Thực tế Dự Đốn Di chuyển Dừng Tăng tốc Giảm tốc Class Precision Di chuyển 20 5 8 15 42% Dừng 7 21 5 3 58% Tăng tốc 3 3 15 2 65% Giảm tốc 0 1 2 10 77% Class Recall 67% 70% 50% 33% Trung bình 55% Thực tế Dự Đốn Di chuyển Dừng Tăng tốc Giảm tốc Class Precision Di chuyển 23 2 6 13 52% Dừng 5 26 5 3 67% Tăng tốc 2 2 17 2 74% Giảm tốc 0 0 2 12 86% Class Recall 77% 87% 57% 40% Trung bình 65%
4.5.2 Đánh giá quá trình thực nghiệm
Qua quá trình thực nghiệm cho ta thấy các hành vi Dừng và Di chuyển cho tỉ lệ phát hiện đúng cao hơn Tăng tốc và Giảm tốc. Hành vi Tăng tốc và Giảm tốc xảy ra trong thời gian ngắn nên khĩ để phát hiện và dễ nhầm lẫn với hành vi Di chuyển.
Trong thực nghiệm cũng như khi huấn luyện thì mơ hình Random forest cĩ thời gian tính tốn chậm hơn so với mơ hình K-NN và Nạve Bayes. Kết quả dự đốn trên mơ hình Random forest cĩ độ chính xác cao hơn cả.
Quá trình lấy mẫu huấn luyện và thực nghiệm được thực hiện trên xe gắn máy. Thêm vào đĩ ảnh hưởng của chất lượng đường đi khơng bằng phẳng gây nhiễu gia tốc của điện thoại. Điều này dẫn đến hệ thống cĩ thể nhận diện sai hành vi. Ví dụ độ rung hay xĩc của xe khi đi qua ổ gà khiến tín hiệu gia tốc bị nhiễu. Quá trình tăng tốc và giảm tốc thường hay bị nhận diện nhầm sang hành vi đang di chuyển do độ chênh lệch tín hiệu gia tốc giữa các hành vi này là rất nhỏ. Để cĩ thể phát hiện với độ chính xác cao giữa 3 hành vi tăng tốc, giảm tốc và di chuyển đều ta cần thực hiện lấy mẫu chính xác ở thời điểm tăng tốc và giảm tốc cho quá trình huấn luyện. Các hành vi tăng tốc và giảm tốc chỉ xảy ra trong khoảng thời gian rất ngắn, chỉ trong khoảng dưới 2s vì thế quá khung thời gian dùng duyệt trên dữ liệu của cả quá trình huấn luyện và thực nghiệm nằm trong khoảng nhỏ hơn 2s. Với thực nghiệm hiện tại thì sử dụng khung thời gian 1s cho kết quả cao nhất.
Quá trình đánh giá thực nghiệm trên điện thoại hiện đốn đúng khoảng 65%. Đây là tỉ lệ chính xác chưa cao do một số yếu tố ảnh hưởng trong quá trình nghiên cứu. Để nâng cao độ chính xác của việc phát hiện hành vi cần làm thêm các thực nghiệm thu dữ liệu mẫu trong quá trình huấn luyện. Cố định lại vị trí điện thoại khi thu thập dữ liệu. Vị trí điện thoại khi thu thập cầm trên tay trái trong khi đang điều khiển xe máy tham gia giao thơng nên cĩ thể gây ra tình trạng khơng bắt đúng thời điểm xảy ra hành vi. Nghiên cứu xây dựng thêm các thuộc tính đặc trưng ngồi 6 đặc trưng đã thực hiện. Ngồi ra cĩ thể tiến hành thực nghiệm thêm với nhiều thuật tốn, cải tiến thuật tốn nâng cao kết quả hoặc thực hiện thêm trên một số model điện thoại khác.
KẾT LUẬN
Đề tài đã giải quyết phần nào bài tốn phát hiện hành vi tham gia giao thơng dựa trên cảm biến được tích hợp sẵn trong điện thoại di động. Phương pháp phát hiện đã được tiến hành qua ba bước:
Xử lý dữ liệu cảm biến: từ dữ liệu thu được lấy ba giá trị gia tốc (x, y, z) trục điện thoại và chuyển về trục Trái Đất thành (x’, y’, z’).
Trích chọn đặc trưng: từ ba giá trị gia tốc x’, y’, z’ trích chọn ra 6 đặc trưng.
Phân loại: Dùng các thuật tốn học máy huấn luyện và phân loại. Phiên bản chạy thời gian thực đã được cài đặt trên điện thoại di động.
Quá trình huấn luyện và thực tế được tiến hành trên xe gắn máy. Quá trình thực nghiệm cho thấy kết quả tốt nhất trên mơ hình Random Forest với kết quả dự đốn chính xác xấp xỉ 77%. Đây là kết quả cĩ triển vọng cho các ứng dụng phát hiện hành vi tham gia giao thơng.
Hƣớng phát triển của đề tài:
Hệ thống cĩ thể phát hiện được thêm các hành vi phức tạp khác: rẽ trái, phải, lạng lách, quay đầu, chuyển làn, phanh gấp…
Kết hợp các cảm biến và âm thanh, video, GPS để phân loại chính xác các hành vi tham gia giao thơng.
Phát triển hệ thống cảnh báo nhắc nhở cho người tham gia thơng về các hành vi cĩ thể gây nguy hiểm.
TÀI LIỆU THAM KHẢO
Tiếng Anh
[1] Singh, P., Juneja, N., Kapoor, S.: Using mobile phone sensors to detect driving behavior. In: Proceedings of the 3rd ACM Symposium on Computing for Development, ACM (2013)
[2] Fazeen, M., Gozick, B., Dantu, R., Bhukhiya, M., Gonzalez, M.C.: SafeDrivingUsing Mobile Phones. In:IEEE Transactions on Intelligent Transportation Systems (2012)
[3] Chigurupa, S., Polavarap, S., Kancherla,Y., Nikhath, K.A.:Integrated Computing System for measuring Driver Safety Index. In: International Journalof Emerging Technology and Advanced Engineering, ISSN 2250-2459,Volume 2 (2012)
[4] Johnson, D.A., Trivedi, M.M.:Driving Style Recognition using a smartphone as a sensor platform. In: IEEE 14th International Conference on IntelligentTransportation system, October(2011)
[5] Dai, J., Tang, J., Bai, X., Shen, Z., Xuan, D.:Mobile phone based drunk driving detection. In: Proc. 4th Int. Conf. Pervasive Health NO PERMISSIONS, pp.18 (2010) [6] Zhang, Y., Lin, W., Chin, Y.K.:A pattern-recognition approach for driving skill characterization. In: IEEE Trans. Intell. Transp. Syst., vol. 11, no.4, pp.905916 (2010) [7] Gazali, H: Monitoring Erratic Driving Behavior caused by Vehicle Overtaking Using Off-theshelfTechnologies.
[8] Nguyen Thang Ngoc, “Real-Time human activity recognition using, mobile phone”, Posts and telecommunications institute of technology, 2013.
[9] C. W. Han, S. J. Kang and N. S. Kim, “Implementation of HMM-BasedHuman Activity Recognition Using Single Triaxial Accelerometer,” IEICETransactions Fundamentals, Vol. E93-A, No. 7, July 2010.
[10] Y. Fujiki, “iPhone as a Physical Activity Measurement Platform,” in Proceedings of ACM CHI 2010.
[11] Z. He, Z. Liu, L. Jin, L.-X. Zhen, and J.-C. Huang, “Weightlessness feature; a novel feature for single tri-axial accelerometer based activity recognition,” in 19th International Conference on Pattern Recognition, pp. 1–4, 2008.
[12] Z. He and L. Jin, “Activity recognition from acceleration data based on discrete consine transform and svm,” in IEEE International Conference on Systems, Man and Cybernetics, pp. 5041–5044, 2009.
[13] Y.-P. Chen, J.-Y. Yang, S.-N. Liou, Gwo-Yun=Lee, and J.-S. Wang, “Online classifier construction algorithm for human activity detection using a triaxial accelerometer,” Applied Mathematics and Computation, vol. 205, no. 2, pp. 849–860, 2008.