Tóm tắt Luận án Tiến sĩ Công nghệ thông tin: Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại

Mục tiêu chính của Luận án Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại đó là tập trung vào phân tích dữ liệu cảm biến thu được từ điện thoại của người tham gia giao thông nhằm nhận dạng được các hành vi giao thông bất thường. Mời các bạn cùng tìm đọc toàn văn Luận án này.

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 TĨM TẮT LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN Hà Nội – 2018 Cơng trình hồn thành tại: Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội Người hướng dẫn khoa học: PGS TS Nguyễn Hà Nam PGS.TS Phan Xuân Hiếu Phản biện: PGS.TS Nguyễn Quốc Cường Phản biện: PGS.TS Bùi Thu Lâm Phản biện: PGS.TS Đỗ Trung Tuấn Luận án bảo vệ trước Hội đồng cấp Đại học Quốc gia chấm luận án tiến sĩ họp Phòng 212, Nhà E3, Đại học Cơng nghệ, ĐHQG Hà Nội vào hồi 14 00’ ngày 28 tháng 12 năm 2018 Có thể tìm hiểu luận án tại: - Thư viện Quốc gia Việt Nam - Trung tâm Thông tin - Thư viện, Đại học Quốc gia Hà Nội MỞ ĐẦU Tính cấp thiết luận án Trong hệ thống giao thơng thị, có nhiều yếu tố tác động đến vấn đề quản lý an tồn giao thơng Trong đó, thái độ hành vi người tham gia giao thơng có tác động trực tiếp hệ thống Do đó, việc nhận dạng hành vi người tham gia giao thông bao gồm nhận dạng hành động hành vi bất thường có ý nghĩa lớn việc xây dựng giải pháp, ứng dụng hỗ trợ người tham gia giao thông Vì vậy, chủ đề thu hút quan tâm nghiên cứu nhiều nhà khoa học, phòng thí nghiệm giới Hơn nữa, thông tin hành vi người tham gia giao thơng hữu ích cho nhà quản lý việc quy hoạch hệ thống xây dựng sách quản lý giao thơng sách an sinh xã hội khác Ngồi ra, mơ hình nhận dạng hành vi người tham gia giao thơng trợ giúp đánh giá mức độ rủi ro lĩnh vực bảo hiểm ước tính mức độ tiêu thụ lượng ô nhiễm môi trường hệ thống giao thông Để xây dựng mơ hình nhận dạng hành vi người tham gia giao thông thông tin, liệu người tham gia thu thập nhiều cách khác Thí nghiệm ban đầu thu thập liệu thiết bị cảm biến cố định đối tượng nghiên cứu Nhờ phát triển công nghệ phần cứng, nhiều loại cảm biến khác tích hợp cho phép điện thoại thông minh trở thành công cụ hữu ích việc 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 minh công bố Tuy nhiên, để đảm bảo độ xác cao kết mơ hình nhận dạng hầu hết nghiên cứu thực với vị trí điện thoại cố định phương tiện giao thơng sử dụng tập thuộc tính đặc trưng có số lượng lớn nhằm trích xuất liệu từ nhiều nguồn cảm biến khác điện thoại Điều làm cho mơ hình xây dựng giảm tính tiện dụng giảm khả ứng dụng thực tế Điều dẫn đến hướng nghiên cứu nhận dạng hành vi người dùng vị trí điện thoại người dùng khơng cố định q trình tham gia giao thơng Ngồi ra, nghiên cứu công bố nhận dạng hành vi giao thông thực điều kiện hoàn cảnh khác Trong đó, có khác yếu tố khu vực địa lý, hạ tầng giao thông văn hóa so với điều kiện mơi trường giao thơng Việt Nam Do vậy, mơ hình nhận dạng xây dựng gặp nhiều khó khăn phát triển áp dụng điều kiện cụ thể Việt Nam Sự khác biệt xuất phát từ số yếu tố quan trọng bao gồm yếu tố khách quan yếu tố chủ quan Thứ nhất, nghiên cứu tốn nhận dạng thường tập trung vào phương tiện giao thông phổ biến nước phát triển với đa số phương tiện sử dụng cho thực nghiệm xe ô tô, xe buýt tàu điện ngầm mà xét đến phương tiện thơ sơ Trong đó, hệ thống giao thông đô thị nước phát triển chậm phát triển, có Việt nam, phương tiện giao thông người dân sử dụng chủ yếu xe máy xe đạp số phương tiện công cộng khác Hơn nữa, phần lớn nghiên cứu trước thực điều kiện hạ tầng giao thông ổn định so với tính đa dạng điều kiện giao thơng Việt Nam Thứ hai, yếu tố chủ quan văn hóa thói quen di chuyển người dân tham gia giao thông Với phương tiện ô tô hay xe buýt nghiên cứu, liệu cảm biến thu thập điều kiện phương tiện di chuyển đường riêng, hay đường chạy xác định trước Điều kiện thực với trạng giao thông đô thị Việt Nam Tất yếu tố kể lý giải thích cần có nghiên cứu mơ hình nhận dạng hành vi giao thơng phù hợp với tính chất đặc thù Việt Nam Để hỗ trợ người tham gia giao thơng, mục đích quan trọng, cấp thiết mơ hình phát hành vi khả phát hành vi giao thông bất thường Các nghiên cứu vấn đề thường tập trung vào phương tiện ô tô; phương tiện có thiết kế, đặc tính khác nên khó có mơ hình phù hợp với tất loại phương tiện khác Các nghiên cứu thường sử dụng hướng tiếp cận kết hợp nhiều loại cảm biến để thu thập, phân tích liệu cho trình nhận dạng Bên cạnh cảm biến chuyển động cảm biến khác GPS, camera hình ảnh cảm biến âm sử dụng nhằm nâng cao độ xác nhận dạng hành vi bất thường lái xe Việc sử dụng đồng thời nhiều liệu cảm biến thời điểm dẫn đến tiêu tốn nhiều lượng điện thoại thơng minh khó áp dụng thực tế Hướng tiếp cận lựa chọn thu thập, phân tích liệu cảm biến chuyển động cảm biến gia tốc có mức tiêu tốn lượng thấp cần phải xây dựng mơ hình phù hợp để đảm bảo độ xác nhận dạng loại phương tiện giao thông khác Một giải pháp cốt cho vấn đề cần xác định, lựa chọn tập thuộc tính đặc trưng phù hợp cho loại phương tiện, thể rõ đặc trưng hành vi cho nhận dạng, phát không làm tăng độ phức tạp tính tốn mơ hình mà đảm bảo kết phát hành động, hành vi bất thường Với mong muốn xây dựng mơ hình phát đoán nhận hành vi bất thường sử dụng cảm biết gia tốc điện thoại thông minh, chọn đề tài: “Nhận dạng hành vi người tham gia giao thông dựa cảm biến điện thoại” làm đề tài nghiên cứu khuôn khổ luận án tiến sĩ chuyên ngành Hệ thống Thông tin nhằm giải số vấn đề đặt Mục tiêu luận án Mục tiêu Luận án tập trung vào phân tích liệu cảm biến thu từ điện thoại người tham gia giao thông nhằm nhận dạng hành vi giao thông bất thường Để giải mục tiêu Luận án, tập trung vào giải vấn đề sau: Khảo sát kỹ thuật phân tích liệu ngồi nước Tìm hiểu kỹ thuật thu thập biến đổi liệu áp dụng cho loại cảm biến khác nhau, tập trung vào cảm biến gia tốc có mức tiêu thụ lượng thấp nhằm tìm tập thuộc tính đặc trưng phù hợp cho hệ thống nhận dạng hành động hành vi Xây dựng hệ thống nhận dạng hành động giao thông (đi thẳng, dừng, rẽ trái, rẽ phải) người điều khiển phương tiện dựa liệu cảm biến gia tốc biến đổi từ tập thuộc tính lựa chọn Dựa hệ thống nhận dạng hành động, nghiên cứu, đề xuất giải pháp phát hành vi giao thông bất thường, chủ yếu với phương tiện xe máy Trong thời gian ngắn tương ứng với hành động xảy ra, phát thấy có hành động sai khác xảy xác định hành vi bất thường Sự bất thường đánh giá việc phân đoạn cửa sổ hành động giao thông thành cửa sổ liệu có kích thước nhỏ so sánh nhãn hành động nhận dạng cửa sổ so với nhãn hành động giao thơng để xác định bất thường hay bình thường dựa việc so sánh tỉ lệ sai khác với tỉ lệ cho trước Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu Luận án phân tích, nhận dạng hành vi, hành vi giao thông bất thường người điều khiển phương tiện Dựa cảm biến gia tốc thu từ điện thoại thông minh đối tượng sử dụng phương tiện để đưa giải pháp nhận dạng hành động làm sở cho nhận dạng hành vi giao thông bất thường đô thị Việt Nam Phương pháp nghiên cứu Luận án sử dụng phương pháp khảo sát, tổng hợp, phân tích thơng tin cần thiết; tham khảo, đánh giá nghiên cứu liên quan để từ tìm hướng giải vấn đề Xác định rõ đối tượng phạm vi nghiên cứu để từ xây dựng mơ hình nhận dạng hành động hành vi giao thông Khảo sát kỹ thuật thu thập, xử lý liệu cảm biến, phân tích đặc điểm phương tiện, hành động giao thơng để từ đề xuất giải pháp nhận dạng hành động, hành vi giao thông bất thường dựa cảm biến thu Phương pháp phân tích sử dụng lý thuyết chứng minh thực nghiệm áp dụng để thực yêu cầu toán đặt Đóng góp luận án Đóng góp thứ luận án: đề xuất tập thuộc tính đặc trưng dựa miền thời gian miền tần số nhằm biến đổi liệu cảm biến thành liệu đặc trưng phục vụ cho nhận dạng hành động hành vi bất thường Kết đọ đo phân lớp liệu sử dụng để đánh giá, lựa chọn tập thuộc tính Trong đó, sử dụng tham số Hjorth cho đại lượng khác nhằm thu thuộc tính phù hợp để biến đổi liệu cảm biến thành liệu đặc trưng Tập thuộc tính đặc trưng phù hợp sử dụng làm sở cho việc xây dựng hệ thống nhận dạng phương pháp phân lớp [CT2], [CT4] Khảo sát, lựa chọn kích thước cửa sổ tỉ lệ chồng liệu để phân tích tìm giá trị tương ứng, phù hợp với hành động Qua đó, hỗ trợ hệ thống nhận dạng hành động giao thơng có hiệu [CT1], [CT2], [CT4] Kết nhận dạng hệ thống đề xuất cao so với số nghiên cứu cơng bố có [CT4] Đóng góp thứ hai luận án: đề xuất giải pháp phát hành vi giao thông bất thường theo hướng tiếp cận mới, hướng tiếp cận dựa kết nhận dạng hành động Trong thời gian ngắn mà hành động xảy ra, hệ thống nhận dạng chuỗi hành động bất thường xác định hành vi bất thường Các giải pháp, kết thu luận án trình bày cơng trình cơng bố Trong có báo quốc tế có số SCIE; báo hội nghị quốc tế có phản biện có số Scopus thể cơng trình [CT1], [CT2], [CT3] [CT4] Bố cục luận án Ngoài phần mở đầu, mục lục, kết luận tài liệu tham khảo, nội dung luận án chia thành chương, cụ thể sau: Chương 1: Giới thiệu số khái niệm hành động, hành vi giao thơng tốn nhận dạng hành vi giao sử dụng liệu cảm biến Chương 2: Xây dựng hệ thống nhận dạng hành động giao thông dựa cảm biến điện thoại Chương 3: Dựa kết hệ thống nhận dạng hành động, đề xuất giải pháp nhận dạng hành vi giao thông, hành vi bất thường Chương 1.1 TỔNG QUAN VỀ PHÂN TÍCH HÀNH VI Giới thiệu Cảm biến thu từ điện thoại dùng phân tích nhiều tốn khác Trong có tốn nhận dạng hành vi Vì điện thoại thơng minh sử dụng cho nhiều mục đích cá nhân khác có giới hạn lượng, đa dạng chủng loại, chất lượng thiết bị phần cứng dẫn đến yêu cầu cần phải xây dựng hệ thống, giải pháp phân tích, phát hành động, hành vi cho phù hợp toán đặt cần giải 1.2 Một số khái niệm 1.2.1 Hành động giao thông Hành động giao thông việc người điều khiển thay đổi trạng thái phương tiện q trình tham gia giao thơng[10] 1.2.2 Hành vi giao thông Hành vi giao thông biểu thay đổi trạng thái phương tiện theo cách thức, mức độ, tính chất khác trình lưu thơng [10][11][12] [13] 1.3 Sử dụng liệu cảm biến để phân tích hành vi Cảm biến điện thoại thông minh ngày đa dạng Khi sử dụng kết hợp nhiều cảm biến làm tiêu hao lượng nên lựa chọn cảm biến gia tốc có ưu điểm tốn tài ngun thiết bị để xây dựng hệ thống hướng tiếp cận phù hợp đáp ứng yêu cầu tốn phân tích, nhận dạng hành vi giao thơng dựa điện thoại thông minh người điều khiển phương tiện mang theo điều kiện, môi trường giao thông đô thị Việt Nam 1.4 Một số nghiên cứu liên quan Các nghiên cứu công bố gần hiệu việc kết hợp nhiều loại cảm biến khác tốn phân tích hành vi Tuy nhiên, việc sử dụng liệu cảm biến gia tốc phù hợp với điện thoại phổ biến tiêu hao lượng Cũng hướng tiếp cận sử dụng tập đặc trưng phương pháp phân lớp cho dạng toán 1.5 Phương pháp nhận dạng hành vi giao thông dựa cảm biến Từ vấn đề đề xuất phương phân tích, pháp nhận dạng hành vi giao thơng bất thường dựa cảm biến gia tốc Hình 1-1 đây: NHẬN DẠNG HÀNH ĐỘNG Chương Hành động THU THẬP TIỀN XỬ LÝ DỮ LIỆU PHÂN TÍCH HÀNH VI BẤT THƯỜNG Chương Hành vi bất thường LOẠI HÀNH VI BẤT THƯỜNG Hình 1-1 Hệ thống phân tích hành vi bất thường 1.6 Kết luận Trong chương này, chúng tơi tìm hiểu, khảo sát nghiên cứu liên quan đến toán nhận dạng hành vi Làm rõ số khái niệm hành động, hành vi, hành vi bất thường lĩnh vực giao thơng Tìm hiểu phương pháp, kỹ thuật phân tích, nhận dạng hành vi, đặc biệt hướng tiếp cận sử dụng liệu cảm biến điện thoại thông minh thu người điều khiển phương tiện Chương 2.1 NHẬN DẠNG HÀNH ĐỘNG GIAO THÔNG Giới thiệu Trong chương này, Luận án tập trung vào việc xây dựng hệ thống nhận dạng hành động đối tượng điều khiển phương tiện giao thông dựa tín hiệu cảm biến thu từ điện thoại mang theo Hướng tiếp cận sử dụng biến đổi liệu cảm biến thô thành liệu đặc trưng áp dụng kỹ thuật cửa sổ liệu với tập thuộc tính đặc trưng khảo sát lựa chọn Sau đó, nhận dạng phương pháp phân lớp 2.2 Sử dụng liệu cảm biến để nhận dạng hành động giao thơng Sử dụng tín hiệu cảm biến điện thoại mang theo để phân tích, nhận dạng ngày phổ biến sử dụng với yêu cầu khác nhiều hệ thống thông minh Một số hướng nghiên cứu sử dụng cảm biến hình ảnh thu từ camera kết hợp nhiều cảm biến khác để nhận dạng hành động Tuy nhiên, hướng tới thuận lợi tiết kiệm lượng thiết bị Chúng sử dụng thông tin, liệu đầu vào cảm biến gia tốc thu từ điện thoại thông minh mang theo người tham gia giao thơng, vị trí điện thoại thay đổi hành trình[CT2], [CT4] 2.3 Một số nghiên cứu liên quan Đối với toán nhận dạng hành động giao thông, số kiện, hành động, hành vi người điều khiển thể công bố số nghiên cứu liên quan Trong đó, hành hành động, hành vi thường nhận dạng với vị trí điện thoại cố định biết trước góc xoay so với chuyển động nhằm thu liệu mẫu ổn định Ngoài phương pháp so khớp, phương pháp phân lớp thường sử dụng cho toán dựa hướng tiếp cận trích xuất đặc trưng 2.4.1.8 Phương pháp đánh giá phân lớp AUC Các phương pháp đánh giá mơ hình thường sử dụng đánh giá với mơ hình phân lớp liệu dựa ma trận nhầm lẫn Có hai độ đo thường sử dụng để đánh giá mơ hình phân lớp độ xác (Accuracy) độ đo AUC sử dụng CV10 2.4.2 Tập thuộc tính đặc trưng Sự di chuyển phương tiện giao thông làm thay đổi gia tốc nên thuộc tính miền thời gian có ý nghĩa hàm chứa thơng tin hữu ích phân tích hành động, hành vi Tập thuộc tính kết hợp cho nhận dạng thể bảng đây: Miền, tham số Hjorth Tên tập thuộc tính Thời gian Tần số Hjorth Thời gian + Tần số Thời gian + Hjorth Thời gian + Tần số + Hojrth T2 F2 H2 TF2 TH2 TFH2 Bảng 2-1 Tập thuộc tính sử dụng nhận dạng 2.4.3 Đề xuất hệ thống nhận dạng hành động Việc nhận dạng hành động, hành vi cần có giải pháp, kỹ thuật phù hợp với yêu cầu thực tiễn toán Do vậy, xây dựng hệ thống nhận dạng Hình 2- nhằm nhận dạng hành động giao thơng (Dừng, Đi thẳng, Rẽ trái, Rẽ phải) biểu diễn Hình 2-7 đây: Dữ liệu gia tốc TIỀN XỬ LÝ DỮ LIỆU - Kỹ thuật cửa sổ - Biến đổi liệu (gán nhãn) Mơ hình Nhận dạng Tham số mơ hình Pha huấn luyện Pha pha phát ` Dữ liệu gia tốc (phát hiện) TIỀN XỬ LÝ DỮ LIỆU - Kỹ thuật cửa sổ - Biến đổi liệu The pa rameters LỚP PHÂN Hành động LOẠI HÀNH ĐỘNG Hình 2-7 Hệ thống nhận dạng hành động giao thông 11 Hệ thống nhận dạng bao gồm Pha huấn luyện để xây dựng mơ hình nhận dạng Pha thứ hai: nhận dạng hành động dựa liệu cảm biến phát thu từ điện thoại đối tượng tham gia giao thơng dựa mơ hình xây dựng Giải pháp nâng cao kết nhận dạng thông qua lựa chọn kích thước cửa sổ cho hành động dựa độ đo AUC trình bày Hình 2- sau đây: Hình 2-8 Thuật tốn tối ưu kích thước cửa sổ chồng liệu theo AUC Trong pha phát với N nhãn lớp hành động sử dụng giải pháp tối ưu cửa sổ có N kích thước cửa sổ khác nhau, đồng thời cần phải thực N lần phân lớp để xác định kết nhãn lớp để đưa nhãn lớp phù hợp theo Hình 2-9 sau: MƠ HÌNH PHÂN LỚP M1 Xử lý với kích thước Wi DỮ LIỆU PHÁT HIỆN MƠ HÌNH PHÂN LỚP Mi ĐÁNH XÁC ĐỊNH GIÁ NHÃN LỚP NHÃN LỚP MƠ HÌNH PHÂN LỚP MN Hình 2-9 Nhận dạng hành động với kích thước cửa sổ lựa chọn Tại thời điểm, liệu tiền xử lý với N kích thước cửa sổ tối ưu nhận dạng nhãn lớp tương ứng Sử dụng kỹ thuận nhận dạng cho kết nhãn lớp phù hợp với cửa sổ liệu đầu vào 12 2.5 Thực nghiệm đánh giá 2.5.1 Môi trường thực nghiệm Hệ thống thu thập phân tích liệu cảm biến điện thoại xây dựng dựa hệ điều hành Android phiên 4.5 đến 6.0; ngôn ngữ Java cơng cụ WEKA [53] để phân tích, thực nghiệm Các đối tượng tham gia thực nghiệm mang điện thoại điều khiển phương tiện ngồi sau phương tiện người khác điều khiển trình tham gia giao thơng đường phố Vị trí điện thoại thay đổi tùy ý tiến hành thực nghiệm xe máy 2.5.2 Dữ liệu thực nghiệm Hệ thống nhận dạng hành động giao thông thực để nhận dạng hành động là: thẳng, dừng, rẽ trái rẽ phải Số lượng mẫu thu cho thực nghiệm thể bảng sau: Hành động Dừng Đi thẳng Rẽ trái Rẽ phải Số lượng mẫu 361 3797 1750 1656 Bảng 2-5 Tập mẫu liệu đặc trưng sử dụng nhận dạng hành động giao thông 2.5.3 Lựa chọn tập thuộc tính Để đánh giá, lựa chọn tập thuộc tính phù hợp, sử dụng cách kết hợp tập thuộc tính với Thực nghiệm với tập thuộc tính thu kết độ xác Accuracy AUC sau: Random Forest ACC AUC H2 82,39% 0,9531 F2 82,85% 0,9530 T2 88,79% 0,9730 TH2 88,39% 0,975 TF2 88,85% 0,9752 TFH2 88,32% 0,9768 J48 ACC AUC 65,57% 0,8881 79,16% 0,8690 69,90% 0,9213 82,06% 0,8620 70,60% 0,9134 70,36% 0,9104 Naïve Bayes ACC AUC 65,57% 0,8326 54,29% 0,7970 69,90% 0,8546 38,19% 0,8440 70,60% 0,8462 70,36% 0,8479 KNN ACC AUC 66,89% 0,8153 75,99% 0,8120 73,91% 0,8596 78,56% 0,8400 74,08% 0,8481 72,39% 0,8406 SVM ACC AUC 65,41% 0,7273 51,12% 0,6551 70,86% 0,7506 76,45% 0,8090 70,99% 0,7384 69,64% 0,7384 Bảng 2-11, Kết phân lớp hành động tập thuộc tính Kết thực nghiệm cho thấy, tập thuộc tính TFH2 kết hợp từ tập thuộc tính khác cho kết cao Thực nghiệm với liệu biến đổi hệ tọa độ thu kết bảng sau: RF J48 NB KNN SVM AUC ACC AUC ACC AUC ACC AUC ACC AUC ACC DL thô 0,97676 88,32% 0,910449 85,55% 0,84794 70,36% 0,84058 72,39% 0,73837 69,64% DL- CT 0,98541 90,97% 0,95921 89,94% 0,94450 86,05% 0,93778 86,40% 0,81313 74,87% Bảng 2-12 Kết so sánh liệu thô liệu biến đổi hệ tọa độ 13 Kết thực nghiệm cho thấy, sau chuyển trục, kết nhận dạng hành động thu cao so với kết sử dụng liệu thơ thuật tốn nên liệu chuyển trục sử dụng cho nhận dạng hành động hành vi giao thơng 2.5.4 Khảo sát thuật tốn phân lớp 110% Độ đo AUC Độ đo Accuracy Thực nghiệm tiến hành liệu thô thuật tốn thường sử dụng phân tích hành động người Random Forest, Naïve Bayes, J48, KNN SVM với giá trị mặc định thường dùng cho thuật toán với phương pháp kiểm chứng chéo CV10 cho kết hình đây: 90% 70% 0.9 0.7 0.5 50% RF H2 F2 J48 T2 NB KNN Thuật toán TH2 TF2 RF SVM TFH2 H2 J48 F2 T2 NB KNN Thuật toán TH2 TF2 SVM TFH2 Hình 2-11 Kết phân lớp với thuật tốn khác Qua thực nghiệm chúng tơi lựa chọn thuật toán RF phù hợp cho hệ thống nhận dạng 2.5.5 Xây dựng liệu huấn luyện Thực nghiệm tiến hành tập thuộc tính TFH2 với kết phân lớp sử dụng thuật toán rừng ngẫu nhiên tìm kích thước cửa sổ khảo sát khoảng từ giây, đến giây sử dụng với mục đích tìm kích thước cửa sổ phù hợp đối nhãn lớp Kết thu tham số kích thước cửa sổ chồng liệu thể Bảng 2-17 đây: Hành động Của sổ (giây) Chồng liệu AUC S 75% 0,999422 G 75% 0,992828 L 50% 0,996841 R 50% 0,987251 Bảng 2-17 Kích thước cửa sổ tối ưu theo độ đo AUC Để đánh giá kết nhận dạng với tập liệu đặc trưng có với liệu chuyển trục xây dựng từ tập liệu huấn luyện với 14 kích thước tối ưu sử dụng phương pháp kiểm chứng chéo CV10 hai tập TF2 TFH2 thu kết Bảng 2-18 đây: ACC TF2 95,78% TFH2 98,95% RF AUC 0,998550 0,999852 ACC J48 AUC ACC NB AUC ACC KNN AUC ACC SVM AUC 94,78% 0,978238 90,44% 0,967257 92,04% 0,965410 80,40% 0,836312 98.38% 0,995950 95,25% 0,989185 95,73% 0,982722 83,35% 0,850271 Bảng 2-18 Kết phân lớp với tham số tối ưu hai tập TF2 TFH2 Từ kết cho thấy, bổ sung tham số Hjorth vào tập thuộc tính TF2 ta thu tập thuộc tính TFH2 cho kết độ đo Accuracy lớn độ đo tập TF2 thuật toán phân lớp RF lựa chọn 3,17% giá trị độ đo AUC lớn 0,0013 2.5.6 Đánh giá hệ thống đề xuất so với số nghiên cứu tại[CT4] Để đánh giá hệ thống nhận dạng đề xuất, qua tìm hiểu thu thập, chúng tơi tiến hành thực nghiệm đánh giá hệ thống dựa tập liệu thu thập công ty HTC Đài Loan công bố [56] Thực nghiệm so sánh phương pháp đề xuất so với số nghiên cứu tập liệu thể bảng đây: Nghiên cứu Kết phân lớp accuracy Fang et al, [31] (Sử dụng KNN) 83,57% Guvensan et al [32], (Sử dụng RF) 91,63% Phương pháp đề xuất (sử dụng RF) 97,33% Bảng 2-19 Kết so sánh tập thuộc tính với phương pháp khác liệu HTC [56] [CT4] 2.6 Kết luận Trong chương đề xuất hệ thống nhận dạng để thực nhận dạng hành động giao thông {Dừng, Đi thẳng, Rẽ trái, Rẽ phải} dựa cảm biến gia tốc thu từ điện thoại thông minh người sử dụng phương tiện vị trí điện thoại khơng cố định Lựa chọn tập thuộc tính TFH2 thuật tốn RF cho nhận dạng hành động Thực nghiệm với hệ thống đề xuất cho kết cao so với số cơng bố có tập liệu 15 Chương 3.1 NHẬN DẠNG HÀNH VI BẤT THƯỜNG Giới thiệu Luận án tìm hiểu, khảo sát kỹ thuật phân tích liệu cảm biến sử dụng cho tốn nhận dạng hành vi Từ đó, đề xuất giải pháp nhận dạng hành vi bất thường dựa hệ thống nhận dạng hành động trình bày chương 2, 3.2 Bài tốn nhận dạng hành vi bất thường 3.2.1 Nhận dạng bất thường 3.2.1.1 Dữ liệu bình thường bất thường Một liệu bất thường dạng mẫu mà khác với định nghĩa mẫu liệu bình thường Tuy nhiên, thực tế việc định nghĩa mẫu bất thường khó nhiều so với việc định nghĩa mẫu bình thường Do đó, hướng tiếp cận định nghĩa mẫu bất thường phổ biến dựa vào định nghĩa mẫu bình thường 3.2.1.2 Một số kỹ thuật gán nhãn bất thường Nhãn liệu thường gán chuyên gia lĩnh vực Gán nhãn bất thường khó nhiều so với việc gán nhãn bình thường Do nhãn bất thường thay đổi phát sinh nên khó gán nhãn từ tập liệu huấn luyện Một số kỹ thuật nhận dạng bất thường sử dụng phương pháp gán nhãn chia thành dạng là[58][59]: Dạng 1: Phát phương pháp có giám sát Dạng 2: Phát bất thường sử dụng phương pháp bán giám sát Dạng 3: Sử dụng phương pháp phát bất thường không giám sát 3.2.1.3 Phương pháp đánh giá nhận dạng bất thường Do khó khăn xác định tính chất bất thường tính chất bình thường áp dụng phương pháp gán nhãn bất thường cho liệu Việc đánh giá hệ thống phát bất thường thiết kế cho 16 miền, lĩnh vực khác phổ biến hai dạng sau[58]: Đánh giá dựa vào kỹ thuật cho điểm đánh giá dựa vào kỹ thuật gán nhãn 3.2.2 Sử dụng cảm biến điện thoại để nhận dạng hành vi bất thường Các đối tượng tham gia giao thơng chịu nhiều tác động từ yếu tố tâm lý cá nhân yếu tố bên ngồi hạ tầng giao thơng, yếu tố mơi trường, đặc tính phương tiện trạng giao thông thời điểm Hướng tiếp cận sử dụng cảm biến điện thoại để nhận dạng hành vi bất thường cộng đồng nhà nghiên cứu quan tâm Tuy nhiên, sử dụng cảm biến gia tốc để nhận dạng hành vi lựa chọn thực đề tài nghiên cứu Với giải pháp nhận dạng hành vi bất thường là: Nếu chuỗi hành động xảy khoảng thời gian ngắn có sai khác so với thời gian hành động tương ứng xảy xác định hành vi bất thường 3.3 Một số nghiên cứu liên quan Các phương pháp, kỹ thuật phát hành vi bất thường nghiên cứu gặp phải vấn đề khó khăn làm để xác định, thu thập mẫu liệu bất thường, liệu cảm biến gia tốc có nhiều nhiễu từ thiết bị vị trí điện thoại Do vậy, để vượt qua việc phụ thuộc vào mẫu liệu bất thường, chúng tơi đề xuất hướng tiếp cận để xác định hành vi giao thông bất thường dựa phân tích chuỗi hành động khoảng thời gian ngắn tương ứng hành động diễn 3.4 Giải pháp nhận dạng hành vi bất thường dựa hệ thống nhận dạng hành động 3.4.1 Một số kỹ thuật nhận dạng hành vi bất thường 3.4.1.1 Kỹ thuật so khớp DTW Kỹ thuật so khớp thường sử dụng để tìm tương đồng hai chuỗi Chúng sử dụng phương pháp để phát hành vi bất thường dựa cảm biến gia tốc mơ tả Hình 3-1 đây: 17 Cảm biến gia tốc (Mẫu (Mẫudữbất liệu bất thường) thường) Chuyển đổi liệu Độ tương tự dst DTW Đúng dst > ε DTW ? Sai Dữ liệu phát hành vi Hành vi bất thường Hành vi bình thường Chuyển đổi liệu Hình 3-1 Sử dụng DTW để phát hành vi bất thường 3.4.1.2 Phân lớp liệu với RF kỹ thuật học sâu Thuật toán RF kỹ thuật học sâu phát triển dựa ANN nhiều quan tâm cộng đồng nghiên cứu Do vậy, sử dụng phân lớp Dl4jMlpClassifier tích hợp gói học sâu WekaDeeplearning4J để nhận dạng hành vi người tham gia giao thông với tập liệu huấn luyện gán nhãn bình thường/ bất thường Phương pháp thực mơ tả hình đây: Dữ liệu cảm biến TIỀN XỬ LÝ DỮ LIỆU Dữ liệu đặc trưng (Huấn luyện) - Cửa sổ liệu - Biến đổi liệu (Được gán nhãn) Mơ hình Nhận dạng Pha huấn luyện Tham số mơ hình Pha nhận dạng Dữ liệu đặc trưng Dữ liệu cảm biến (Phát hành vi) TIỀN XỬ LÝ DỮ LIỆU - Cửa sổ liệu - Biến đổi liệu PHÁT HIỆN HÀNH VI Loại hành vi Hình 3-2 Phát bất thường sử dụng 3.4.2 Giải pháp đề xuất nhận dạng hành vi bất thường dựa hệ thống nhận dạng hành động Các kỹ thuật gặp khó khăn chung phụ thuộc vào cách xác định thu thập mẫu liệu hành vi bất thường Do vậy, đề xuất giải pháp nhận dạng hành vi hình đây: 18 Tập tham số {W, W’, ε} W NHẬN DẠNG HÀNH ĐỘNG Dữ liệu huấn luyện (Hành vi giao thông) W’ r r>ε Đúng ` NHẬN DẠNG HÀNH ĐỘNG Đánh giá, lựa chọn tham số với hàm y = f(W, W’, ε ) Sai PHA HUẤN LUYỆN PHA PHÁT HIỆN Tham số tối ưu: (Wb,Wb’, εb ) W Dữ liệu phát NHẬN DẠNG HÀNH ĐỘNG Đúng W’ r Hành vi bất thường Hành vi phát r>ε NHẬN DẠNG HÀNH ĐỘNG Sai Hành vi bình thường Hình 3-3.Sơ đồ hệ thống phát hành vi bất thường Trong hệ thống nhận dạng hành vi gồm hai pha: pha thứ pha huấn luyện, pha thứ hai pha nhận dạng hành vi bất thường Trong pha huấn luyện thực dựa liệu huấn luyện với mục đích tìm tham số cho kết nhận dạng hành vi tốt nhất: tb  (Wb ,Wb ' , b ) tương ứng với yb  max( yt ) ; i  1, , n n số giá trị (W,W' ,) tham gia thực pha huấn luyện - Trong Pha nhận dạng, sử dụng tham số tb  (Wb ,Wb ' , b ) nhận từ Pha huấn luyện để thực bước thực nhận dạng hành vi mơ tả Hình 3-4 sau đây: i TIỀN X Ử LÝDỮ LIỆU TRÍCH XUẤT ĐẶC TRƯNG Dữ liệu cảm biến gia tốc Phát Wi - W1 ,W2,W3 , ,Wi, Wn - F1 ,F2 ,F3 , ,Fi, ,Fn PHÁT HIỆN HÀNH ĐỘNG Đúng Pha W’i ri > ε Pha TIỀN X Ử LÝDỮ LIỆU TRÍCH XUẤT ĐẶC TRƯNG - W’1 ,W’ 2,W’3 , ,W’k - F’1 ,F’2 ,F’3 , ,F’k Hành vi bất thường Tính rd k - W’i Sai PHÁT HIỆN HÀNH ĐỘNG Hành vi bình thường Hình 3-4 Phát hành vi bất thường dựa hành động giao thông 19 3.5 Thực nghiệm đánh giá 3.5.1 Môi trường thực nghiệm Chương trình thu liệu cảm biến xây dựng thực hệ điều hành Android phiên 4.5 đến 6.0 Ngôn ngữ Java sử dụng để xây dựng hệ thống, thực quy trình tiền xử lý liệu, mơ hình phân lớp Bộ công cụ WEKA sử dụng để phát hiện, nhận dạng phương tiện, hành động hành vi chương 3.5.2 Dữ liệu thực nghiệm Thực nghiệm thực với phương tiện đặc thù, phổ thông xe máy Hành vi bất thường xác định nhận dạng thực nghiệm “hành vi lạng lách” Hành vi liên quan đến thay đổi hướng điều khiển phương tiện khoảng thời gian ngắn Thực nghiệm tiến hành đối tượng cán bộ, nhân viên văn phòng sinh viên Dữ liệu mẫu hành vi bất thường thực cung đường vắng, theo cảnh giả định hành vi bất thường đặt với hành vi bình thường Vị trí điện thoại thu liệu thể Bảng 3-1 sau: Hành động Số lượng Thời gian Vị trí điện thoại Bình thường 15 phút Cầm tay lái xe, cầm tay ngồi sau Bất thường 10 phút Cầm tay lái xe, cầm tay ngồi sau, bỏ túi Bảng 3-1 Thực nghiệm thu liệu nhận dạng hành vi bất thường Hành vi bất thường – “lạng lách” hành vi bình thường – “đi thẳng” xảy người điều khiển phương tiện rẽ trái rẽ phải liên tục theo dạng mẫu biểu diễn Hình 3-5 sau: L R R L L R G (a) G G G G G (b) Hình 3-5 Mẫu liệu cảm biến gia tốc hành vi bất thường (lạng lách): (a); Hành vi bình thường 20 Trong mẫu liệu cảm biến gia tốc “hành vi lạng lách”, người điều khiển phương tiện thực đồng thời chuỗi sáu hành động rẽ trái ký hiệu “L” hành động rẽ phải “R” là: “L, R, R, L, L, R” Hình 3-5 (a) Bên cạnh đó, chúng tơi giả định “hành vi bình thường” gồm hành động di chuyển thẳng Dữ liệu mẫu cảm biến gia tốc hành vi có dạng Hình 3-5 (b) Trong đó, ký hiệu “G” mơ tả hành động phương tiện di chuyển thẳng theo hướng chuyển động Dữ liệu cảm biến gia tốc hành vi thu thập sử dụng với kỹ thuật nhận dạng (DTW, kỹ thuật học sâu, Kỹ thuật đề xuất) nhằm khảo sát, đánh giá tìm phương pháp nhận dạng hành vi giao thông phù hợp Tập mẫu liệu cảm biến gia tốc hai loại hành vi bình thường bất thường thu sử dụng cho thực nghiệm theo kích thước cửa sổ liệu biểu diễn Bảng 3-2 đây: giây giây giây Mẫu DL bất thường Mẫu DL bình thường Tổng số mẫu 433 830 1263 326 660 986 260 546 806 Bảng 3-2 Số lượng mẫu liệu thực nghiệm Tùy vào kỹ thuật nhận dạng hành vi khác nhau, thực nghiệm sử dụng định dạng liệu cảm biến gia tốc thô biến đổi để phù hợp với đặc điểm yêu cầu đặt 3.5.3 Kết thực nghiệm với DTW 3.5.3.1 Dữ liệu thực nghiệm Kỹ thuật so khớp DTW dựa độ đo khoảng cách để đánh giá tương tự hai chuỗi liệu Do vậy, liệu cảm biến gia tốc thô thường sử dụng để nhận dạng hành động, hành vi Tập liệu chia thành 70% cho thực nghiệm 30% cho huấn luyện Kết thực nghiệm với tập liệu huấn luyện sử dụng kích thước sổ giây, giây giây Các giá trị ngưỡng khảo sát lựa chọn từ việc đánh giá kết tương ứng với giá trị ngưỡng  DTW {j| j=1, ,10} Kết nhận dạng thu tập liệu huấn luyện 21 cao với kích thước cửa sổ giây, giá trị ngưỡng  DTW  Và tập liệu kiểm tra thu kết tỉ lệ phát xác 59,6% 3.5.4 Kết thực nghiệm với RF Dl4jMlpClassifier 3.5.4.1 Dữ liệu thực nghiệm Dữ liệu huấn luyện sử dụng xây dựng mơ hình phân lớp thu thập liệu cảm biến gia tốc với hai nhãn lớp bất thường “lạng lách” bình thường “đi thẳng” tần số 50Hz Sau tiền xử lý, biến đổi thu liệu đặc trưng dựa tập thuộc tính đặc trưng TFH2 lựa chọn để nhận dạng hành động Chương Thực nghiệm thực với tập liệu thu từ kích thước cửa sổ giây, giây giây thuật toán RF kỹ thuật học sâu, sử dụng đánh giá với CV10 3.5.4.2 Kết thực nghiệm - Thực nghiệm phân lớp liệu với thuật toán RF phân lớp Dl4jMlpClassifier với phương pháp kiểm chứng chéo CV10 thu kết phân lớp với độ đo Accuracy Bảng 3-3 đây: RF Kích thước cửa sổ Dl4jMlpClassifier giây 81,19% 89,33% 81,12% giây 86,57% 80,97% giây 89,13% Bảng 3-3 Kết nhận dạng sử dụng CV10 Từ kết thu sử dụng phương pháp phân lớp tập liệu kiểm tra cho 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 Kết thực nghiệm với giải pháp đề xuất 3.5.5.1 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 22 chia thành hai phần với 70% liệu huấn luyện, phần lại sử dụng làm liệu để kiểm tra 3.5.5.2 Kết thực nghiệm Với kết thu thực nghiệm tập liệu huấn luyện cho tham số kích thước cửa sổ W = giây, W’ = giây ngưỡng giá trị   {0, 5; 0, ; 0, 7} phù hợp cho nhận dạng hành vi Kết thực nghiệm tập kiểm tra với tham số cho kết thu tỉ lệ nhận dạng hành vi bất thường Bảng 3-4 đây: S(W, ε) S(6, 5) S(6, 6) S(6, 7) HV bất thường 90,86% 80,00% 66,28% HV bình thường 90,00% 90,81% 95,90% Trung bình 90.43% 85.41% 81.09% Bảng 3-4 Kết phát hành vi giải pháp đề xuất tập liệu kiểm tra Từ kết Bảng 3-4 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 3-5 đây: RF Phương pháp đề xuất Dl4jMlpClassifier 81.19% 59,6% 89,33% Tỉ lệ phát 90,43% Bảng 3-5 Kết phát hành vi phương pháp khác Phương pháp DTW 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 nên cho kết cao 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 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% Phương pháp thực nhận dạng cho số hành vi bất thường khác 23 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 Qua đó, xây dựng hệ thống nhận dạng đề xuất giải pháp nhận dạng hành vi dựa hệ thống nhận dạng 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 và 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 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, 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 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 24 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) 25 ... tồn giao thơng Trong đó, thái độ hành vi người tham gia giao thơng có tác động trực tiếp hệ thống Do đó, vi c nhận dạng hành vi người tham gia giao thông bao gồm nhận dạng hành động hành vi bất... thường sử dụng cảm biết gia tốc điện thoại thông minh, chọn đề tài: Nhận dạng hành vi người tham gia giao thông dựa cảm biến điện thoại làm đề tài nghiên cứu khuôn khổ luận án tiến sĩ chuyên ngành... Xây dựng hệ thống nhận dạng hành động giao thông dựa cảm biến điện thoại Chương 3: Dựa kết hệ thống nhận dạng hành động, đề xuất giải pháp nhận dạng hành vi giao thông, hành vi bất thường Chương