với kích thước  cửa sổ 4 giây, 5 giây  và 6 giây để thu được các tập dữ liệu dữ liệu đặc trưng. Dữ  liệu  đặc  trưng  này  sử  dụng  cho  việc  huấn  luyện,  xây  dựng  mơ  hình  và  kiểm  tra,  đánh giá nhận dạng hành vi sử dụng phương pháp phân lớp bằng thuật tốn RF và  kỹ thuật học sâu.  95    3.5.4.2 - Kết thực nghiệm Thực nghiệm phân lớp dữ liệu với thuật tốn RF trên tập dữ liệu kiểm tra đã  thu được với tham số mặc định của thuật tốn RF bằng cơng cụ Weka phiên bản 3.8  như sau:   Tham số mặc định RF P I num-slots K M V S 100  100  1  0  1  0.001  1  Bảng 3-3 Tham số mặc định thuật toán RF Với các tham số này, kết quả độ chính xác phân lớp của các tập dữ liệu huấn  luyện tương ứng với các kích thước cửa sổ 4 giây, 5 giây và 6 giây sử dụng phương  pháp kiểm chứng chéo CV10 nhận được kết quả như trong Bảng 3-5.  - Thực  nghiệm  phân  lớp  với  kỹ  thuật  học  sâu  sử  dụng  gói  WekaDeeplearning4J  trên  bộ  phân  lớp  Dl4jMlpClassifier.  Các  tham  số  mặc  định  cho bộ phân lớp này được trình bày trong Bảng 3-5 dưới đây:  Stt Tham số 1  number of epochs = 10  2  optimization algorithm = STOCHASTIC_GRADIENT_DESCENT  3  batch size = 100  4  number decimal = 2  5  seed = 1  Bảng 3-4 Tham số Dl4jMlpClassifier Bộ  phân  lớp  này  được  tích  hợp  vào  WEKA  phiên  bản  3.8;  phương  pháp  kiểm  chứng  chéo  CV10  được  áp  dụng  cho  thực  nghiệm  đối  với  tập  dữ  liệu  huấn  luyện thu được kết quả phân lớp với độ đo Accuracy như Bảng 3-5 dưới đây:   Kích thước cửa sổ 4 giây  5 giây  6 giây  RF 81,19% 81,12%  80,97%  Dl4jMlpClassifier 89,33% 86,57%  89,13%  Bảng 3-5 Kết nhận dạng sử dụng CV10 96    Từ kết quả thu nhận dạng hành vi của các thực nghiệm sử dụng phương pháp  phân lớp khác nhau trên tập dữ liệu kiểm tra cho thấy: Kết quả phân lớp tốt nhất ở  kích  thước  cửa  sổ  4  giây  và  với  tập  dữ  liệu  hành  vi  có  nhãn  bình  thường/  bất  thường, kỹ thuật học sâu cho kết quả cao hơn so với RF là 8,14%.  3.5.5 3.5.5.1 Kết thực nghiệm với giải pháp đề xuất Dữ liệu thực nghiệm Phương pháp nhận dạng hành vi bất thường đề xuất với hướng tiếp cận đánh  giá hành vi bất thường dựa trên hệ thống nhận dạng hành động cơ bản được trình  bày  ở  Chương  2.  Tập  dữ  liệu  cảm  biến  gia  tốc  thu  được  chia  thành  hai  phần  với  70% là dữ liệu huấn luyện, phần còn lại sử dụng làm dữ liệu để kiểm tra.  Để nhận dạng các cửa sổ dữ liệu đã được chia nhỏ nhằm để đánh giá tính bất  thường, cần xây dựng tập dữ liệu huấn luyện phù hợp cho hệ thống nhận dạng các  hành động xảy ra trong thời gian ngắn với kích thước cửa sổ W’ nhỏ hơn. Các bước  xây dựng tập dữ liệu huấn luyện này được thực hiện theo các bước sau:   - Thu dữ liệu cảm biến gia tốc của hành vi bất thường (lạng lách) và hành vi  bình thường (đi thẳng và dừng). Mẫu hành vi bất thường (“Lạng lách”) được thu khi  phương  tiện  liên  tục  đổi  hướng  như  Hình  3-7.  Mẫu  hành  vi  bình  thường  (“Đi  thẳng”) được thu khi phương tiện liên tục đổi hướng như Hình 3-8.  - Với mục đích nhận dạng ra một hành vi bất thường trong khoảng thời gian  của một hành động cơ bản xảy ra. Do đó, chuỗi dữ liệu hành vi bình thường được  cắt theo kích thước cửa sổ W. Mỗi mẫu dữ liệu có kích thước W này được cắt thành  6 cửa sổ có kích thước W’ với tỉ lệ chồng dữ liệu và gán nhãn theo chuỗi 6 hành  động thay đổi hướng tương ứng có mẫu dạng là:  “L, R, R, L, L, R” được mơ tả ở  Hình 3-7. Từ đó nhận được các nhãn hành động “L”, “R” xảy ra trong hành vi bất  thường.  - Với phương pháp tương tự như trên, nhãn hành động “G” được gán từ mẫu  hành vi bình thường.  97    Do  các  hành  vi  “lạng  lách”  ảnh  hưởng  từ  người  điều  khiển  phương  tiện,  chủng loại phương tiện và cả hiện trạng giao thơng nên vận tốc, tính chất khác nhau.  Vì  vậy,  cần  phải  khảo  sát để lựa  chọn được kích  thước  cửa  sổ  W  và  W’ phù hợp  nhằm  xây  dựng được dữ  liệu huấn  luyện đủ  tốt cho  hệ thống nhận dạng các  hành  động.  Với tập dữ liệu huấn luyện thu được, đồng thời sử dụng để đánh giá các giá  trị ngưỡng dựa vào tỉ lệ phát hiện đúng các hành vi đã được gán nhãn bởi hàm (3.9)  sau:   y  f (W,W,'  )    (3.9) Với  mỗi  giá  trị  ngưỡng    được  lựa  chọn  khác  nhau  sẽ  cho  tỉ  lệ  phát  hiện  đúng hành vi khác nhau trên cùng cửa sổ  W  và  W'  là giá trị nhận được y thông qua  ' công thức  (3.9).  Do  đó,  cần  khảo  sát và  lựa  chọn được bột giá  trị  tb  (Wb ,Wb ,b )   phù hợp để có tỉ lệ nhận dạng hành vi bất thường tốt nhất.    3.5.5.2 Kết thực nghiệm Thực nghiệm tiến hành khảo sát, đánh giá để tìm ra kích thước cửa sổ  W' dựa  trên tập dữ liệu đặc trưng sử dụng cho huấn luyện thu được. Các hành động xảy ra  trong một hành vi bất thường diễn ra nhanh nên kích thước cửa sổ  W' được lựa chọn  khảo sát là 1 giây và 2 giây. Kết quả phân lớp bằng RF tương ứng với tập dữ liệu  cắt bởi kích thước cửa sổ khác nhau, đánh giá bằng phương pháp kiểm chứng chéo  10 – fold thu được kết quả như Bảng 3-6 dưới đây:   giây Chồng DL  Accuracy  AUC  giây 75%  50%  25%  75%  50% 25%  67,58%  59,79%  64,40%  84,40%  84,93% 83,42%  0,883858  0,831517  0,857771  0,91217  0,91909 0,90945  Bảng 3-6 Kích thước cửa sổ liệu phát hành vi Qua kết quả thu được từ Bảng 3-6, kích thước cửa sổ W’ = 2 giây và chồng  dữ liệu 50% được chọn nhằm phát hiện hành vi bất thường. Ngồi ra, để khảo sát  98    khoảng thời  gian một hành  vi bất  thường diễn  ra,  chúng  tôi  lựa  chọn  các  tham  số  W’ là 4 giây, 5 giây và 6 giây.  Các giá trị ngưỡng được lựa chọn là    {0,5; 0,6; 0,7; 0,8; 0,9}  nhằm đánh giá  tỉ lệ nhận dạng đúng các hành vi dựa trên tập dữ liệu huấn luyện thu được. Kết quả  của thực nghiệm được biểu diễn trong Bảng 3-7 như sau:     W 0,5  ε  Hành vi  phát hiện  347  đúng  Tổng hành  884  vi  Tỉ lệ đúng    0,393  (%)  0,6  giây 0,7  0,8  0,9  0,5  0,6  giây 0,7  0,8  0,9  0,5 0,6 giây 0,7 0,8  0,9  218  122  95  48  258  190  116  75  27  666 666 623 487  256  884  884  884  884  666  666  666  666  666  666 666 666 666  666  0,247  0,138  0,107  0,054  0,387  0,285  0,174  0,113  0,041  1 0,935 0,731  0,384  Bảng 3-7 Lựa chọn ngưỡng sai khác nhằm phát hành vi bất thường Kết quả thu được thể hiện trong Bảng 3-7 cho thấy việc lựa chọn các giá trị  ngưỡng tác động lớn đến kết quả nhận dạng. Để có được giá trị phù hợp, chúng tơi  lựa  chọn  tham  số  kích  thước  cửa  sổ  W  =  6  giây,  W’  =  2  giây  và  ngưỡng  giá  trị    {0, 5; 0, ; 0, 7}  tương ứng với tỉ lệ nhận dạng đúng là {100%; 100%; 93,5%} để  khảo sát, đánh giá trên tập dữ liệu kiểm tra. Kết quả thực nghiệm trên tập kiểm tra  có  kết  quả  thu được  tệ  lệ nhận dạng hành  vi bất  thường như  trong  Bảng 3-8 dưới  đây:   S(W, ε) Hành vi bất thường Hành vi bình thường Trung bình S(6, 5) 90,86%  90,00%  90.43% S(6, 6) 80,00% 90,81% 85.41% S(6, 7) 66,28%  95,90%  81.09% Bảng 3-8 Kết phát hành vi giải pháp đề xuất tập liệu kiểm tra Kết quả tỉ lệ phát hiện hành vi cũng được biểu diễn bởi Hình 3-10  dưới đây:  99       Kết nhận dạng hành vi     Tỉ lệ nhận dạng (%)   100% 80% 60% 40% 20% 0% S(6-5) S(6-6) S(6-7) Các ngưỡng giá trị xác định hành vi Hành vi bất thường Hành vi bình thường Hình 3-10 Kết nhận dạng hành vi bình thường bất thường Từ kết quả trong Bảng 3-8 và Hình 3-10 ta thấy, với kích thước 6 giây và giá  trị ngưỡng    0, cho kết quả là 90,43%; kết quả này cũng cao hơn phương pháp sử  dụng  DTW  và   phương pháp  phân  lớp  sử  dụng  Dl4jMlpClassifier  được  trình  bày  trong Bảng 3-9 dưới đây:   Phương pháp Tỉ lệ phát Dl4jMlpClassifier 59,6%  89,33%  DTW RF Phương pháp đề xuất 81.19%  90,43% Bảng 3-9 Kết phát hành vi phương pháp khác Từ kết quả thực nghiệm thu được cho thấy, phương pháp sử dụng kỹ thuật so  khớp với DTW dựa trên dữ liệu cảm biến gia tốc bởi sự so khớp khoảng cách giữa  hai chuỗi dữ liệu được thực hiện đơn giản hơn nhưng đồng thời nhạy cảm với dữ  liệu mẫu hành vi thu thập được. Nếu thu mẫu thiếu chính xác, hoặc nhiễu từ thiết bị  cảm biến sẽ ảnh hưởng tới lựa chọn ngưỡng để đánh giá hành vi dẫn đến sai lệch  làm giảm kết quả của hệ thống.  Do  vậy,  phương pháp này  thường được  áp dụng với  thực nghiệm mà  vị  trí  điện thoại được cố định theo hướng di chuyển của phương tiện. Khi phương tiện di  chuyển sẽ làm thay đổi giá trị trên trục tọa độ cố định, biết trước nên việc so sánh có  100    kết quả khả quan hơn trường hợp điện thoại thay đổi vị trí trong khi tham gia giao  thơng.  Khi sử dụng phương pháp phân lớp để nhận dạng hành vi bằng các bộ phân  lớp  RF  và    Dl4jMlpClassifier,  việc  xác  định  hành  vi  bất  thường  và  bình  thường  cũng như thu dữ liệu mẫu đối với các hành vi này cũng gặp khó khăn, các hành vi  bất thường khó xác định, đa dạng với các đối tượng khác nhau, phương tiện khác  nhau  và  cảnh  huống  thu  dữ  liệu  khác  nhau  sẽ  ảnh  hưởng  tới  kết  quả  nhận  dạng.  Thuật toán  RF  nhận dạng  tốt đối  với các hành động cơ bản,  xong đối  với dữ  liệu  hành vi thì có kết quả nhận dạng thấp hơn so với cả bộ phân lớp Dl4jMlpClassifier.  Khác với một số nghiên cứu trước đây, việc đánh giá hành vi bất thường dựa  trên hành động, các phương pháp này phụ thuộc rất nhiều vào sự chính xác khi thu   mẫu dữ liệu hành vi. Giải pháp đề xuất nhận dạng hành vi bất thường dựa vào đánh  giá một số hành động thay đổi bất thường trong khoảng thời gian ngắn bởi hệ thống  nhận dạng hành động sẽ ít lệ thuộc vào việc xác định mẫu hành vi bất thường khi  nhận dạng.    3.6 Kết luận Trong  chương  này,  luận  án  tập  trung  nghiên  cứu,  khảo  sát  các  kỹ  thuật,  phương pháp xác định tính bình thường và bất thường của hành vi giao thơng. Từ  đó  đề  xuất  giải  pháp nhận dạng  hành  vi giao thông bất  thường dựa  trên hệ  thống  nhận  dạng.  Đồng  thời,  một  số  kỹ  thuật  thường được  sử  dụng  trong bài  toán  phát  hiện, nhận dạng hành vi bất thường như sử dụng kỹ thuật DTW, phương pháp phân  lớp với RF và Dl4jMlpClassifier. Thông qua các thực nghiệm bằng các kỹ thuật này  để kiểm chứng, làm rõ thêm ý nghĩa của giải pháp đề xuất. Thực nghiệm phát hiện  hành vi bất thường với giải phát đề xuất cho thấy kết quả thu được cao hơn phương  pháp  sử  dụng  Dl4jMlpClassifier  là  1.1%  và  so  với  DTW  là  30,83%.Với  một  số  101    hành  vi bất  thường  khác, việc  xây  dựng thực nghiệm phát hiện  hành  vi thực hiện  tương tự như giải pháp đối với hành vi đã được hệ thống thực hiện[CT3]; [CT4].      102    KẾT LUẬN Luận án đã tiến hành tìm hiểu, thu thập, khảo sát tính chất của dữ liệu cảm  biến, các kỹ thuật phân tích dữ liệu áp dụng cho loại dữ liệu đặc thù này. Sau đó,  luận án nghiên cứu xây dựng tập thuộc tính đặc trưng nhằm nâng cao hiệu quả của  hệ thống nhận dạng phương tiện và hành động giao thơng. Phương pháp đề xuất đã  được thử nghiệm và đánh giá kết quả dựa trên dữ liệu do chúng tơi tự thu thập và  một số bộ dữ liệu đã được cơng bố.  Dựa vào kết quả nhận dạng của các hành động giao thông, chúng tôi đề xuất  kỹ thuật phát hiện hành vi bất thường bằng cách phân đoạn cửa sổ dữ liệu của một  hành  động  giao  thông  thành  các  đoạn  với  kích  thước  cửa  sổ  đủ  nhỏ  và  áp  dụng  phương pháp nhận dạng hành động với các cửa sổ dữ liệu này. Sự sai khác của kết  quả nhận dạng có được với nhãn lớp của hành động giao thơng cơ bản là cơ sở để  phân loại hành vi giao thơng dựa trên kỹ thuật so khớp chuỗi.  Phương pháp đề  xuất  được so  sánh,  đánh  giá trên  dữ  liệu thu thập  và phân  tích  với một  số  kỹ  thuật  phát hiện  thường dùng trong bài  tốn nhận dạng hành  vi  giao thơng khác.  Luận án đã thu được một số kết quả như sau:   - Xây dựng được tập thuộc tính đặc trưng phù hợp gồm 59 thuộc tính trên các  miền thời gian, tần số cũng như thuộc tính Hjorth.   - Đề xuất giải pháp nhận dạng hành động giao thơng cơ bản.   - Đề xuất giải pháp nhận dạng hành vi bất thường dựa trên các hành động cơ  bản đã được xây dựng ở chương 2.   Bên cạnh một số kết quả đã thu được, vẫn còn một số nội dung mà Luận án  chưa thực hiện được, bao gồm:  - Xây dựng hệ thống hiển thị và giám sát giao thơng. Từ đó, có thể nghiên cứu  phân tích các tình huống giao thơng khác nhau.   - Đối với hành vi bất thường, Luận án mới chỉ dừng ở việc xây dựng mơ hình  nhận  dạng hành  vi  bất  thường,  thực hiện  khảo  sát  với  loại  hành  vi  lạng  lách  của  103    phương tiện xe máy mà chưa có điều kiện thu thập, phân tích nhiều dạng hành vi  bất thường khác nhau, đối với các loại phương tiện khác nhau trong hệ thống giao  thơng.   - Số lượng các mẫu hành vi cũng chưa được thu thập đa dạng, đủ lớn từ nhiều  đối tượng thực nghiệm, phủ hết các cảnh huống, điều kiện và trên các loại phương  tiện khác nhau.   Trong  thời  gian  tới,  chúng  tôi  sẽ  tiếp  tục  hồn  thiện  nghiên  cứu  của  mình  theo một số cách tiếp cận khác nhau như:  - Áp dụng các phương pháp lọc, đánh giá tập thuộc tính đặc trưng với mong  muốn nâng cao hiệu quả của mơ hình phát hiện, nhận dạng, phát hiện hành động và  hành vi bất thường.   - Tiến hành thực nghiệm, đánh giá trên các loại phương tiện khác như ơ tơ, xe  bt, xe đạp cũng như một số phương tiện phổ thơng khác ở đơ thị của Việt nam  - Mở rộng tập các hành động cơ bản khác liên quan đến thay đổi tốc độ, thay  đổi hướng khi điều khiển phương tiện. Dựa trên những hành động này mở rộng tập  các hành vi bất thường cho bài tốn nhận dạng, ví dụ như: thay đổi vận tốc đột ngột  hoặc một số hành vi bất thường khác.  - Xây dựng ứng dụng với dữ liệu theo thời gian thực.  - Mở rộng nghiên cứu xây dựng hệ thống mơ phỏng, giám sát giao thơng trực  tuyến. Đây cũng là cơ sở để xây dựng các giải pháp quản trị giao thơng thơng minh  cũng như hỗ trợ người dân đơ thị khi tham gia giao thơng.  104    DANH MỤC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN [CT1]. Lu DN., Nguyen TT., Ngo TTT., Nguyen TH., Nguyen HN. (2016) Mobile  Online  Activity  Recognition  System  Based  on  Smartphone  Sensors.  In:  Advances  in  Information  and  Communication  Technology.  ICTA  2016.  Advances  in  Intelligent  Systems  and  Computing,  vol  538.  Springer,  Cham.  (SCOPUS)  [CT2]. Lu DN., Ngo TTT., Nguyen DN., Nguyen TH., Nguyen HN. (2017) A Novel  Mobile  Online  Vehicle  Status  Awareness  Method  Using  Smartphone  Sensors.  In:  Information  Science  and  Applications  2017.  ICISA  2017.  Lecture  Notes  in  Electrical  Engineering,  vol  424.  Springer,  Singapore.  (SCOPUS)  [CT3].    Lu  DN.,  Tran  TB.,  Nguyen  DN.,  Nguyen  TH.,  Nguyen  HN.  (2018)  Abnormal  Behavior  Detection  Based  on  Smartphone  Sensors.  In:  ContextAware  Systems  and  Applications,  and  Nature  of  Computation  and  Communication. ICCASA 2017, ICTCC 2017. Lecture Notes of the Institute  for  Computer  Sciences,  Social  Informatics  and  Telecommunications  Engineering, vol 217. Springer, Cham.(SCOPUS).  [CT4].Lu, D.-N.; Nguyen, D.-N.; Nguyen, T.-H.; Nguyen, H.-N. Vehicle Mode and  Driving  Activity  Detection  Based  on  Analyzing  Sensor  Data  of  Smartphones. Sensors 2018, 18, 1036. (SCIE).        105    TÀI LIỆU THAM KHẢO [1]  [2]  [3]  [4]  [5]  [6]  [7]  [8]  [9]  [10]  [11]  [12]  [13]  [14]  [15]  [16]  [17]  [18]  T.  Toroyan,  “Global  status  report  on  road  safety,”  World Heal Orgainisation,  p.  318, 2015.  L. Bedogni, M. Di Felice, and L. Bononi, “By train or by car? Detecting the user’s  motion type through smartphone sensors data,” IFIP Wirel Days, 2012.  A. C. Prelipcean, G. Gidófalvi, and Y. O. Susilo, “Transportation mode detection– an in-depth review of applicability and reliability,” Transp Rev., vol. 37, no. 4, pp.  442–464, 2017.  M. Van  Ly, S. Martin,  and M.  M.  Trivedi, “Driver  classification and driving style  recognition using inertial sensors,” IEEE Intell Veh Symp Proc., no. Iv, pp. 1040– 1045, 2013.  D. A. Johnson and M. M. Trivedi, “Driving style recognition using a smartphone as  a sensor platform,” IEEE Conf Intell Transp Syst Proceedings, ITSC, pp. 1609– 1615, 2011.  M. Fazeen, B. Gozick, R. Dantu, M. Bhukhiya, and M. C. González, “Short Papers  Safe Driving Using Mobile Phones,” pp. 1–7, 2012.  C.  Lee,  F.  Saccomanno,  and  B.  Hellinga,  “Analysis  of  Crash  Precursors  on  Instrumented Freeways,” Transp Res Rec., vol. 1784, no. 1, pp. 1–8, 2002.  J.  Zaldivar,  C.  T.  Calafate,  J.  C.  Cano,  and  P.  Manzoni,  “Providing  accident  detection  in  vehicular  networks  through  OBD-II  devices  and  android-based  smartphones,” Proc - Conf Local Comput Networks, LCN, pp. 813–819, 2011.  B.  Anbaroğlu,  T.  Cheng,  and  B.  Heydecker,  “Non-recurrent  traffic  congestion  detection on  heterogeneous urban road networks,” Transp A Transp Sci., vol. 11,  no. 9, pp. 754–771, 2015.  Hoàng  Phê  (Chủ  biên),  Từ điển Tiếng Việt - GS Hoàng Phê.  Nhà  xuất  bản  Hồng  Đức, 2016.  E.  Carvalho,  B.  V  Ferreira,  C.  De  Souza,  Y.  Suhara,  A.  Pentland,  and  G.  Pessin,  “Driver behavior profiling : An investigation with different smartphone sensors and  machine learning,” pp. 1–16, 2017.  G.  Singh,  D.  Bansal,  and  S.  Sofat,  “A  Smartphone  Based  Technique  to  Monitor  Driving Behavior using DTW and Crowdsensing,” Pervasive Mob Comput., 2017.  Z.  Liu,  M.  Wu,  K.  Zhu,  and  L.  Zhang,  “SenSafe :  A  Smartphone-Based  Traffic  Safety Framework by Sensing Vehicle and Pedestrian Behaviors,” vol. 2016, 2016.  C.  Ma,  X.  Dai,  J.  Zhu,  N.  Liu,  H.  Sun,  and  M.  Liu,  “DrivingSense:  Dangerous  Driving  Behavior  Identification  Based  on  Smartphone  Autocalibration,”  Mob Inf Syst., vol. 2017, 2017.  J.  Yu,  Z.  Chen,  Y.  Zhu,  Y.  Chen,  L.  Kong,  and  M.  Li,  “Fine-grained  Abnormal  Driving Behaviors Detection and Identification with Smartphones,” vol. 1, no. c, pp.  1–14, 2016.  R.  Goregaonkar  and  S.  Bhosale,  “Driving  Assistance  and  Accident  Monitoring  Using Three Axis Accelerometer and GPS System,” Int J Sci Res., vol. 3, no. 6,  pp. 393–398, 2014.  D. A. Johnson and M. M. Trivedi, “Driving Style Recognition Using a Smartphone  as a Sensor Platform,” pp. 1609–1615, 2011.  A. H. Ali, A. Atia, and M.-S. M. Mostafa, “Recognizing Driving Behavior and Road  106    [19]  [20]  [21]  [22]  [23]  [24]  [25]  [26]  [27]  [28]  [29]  [30]  [31]  [32]  [33]  [34]  [35]  Anomaly Using Smartphone Sensors,” Int J Ambient Comput Intell., vol. 8, no. 3,  pp. 22–37, Jul. 2017.  L.  Liu,  Y.  Peng,  S.  Wang,  M.  Liu,  and  Z.  Huang,  “Complex  activity  recognition  using time series pattern dictionary learned from ubiquitous sensors,” Inf Sci (Ny).,  vol. 340–341, pp. 41–57, 2016.  P. Vavouranakis, S. Panagiotakis, G. Mastorakis, C. X. Mavromoustakis, and J. M.  Batalla,  “Recognizing  Driving  Behaviour  Using  Smartphones,”  in  Beyond the Internet of Things, Springer, 2017, pp. 269–299.  F. Li, H. Zhang, H. Che, and X. Qiu, “Dangerous Driving Behavior Detection Using  Smartphone Sensors,” pp. 1902–1907, 2016.  C.  Pham  and  N.  T. T. Thuy,  “Real-Time  Traffic  Activity  Detection  Using  Mobile  Devices,” Proc 10th Int Conf Ubiquitous Inf Manag Commun - IMCOM ’16, pp.  1–7, 2016.  C. A. Ronao and S. Cho, “PT US CR,” Expert Syst Appl., 2016.  “Analyzing  Driver  Behavior  using  Smartphone  Sensors :  A  Survey  Analyzing  Driver Behavior using Smartphone Sensors : A,” no. January 2014, 2015.  A.  Campilho  and  M.  Kamel,  “Image  Analysis  and  Recognition:  11th  International  Conference,  ICIAR  2014  Vilamoura,  Portugal,  October  22-24,  2014  Proceedings,  Part  I,”  Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics), vol. 8814, pp. 256–265, 2014.  H.  J.  Walnum  and  M.  Simonsen,  “Does  driving  behavior  matter ?  An  analysis  of  fuel  consumption  data  from  heavy-duty  trucks,”  Transp Res Part D,  vol.  36,  pp.  107–120, 2015.  Y. Lee and S. Cho, “Neurocomputing Activity recognition with android phone using  mixture-of-experts  co-trained  with  labeled  and  unlabeled  data,”  Neurocomputing,  vol. 126, pp. 106–115, 2014.  Y.  Mirsky,  A.  Shabtai,  and  B.  Shapira,  “Anomaly  detection  for  smartphone  data  streams  Anomaly  Detection  for  Smartphone  Data  Streams,”  Pervasive Mob Comput., 2016.  P.  Handel  et al.,  “Insurance  telematics:  Opportunities  and  challenges  with  the  smartphone  solution,”  IEEE Intell Transp Syst Mag.,  vol.  6,  no.  4,  pp.  57–70,  2014.  E. I. Vlahogianni and E. N. Barmpounakis, “Driving analytics using smartphones :  Algorithms  ,  comparisons  and  challenges,”  Transp Res Part C,  vol. 79, pp. 196– 206, 2017.  S.  H.  Fang  et al.,  “Transportation  modes  classification  using  sensors  on  smartphones,” Sensors (Switzerland), vol. 16, no. 8, pp. 1–15, 2016.  M.  Guvensan,  B.  Dusun,  B.  Can,  and  H.  Turkmen,  “A  Novel  Segment-Based  Approach for Improving Classification Performance of Transport Mode Detection,”  Sensors, vol. 18, no. 2, p. 87, 2017.  P. I. of T. Widhalm, P. I. of T. Nitsche, and N. I. of T. Brändle, “Transport Mode  Detection  with  Realistic  Smartphone  Sensor  Data,”  Icpr,  no.  Icpr,  pp.  573–576,  2012.  M. A. Shafique and E. Hato, “Travel mode detection with varying smartphone data  collection frequencies,” Sensors (Switzerland), vol. 16, no. 5, 2016.  G.  Castignani,  T.  Derrmann,  R.  Frank,  and  T.  Engel,  “Driver  behavior  profiling  using smartphones: A low-cost platform for driver monitoring,” IEEE Intell Transp 107    [36]  [37]  [38]  [39]  [40]  [41]  [42]  [43]  [44]  [45]  [46]  [47]  [48]  [49]  [50]  [51]  [52]  [53]  [54]  Syst Mag., vol. 7, no. 1, pp. 91–102, 2015.  D.  Pyle,  S.  Editor,  and  D.  D.  Cerra,  Data Preparation for Data Mining,  vol.  17.  1999.  S.  García,  Intelligent Systems Reference Library 72 Data Preprocessing in Data Mining. 2015.  C.  Torres-huitzil  and  A.  Alvarez-landero,  “Recognition  in  Smartphones  for  Healthcare Services.”  A.  S.  B,  B.  J.  Woodford,  and  H.  Lin,  “Trends  and  Applications  in  Knowledge  Discovery and Data Mining,” vol. 10526, pp. 26–38, 2017.  W.  Astuti,  W.  Sediono,  A.  M.  Aibinu,  R.  Akmeliawati,  and  M.  J.  E.  Salami,  “Adaptive Short Time Fourier Transform (STFT) Analysis of seismic electric signal  (SES):  A  comparison  of  Hamming  and  rectangular  window,”  ISIEA 2012 - 2012 IEEE Symp Ind Electron Appl., pp. 372–377, 2012.  L.  M.  S.  Morillo,  L.  Gonzalez-Abril,  J.  A.  O.  Ramirez,  and  M.  A.  A.  De  La  Concepcion,  “Low  energy  physical  activity  recognition  systemon  smartphones,”  Sensors (Switzerland), vol. 15, no. 3, pp. 5163–5196, 2015.  K.  Katevas,  H.  Haddadi,  and  L.  Tokarchuk,  “Sensing  Kit:  Evaluating  the  sensor  power consumption in iOS devices,” Proc - 12th Int Conf Intell Environ IE 2016,  pp. 222–225, 2016.  Y.  E.  Ustev,  O.  Durmaz  Incel,  and  C.  Ersoy,  “User,  device  and  orientation  independent human activity recognition on mobile phones,” Proc 2013 ACM Conf Pervasive ubiquitous Comput Adjun Publ - UbiComp ’13 Adjun., pp. 1427–1436,  2013.  M. Shoaib, S. Bosch, O. Incel,  H. Scholten, and P. Havinga, “A Survey of Online  Activity Recognition Using Mobile Phones,” Sensors, vol. 15, no. 1, pp. 2059–2085,  2015.  D. Figo, P. C. Diniz, D. R. Ferreira, and M. P. Cardoso, “Preprocessing techniques  for context recognition from accelerometer data,” pp. 645–662, 2010.  B.  Boashash,  Time-Frequency Signal Analysis and Processing: A Comprehensive Review. 2015.  A. Antoniou, Digital Signal Processing: Signals, Systems, and Filters. 2006.  M.  Pedley,  “Tilt  Sensing  Using  a  Three-Axis  Accelerometer,”  Free Semicond Appl notes, pp. 1–22, 2013.  B.  O.  Hjorth,  “Technical  contributions  eeg  analysis  based  on  time  domain  properties,” pp. 306–310, 1970.  T. Fawcett, “An introduction to ROC analysis,” Pattern Recognit Lett., vol. 27, no.  8, pp. 861–874, 2006.  J.  Huang  and  C.  X.  Ling,  “Using  AUC  and  Accuracy  in  Evaluating  Learning  Algorithms,” vol. 17, no. 3, pp. 299–310, 2005.  S. Oh, Y. Lee, and H. Kim, “A Novel EEG Feature Extraction Method Using Hjorth  Parameter,” vol. 2, no. 2, pp. 106–110, 2014.  M.  A.  Hall,  E.  Frank,  G.  Holmes,  B.  Pfahringer,  P.  Reutemann,  and  I.  H.  Witten,  “The WEKA data mining software: an update,” SIGKDD Explor., vol. 11, no. 1, pp.  10–18, 2009.  Y.  Kwon,  K.  Kang,  and  C.  Bae,  “Expert  Systems  with  Applications  Unsupervised  learning  for  human  activity  recognition  using  smartphone  sensors,”  Expert Syst Appl., no. May, 2014.  108    [55]  L.  Bao  and  S.  S.  Intille,  “Activity  Recognition  from  User-Annotated  Acceleration  Data,” pp. 1–17, 2004.  [56]  M.-C.  Yu,  T.  Yu,  S.-C.  Wang,  C.-J.  Lin,  and  E.  Y.  Chang,  “Big  data  small  footprint,” Proc VLDB Endow., vol. 7, no. 13, pp. 1429–1440, 2014.  [57]  T.  H.  Vu  and  J.-C.  Wang,  “Transportation  Mode  Detection  on  Mobile  Devices  Using Recurrent Nets,” Proc 2016 ACM Multimed Conf - MM ’16, pp. 392–396,  2016.  [58]  V.  Chandola,  A.  Banerjee,  and  V.  Kumar,  “Anomaly  detection:  A  survey,”  ACM Comput Surv., vol. 41, no. September, pp. 1–58, 2009.  [59]  S.  Agrawal  and  J.  Agrawal,  “Survey  on  anomaly  detection  using  data  mining  techniques,” Procedia Comput Sci., vol. 60, no. 1, pp. 708–713, 2015.  [60]  J. Dai, J. Teng, X. Bai, Z. Shen, and D. Xuan, “Mobile Phone Based Drunk Driving  Detection.”  [61]  J. Engelbrecht, M. J. T. Booysen, G. Van Rooyen, and F. J. Bruwer, “Performance  comparison of dynamic time warping ( DTW ) and a maximum likelihood ( ML )  classifier  in  measuring  driver  behavior  with  smartphones,”  no.  Ml,  pp.  427–433,  2015.  [62]  H. Eren, “Estimating driving behavior by a smartphone,” no. June 2012, 2016.  [63]  M.  Zhang,  C.  Chen,  T.  Wo,  T.  Xie,  and  S.  Member,  “SafeDrive :  Online  Driving  Anomaly Detection from Large-Scale Vehicle Data,” pp. 1–10.  [64]  V.  Ngoc,  T.  Sang,  N.  D.  Thang,  V.  Van  Toi,  and  N.  D.  Hoang,  “Human  Activity  Recognition and Monitoring Using Smartphones,” pp. 481–485, 2015.  [65]  S. Ferrer and T. Ruiz, “Travel Behavior Characterization Using Raw Accelerometer  Data Collected  from  Smartphones,”  Procedia - Soc Behav Sci., vol. 160, no.  Cit,  pp. 140–149, 2014.  [66]  Y.  Watanabe,  “Toward  application  of  immunity-based  model  to  gait  recognition  using  smart  phone  sensors:  A study  of  various  walking  states,”  Procedia Comput Sci., vol. 60, no. 1, pp. 1856–1864, 2015.  [67]  W.  H.  Abdulla,  D.  Chow,  G.  Sin,  and  N.  Zealand,  “Cross-words  Reference  Tempiate for DTW-based Speech Recognition Systems,” October, vol. 4, pp. 1576– 1579, 2003.  [68]  D.  J.  Berndt  and  J.  Clifford,  “Using  Dynamic  Time  Warping  to  Find  Patterns  in  Time Series,” in KDD workshop, 1994, vol. 10, no. 16, pp. 359–370.  [69]  N. Kalra and D. Bansal, “Analyzing Driver Behavior using Smartphone Sensors : A  Survey,” Int J Electron Electr Eng., vol. 7, no. 7, pp. 697–702, 2014.  [70]  N. D. Lane and P. Georgiev, “Can Deep Learning Revolutionize Mobile Sensing?,”  Proc 16th Int Work Mob Comput Syst Appl - HotMobile ’15,  pp.  117–122,  2015.  [71]  S. Yan, Y. Teng, J. S. Smith, and B. Zhang, “Driver behavior recognition based on  deep convolutional neural networks,” 2016 12th Int Conf Nat Comput Fuzzy Syst Knowl Discov., no. 1, pp. 636–641, 2016.    109  ... tích hành vi giao thơng,  phát  hiện  hành vi giao thơng bất thường dựa trên cảm biến gia tốc của điện thoại thơng minh.  1.2 Một số khái niệm 1.2.1 Hành động giao thông Hành động  giao thông ... hiện  và  đốn  nhận hành vi bất  thường sử dụng cảm biết gia tốc của điện thoại thơng minh, chúng tơi chọn đề tài:  Nhận dạng hành vi người tham gia giao thông dựa cảm biến điện thoại   làm ... cảm biến để phân tích hành vi Phân  tích,  nhận dạng hành vi giao thông được  thực  hiện  ở  nhiều  quốc  gia trên thế  giới nhằm  phân  loại  được hành vi của người tham gia lưu  thông phục