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 Chuyên ngành: Hệ thống Thông tin Mã số: 9480401.01 LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS NGUYỄN HÀ NAM PGS TS PHAN XUÂN HIẾU Hà Nội – 2019 LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu tơi thực hướng dẫn PGS.TS Nguyễn Hà Nam PGS.TS Phan Xuân Hiếu Bộ môn Hệ thống Thông tin, Khoa Công nghệ Thông tin, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội Các số liệu kết trình bày luận án trung thực chưa cơng bố cơng trình khác Tác giả Lữ Đăng Nhạc LỜI CẢM ƠN Luận án thực Bộ môn Hệ thống Thông tin-Khoa CNTT-Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội, hướng dẫn PGS.TS Nguyễn Hà Nam PGS.TS Phan Xuân Hiếu Trước tiên, xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS Nguyễn Hà Nam PGS.TS Phan Xuân Hiếu Những người Thầy tận tụy dạy, giúp đỡ giải vấn đề khó khăn nghiên cứu khoa học sống Tôi xin gửi lời cảm ơn tới tập thể Thầy, Cô giáo, Nhà khoa học khoa CNTT truyền đạt kiến thức quý báu tạo điều kiện thuận lợi cho q trình học tập nghiên cứu Để có liệu phục vụ cho nghiên cứu, xin gửi lời cảm ơn tới Nhóm nghiên cứu PGS.TS Nguyễn Hà Nam giúp thu thập liệu tiến hành số thực nghiệm liên quan đến Luận án Tôi gửi lời tri ân tới bạn bè, đồng nghiệp, người thân giúp đỡ hỗ trợ tơi suốt q trình nghiên cứu Cuối cùng, tơi vơ biết ơn gia đình, bố mẹ, anh chị em, đặc biệt vợ hai nhỏ tôi, người động viên, giành điều kiện tốt để tơi hồn thành chương trình nghiên cứu Lữ Đăng Nhạc Hà Nội, 2019 ii MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN I 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 luận án Mục tiêu luận án Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu Đóng góp luận án Bố cục luận án CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG HÀNH VI 1.1 Giới thiệu 1.2 Một số khái niệm 1.2.1 Hành động giao thông 1.2.2 Hành vi giao thông 1.3 Sử dụng 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 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 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 sở 30 2.4.2 Tập thuộc tính đặc trưng 50 iii 2.4.3 Đề xuất hệ thống nhận dạng hành động 52 2.5 Thực nghiệm 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 liệu huấn luyện 65 2.5.6 Đánh giá hệ thống đề xuất so với số nghiên cứu tại[CT4] 70 2.6 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 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 hệ thống nhận dạng hành động 85 3.5 Thực nghiệm đánh giá 89 3.5.1 Môi trường thực nghiệm 89 3.5.2 Dữ liệu thực nghiệm 89 3.5.3 Kết thực nghiệm với DTW 93 3.5.4 Kết thực nghiệm với RF Dl4jMlpClassifier 95 3.5.5 Kết thực nghiệm với giải pháp đề xuất 97 3.6 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 TỪ VIẾT TẮT DIỄN GIẢI TIẾNG ANH TIẾNG VIỆT ACC Accuracy Độ xác phân lớp liệu Acc Accelerometer Cảm biến gia tốc ANN Artificial Neural Network Mạng nơ - ron AUC Area Under Curve Diện tích đường cong ROC CV10 Cross Validation – 10 Fold Phương pháp đánh giá phân lớp cách chia liệu thành 10 tập DTW Dynamic Time Wrapping Kỹ thuật tìm kiếm độ tương tự hai chuỗi FFT Fast Fourier Transform Biến đổi Fourier nhanh FN False Negative Âm tính giả (mẫu mang nhãn dương bị phân lớp sai vào lớp âm) FP False Positive Dương tính giả (mẫu mang nhãn âm bị phân lớp sai vào lớp dương) GPS Global Positioning System Hệ thống định vị toàn cầu Gyr Gyroscope Cảm biến quay hồi chuyển J48 J48 Là thuật toán phân lớp thuộc CART (Classification and Regression Tree) k- NN k Nearest Neighbor Thuật toán phân lớp k láng giềng gần Mag Magnetometer Cảm biến từ trường NB Naïve Bayes Classifier Thuật tốn phân lớp Nạve Bayes v RF Random Forest Rừng ngẫu nhiên ROC Receiver Operator Characteristic Đặc tính hoạt động thu nhận SVM Support Machines TN True Negative TP Vector Véc-tơ tựa Âm tính thật (mẫu mang nhãn âm phân lớp vào lớp âm) Dương tính thật (mẫu mang nhãn dương phân lớp vào lớp True Positive dương) ZCR Zero Crossing Rate Tỷ lệ vượt qua điểm cắt không DT Decision Table Bảng định vi DANH MỤC HÌNH ẢNH Hình 1-1 Hướng nghiên cứu tổng thể toán 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 liệu [37] 31 Hình 2-2 Phân đoạn chuỗi tín hiệu thành cửa sổ liệu 34 Hình 2-3 (a) Hướng điện thoại xác định hệ tọa độ (X, Y, Z) (b) Hướng di chuyển phương tiện theo hệ tọa độ trái đất (X’, Y’, Z’) 35 Hình 2-4 Kết hợp biểu diễn thông tin miền thời gian tần số [46] 36 Hình 2-5 Hệ tọa độ trục quay điện thoại thông minh[48] 42 Hình 2-6 Độ đo AUC[50] 48 Hình 2-7 Hệ thống nhận dạng hành động giao thông 53 Hình 2-8 Thuật tốn lựa chọn kích thước cửa sổ chồng liệu theo AUC 54 Hình 2-9 Nhận dạng hành động với kích thước cửa sổ lựa chọn 56 Hình 2-10 Hành động dừng hành động 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 hành động (a): “Dừng”; (b): “Đi thẳng”; (c):”Rẽ trái”; (d): “Rẽ phải” 59 Hình 2-13 Tập liệu đặc trưng sử dụng cho nhận dạng hành động giao thơng 60 Hình 2-14 Phân bổ tập liệu đặc trưng biến đổi với 59 thuộc tính 60 Hình 2-15 Kết phân lớp sử dụng tập thuộc tính H2, T2, F2, TH2, TF2, TFH2 62 Hình 2-16 Kết so sánh liệu thô liệu biến đổi hệ tọa độ 63 Hình 2-17 Kết độ đo thực nghiệm với thuật toán phân lớp 64 vii Hình 2-18 Chu kỳ thay đổi độ đo AUC tương ứng với hai kích thước cửa sổ liền hành động với: (a) Dừng; (b) Đi thẳng; (c) Rẽ trái; (d) Rẽ phải 67 Hình 2-19 Kết phân lớp với kích thước cửa sổ lựa chọn tập TF2 TFH2 70 Hình 3-1 Khái niệm liệu bất thường[58] 74 Hình 3-2 Độ đo DTW 82 Hình 3-3 Sử dụng DTW để phát hành vi bất thường 83 Hình 3-4 Nhận dạng hành vi bất thường dựa hành động 84 Hình 3-5.Sơ đồ hệ thống phát hành vi bất thường 86 Hình 3-6 Phát hành vi bất thường dựa hành động giao thông 88 Hình 3-7 Mẫu liệu cảm biến gia tốc hành vi bất thường – “lạng lách” 91 Hình 3-8 Mẫu liệu cảm biến gia tốc hành vi bình thường (đi thẳng) 92 Hình 3-9 Kết so khớp với giá trị ngưỡng khác 94 Hình 3-10 Kết nhận dạng hành vi bình thường bất thường 100 viii 3.5.4.2 - Kết thực nghiệm Thực nghiệm phân lớp liệu với thuật toán RF tập liệu kiểm tra thu với tham số mặc định thuật toán RF công cụ Weka phiên 3.8 sau: Tham số mặc định RF P 100 I num-slots 100 K M V 0.001 S Bảng 3-3 Tham số mặc định thuật toán RF Với tham số này, kết độ xác phân lớp tập liệu huấn luyện tương ứng với kích thước cửa sổ giây, giây giây sử dụng phương pháp kiểm chứng chéo CV10 nhận kết Bảng 3-5 - Thực nghiệm phân lớp với kỹ thuật học sâu sử dụng gói WekaDeeplearning4J phân lớp Dl4jMlpClassifier Các tham số mặc định cho phân lớp trình bày Bảng 3-5 đây: Stt Tham số number of epochs = 10 optimization algorithm = STOCHASTIC_GRADIENT_DESCENT batch size = 100 number decimal = seed = Bảng 3-4 Tham số Dl4jMlpClassifier Bộ phân lớp tích hợp vào WEKA phiên 3.8; phương pháp kiểm chứng chéo CV10 áp dụng cho thực nghiệm tập liệu huấn luyện thu kết phân lớp với độ đo Accuracy Bảng 3-5 đây: Kích thước cửa sổ giây giây 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 thu nhận dạng hành vi thực nghiệm sử dụng phương pháp phân lớp khác tập liệu kiểm tra cho thấy: Kết phân lớp tốt kích thước cửa sổ giây với tập liệu hành vi có nhãn bình thường/ bất thường, kỹ thuật học sâu cho kết cao so với RF 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 hệ thống nhận dạng hành động trình bày Chương Tập liệu cảm biến gia tốc thu chia thành hai phần với 70% liệu huấn luyện, phần lại sử dụng làm liệu để kiểm tra Để nhận dạng cửa sổ liệu chia nhỏ nhằm để đánh giá tính bất thường, cần xây dựng tập liệu huấn luyện phù hợp cho hệ thống nhận dạng hành động xảy thời gian ngắn với kích thước cửa sổ W’ nhỏ Các bước xây dựng tập liệu huấn luyện thực theo bước sau: - Thu liệu cảm biến gia tốc hành vi bất thường (lạng lách) hành vi bình thường (đi thẳng dừng) Mẫu hành vi bất thường (“Lạng lách”) thu phương tiện liên tục đổi hướng Hình 3-7 Mẫu hành vi bình thường (“Đi thẳng”) thu phương tiện liên tục đổi hướng Hình 3-8 - Với mục đích nhận dạng hành vi bất thường khoảng thời gian hành động xảy Do đó, chuỗi liệu hành vi bình thường cắt theo kích thước cửa sổ W Mỗi mẫu liệu có kích thước W cắt thành cửa sổ có kích thước W’ với tỉ lệ chồng liệu gán nhãn theo chuỗi hành động thay đổi hướng tương ứng có mẫu dạng là: “L, R, R, L, L, R” mơ tả Hình 3-7 Từ nhận nhãn hành động “L”, “R” xảy hành vi bất thường - Với phương pháp tương tự trên, nhãn hành động “G” gán từ mẫu hành vi bình thường 97 tb (Wb ,Wb' , b ) Do hành vi “lạng lách” ảnh hưởng từ người điều khiển phương tiện, chủng loại phương tiện trạng giao thơng nên vận tốc, tính chất khác Vì vậy, cần phải khảo sát để lựa chọn kích thước cửa sổ W W’ phù hợp nhằm xây dựng liệu huấn luyện đủ tốt cho hệ thống nhận dạng hành động Với tập liệu huấn luyện thu được, đồng thời sử dụng để đánh giá giá trị ngưỡng dựa vào tỉ lệ phát hành vi gán nhãn hàm (3.9) sau: ' y f (W,W, ) (3.9) Với giá trị ngưỡng lựa chọn khác cho tỉ lệ phát hành vi khác cửa sổ W W' giá trị nhận y thông qua công thức (3.9) Do đó, cần khảo sát lựa chọn bột giá trị phù hợp để có tỉ lệ nhận dạng hành vi bất thường tốt 3.5.5.2 Kết thực nghiệm Thực nghiệm tiến hành khảo sát, đánh giá để tìm kích thước cửa sổ W' dựa tập liệu đặc trưng sử dụng cho huấn luyện thu Các hành động xảy hành vi bất thường diễn nhanh nên kích thước cửa sổ W' lựa chọn khảo sát giây giây Kết phân lớp RF tương ứng với tập liệu cắt kích thước cửa sổ khác nhau, đánh giá phương pháp kiểm chứng chéo 10 – fold thu kết Bảng 3-6 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 thu từ Bảng 3-6, kích thước cửa sổ W’ = giây chồng liệu 50% chọn nhằm phát hành vi bất thường Ngoài ra, để khảo sát 98 khoảng thời gian hành vi bất thường diễn ra, lựa chọn tham số W’ giây, giây giây Các giá trị ngưỡng lựa chọn {0,5; 0,6; 0,7; 0,8; 0,9} nhằm đánh giá tỉ lệ nhận dạng hành vi dựa tập liệu huấn luyện thu Kết thực nghiệm biểu diễn Bảng 3-7 sau: W ε Hành vi phát Tổng hành vi Tỉ lệ (%) 0,5 0,6 giây 0,7 0,8 0,9 0,5 0,6 giây 0,7 0,8 0,9 0,5 666 0,6 666 giây 0,7 623 347 218 122 95 48 258 190 116 75 27 884 884 884 884 884 666 666 666 666 666 666 666 0,393 0,247 0,138 0,107 0,054 0,387 0,285 0,174 0,113 0,041 1 0,8 0,9 487 256 666 666 666 0,935 0,731 0,384 Bảng 3-7 Lựa chọn ngưỡng sai khác nhằm phát hành vi bất thường Kết thu thể Bảng 3-7 cho thấy việc lựa chọn giá trị ngưỡng tác động lớn đến kết nhận dạng Để có giá trị phù hợp, chúng tơi lựa chọn tham số kích thước cửa sổ W = giây, W’ = giây ngưỡng giá trị {0, 5; 0, ; 0, 7} tương ứng với tỉ lệ nhận dạng {100%; 100%; 93,5%} để khảo sát, đánh giá tập liệu kiểm tra Kết thực nghiệm tập kiểm tra có kết thu tệ lệ nhận dạng hành vi bất thường Bảng 3-8 đây: Hành vi bình thường 90,00% Trung bình S(6, 5) Hành vi bất thường 90,86% S(6, 6) 80,00% 90,81% 85.41% S(6, 7) 66,28% 95,90% 81.09% S(W, ε) 90.43% Bảng 3-8 Kết phát hành vi giải pháp đề xuất tập liệu kiểm tra Kết tỉ lệ phát hành vi biểu diễn Hình 3-10 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 Bảng 3-8 Hình 3-10 ta thấy, với kích thước giây giá trị ngưỡng 0, cho kết 90,43%; kết cao phương pháp sử dụng DTW phương pháp phân lớp sử dụng Dl4jMlpClassifier trình bày Bảng 3-9 đây: Phương pháp DTW Tỉ lệ phát 59,6% Dl4jMlpClassifier 89,33% RF 81.19% Phương pháp đề xuất 90,43% Bảng 3-9 Kết phát hành vi phương pháp khác Từ kết thực nghiệm thu cho thấy, phương pháp sử dụng kỹ thuật so khớp với DTW dựa liệu cảm biến gia tốc so khớp khoảng cách hai chuỗi liệu thực đơn giản đồng thời nhạy cảm với liệu mẫu hành vi thu thập Nếu thu mẫu thiếu xác, nhiễu từ thiết bị cảm biến ảnh hưởng tới lựa chọn ngưỡng để đánh giá hành vi dẫn đến sai lệch làm giảm kết hệ thống Do vậy, phương pháp thường áp dụng với thực nghiệm mà vị trí điện thoại cố định theo hướng di chuyển phương tiện Khi phương tiện di chuyển làm thay đổi giá trị trục tọa độ cố định, biết trước nên việc so sánh có 100 kết khả quan trường hợp điện thoại thay đổi vị trí tham gia giao thơng Khi sử dụng phương pháp phân lớp để nhận dạng hành vi phân lớp RF Dl4jMlpClassifier, việc xác định hành vi bất thường bình thường thu liệu mẫu hành vi gặp khó khăn, hành vi bất thường khó xác định, đa dạng với đối tượng khác nhau, phương tiện khác cảnh thu liệu khác ảnh hưởng tới kết nhận dạng Thuật toán RF nhận dạng tốt hành động bản, xong liệu hành vi có kết nhận dạng thấp so với phân lớp Dl4jMlpClassifier Khác với số nghiên cứu trước đây, việc đánh giá hành vi bất thường dựa hành động, phương pháp phụ thuộc nhiều vào xác thu mẫu liệu hành vi Giải pháp đề xuất nhận dạng hành vi bất thường dựa vào đánh giá số hành động thay đổi bất thường khoảng thời gian ngắn hệ thống nhận dạng hành động lệ thuộc vào việc xác định mẫu hành vi bất thường nhận dạng 3.6 Kết luận Trong chương này, luận án tập trung nghiên cứu, khảo sát kỹ thuật, phương pháp xác định tính bình thường bất thường hành vi giao thơng Từ đề xuất giải pháp nhận dạng hành vi giao thông bất thường dựa hệ thống nhận dạng Đồng thời, số kỹ thuật thường sử dụng toán phát hiện, nhận dạng hành vi bất thường sử dụng kỹ thuật DTW, phương pháp phân lớp với RF Dl4jMlpClassifier Thông qua thực nghiệm kỹ thuật để kiểm chứng, làm rõ thêm ý nghĩa giải pháp đề xuất Thực nghiệm phát hành vi bất thường với giải phát đề xuất cho thấy kết thu cao phương pháp sử dụng Dl4jMlpClassifier 1.1% so với DTW 30,83%.Với số 101 hành vi bất thường khác, việc xây dựng thực nghiệm phát hành vi thực tương tự giải pháp hành vi hệ thống thực hiện[CT3]; [CT4] 102 KẾT LUẬN Luận án tiến hành tìm hiểu, thu thập, khảo sát tính chất liệu cảm biến, kỹ thuật phân tích liệu áp dụng cho loại liệu đặc thù Sau đó, luận án nghiên cứu xây dựng tập thuộc tính đặc trưng nhằm nâng cao hiệu hệ thống nhận dạng phương tiện hành động giao thông Phương pháp đề xuất thử nghiệm đánh giá kết dựa liệu tự thu thập số liệu công bố Dựa vào kết nhận dạng hành động giao thông, đề xuất kỹ thuật phát hành vi bất thường cách phân đoạn cửa sổ liệu hành động giao thơng thành đoạn với kích thước cửa sổ đủ nhỏ áp dụng phương pháp nhận dạng hành động với cửa sổ liệu Sự sai khác kết nhận dạng có với nhãn lớp hành động giao thông sở để phân loại hành vi giao thông dựa kỹ thuật so khớp chuỗi Phương pháp đề xuất so sánh, đánh giá liệu thu thập phân tích với số kỹ thuật phát thường dùng tốn nhận dạng hành vi giao thơng khác Luận án thu số kết sau: - Xây dựng tập thuộc tính đặc trưng phù hợp gồm 59 thuộc tính miền thời gian, tần số thuộc tính Hjorth - Đề xuất giải pháp nhận dạng hành động giao thông - Đề xuất giải pháp nhận dạng hành vi bất thường dựa hành động xây dựng chương Bên cạnh số kết thu được, số nội dung mà Luận án chưa thực được, bao gồm: - Xây dựng hệ thống hiển thị giám sát giao thơng Từ đó, nghiên cứu phân tích tình giao thơng khác - Đối với hành vi bất thường, Luận án dừng việc xây dựng mơ hình nhận dạng hành vi bất thường, thực khảo sát với loại hành vi lạng lách 103 phương tiện xe máy mà chưa có điều kiện thu thập, phân tích nhiều dạng hành vi bất thường khác nhau, loại phương tiện khác hệ thống giao thông - Số lượng mẫu hành vi chưa thu thập đa dạng, đủ lớn từ nhiều đối tượng thực nghiệm, phủ hết cảnh huống, điều kiện loại phương tiện khác Trong thời gian tới, chúng tơi tiếp tục hồn thiện nghiên cứu theo số cách tiếp cận khác như: - Áp dụng phương pháp lọc, đánh giá tập thuộc tính đặc trưng với mong muốn nâng cao hiệu mơ hình phát hiện, nhận dạng, phát hành động hành vi bất thường - Tiến hành thực nghiệm, đánh giá loại phương tiện khác ô tô, xe buýt, xe đạp số phương tiện phổ thông khác đô thị Việt nam - Mở rộng tập hành động khác liên quan đến thay đổi tốc độ, thay đổi hướng điều khiển phương tiện Dựa hành động mở rộng tập hành vi bất thường cho tốn nhận dạng, ví dụ như: thay đổi vận tốc đột ngột số hành vi bất thường khác - Xây dựng ứng dụng với liệu theo thời gian thực - Mở rộng nghiên cứu xây dựng hệ thống mô phỏng, giám sát giao thông trực tuyến Đây sở để xây dựng giải pháp quản trị giao thông thông minh hỗ trợ người dân đô thị 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: Context-Aware 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 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 ... ích vi c thu thập liệu từ người dùng Chính vậy, thời gian gần đây, nhiều cơng trình nghiên cứu nhận dạng hành vi người dùng bao gồm hành vi cử hành vi giao thông dựa cảm biến điện thoại thông. .. trước liệu cảm biến, hệ thống mơ hình nhận dạng, phát Từ đó, xác định phương pháp phân tích hành vi giao thông, phát hành vi giao thông bất thường dựa cảm biến gia tốc điện thoại thông minh 1.2... phù hợp để nhận dạng hiệu hành vi giao thông từ liệu cảm biến gia tốc thu điện thoại người điều khiển phương tiện mang theo Tiếp đến, xây dựng hệ thống nhận dạng hành động, hành vi giao thông phù