0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% S(6-5) S(6-6) S(6-7) Tỉ lệ n h ận d ạn g đ ú n g (% ) Các ngưỡng giá trị xác định hành vi Kết quả nhận dạng hành vi Hành vi bất thường Hành vi bình thường Hình 3-10. Kết quả nhận dạng hành vi bình thƣờng và bất thƣờng
Từ kết quả trong Bảng 3-8 và Hình 3-10 ta thấy, với kích thước 6 giây và giá trị ngưỡng 0,5cho 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:
Phƣơng pháp DTW Dl4jMlpClassifier RF Phƣơng pháp đề xuất
Tỉ lệ phát hiện 59,6% 89,33% 81.19% 90,43% Bảng 3-9. Kết quả phát hiện hành vi của các phƣơng pháp khác nhau
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 cĩ
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 khĩ khăn, các hành vi bất thường khĩ 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 tốn RF nhận dạng tốt đối với các hành động cơ bản, xong đối với dữ liệu hành vi thì cĩ 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 đĩ đề xuất giải pháp nhận dạng hành vi giao thơng bất thường dựa trên hệ thống nhận dạng. Đồng thời, một số kỹ thuật thường được sử dụng trong bài tốn phát hiện, nhận dạng hành vi bất thường như sử dụng kỹ thuật DTW, phương pháp phân lớp với RF và Dl4jMlpClassifier. Thơng 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
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].
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 đĩ, 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 thơng, chúng tơi đề xuất kỹ thuật phát hiện hành vi bất thường bằng cách phân đoạn cửa sổ dữ liệu của một hành động giao thơng 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 cĩ 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 cịn 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 đĩ, cĩ 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
phương tiện xe máy mà chưa cĩ 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 tơi 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 buýt, 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.
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).
TÀI LIỆU THAM KHẢO
[1] T. Toroyan, “Global status report on road safety,” World Heal. Orgainisation, p.
318, 2015.
[2] 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.
[3] A. C. Prelipcean, G. Gidĩfalvi, 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.
[4] 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.
[5] 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.
[6] M. Fazeen, B. Gozick, R. Dantu, M. Bhukhiya, and M. C. González, “Short Papers Safe Driving Using Mobile Phones,” pp. 1–7, 2012.
[7] 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.
[8] 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. [9] 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.
[10] Hồng Phê (Chủ biên), Từ điển Tiếng Việt - GS. Hồng Phê. Nhà xuất bản Hồng
Đức, 2016.
[11] 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.
[12] G. Singh, D. Bansal, and S. Sofat, “A Smartphone Based Technique to Monitor Driving Behavior using DTW and Crowdsensing,” Pervasive Mob. Comput., 2017. [13] 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. [14] 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.
[15] 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.
[16] 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.
[17] D. A. Johnson and M. M. Trivedi, “Driving Style Recognition Using a Smartphone as a Sensor Platform,” pp. 1609–1615, 2011.
Anomaly Using Smartphone Sensors,” Int. J. Ambient Comput. Intell., vol. 8, no. 3, pp. 22–37, Jul. 2017.
[19] 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.
[20] 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.
[21] F. Li, H. Zhang, H. Che, and X. Qiu, “Dangerous Driving Behavior Detection Using Smartphone Sensors,” pp. 1902–1907, 2016.
[22] 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.
[23] C. A. Ronao and S. Cho, “PT US CR,” Expert Syst. Appl., 2016.
[24] “Analyzing Driver Behavior using Smartphone Sensors : A Survey Analyzing Driver Behavior using Smartphone Sensors : A,” no. January 2014, 2015.
[25] 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.
[26] 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.
[27] 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.
[28] Y. Mirsky, A. Shabtai, and B. Shapira, “Anomaly detection for smartphone data streams Anomaly Detection for Smartphone Data Streams,” Pervasive Mob. Comput., 2016.
[29] 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.
[30] 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.
[31] S. H. Fang et al., “Transportation modes classification using sensors on
smartphones,” Sensors (Switzerland), vol. 16, no. 8, pp. 1–15, 2016.
[32] 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.
[33] 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.
[34] M. A. Shafique and E. Hato, “Travel mode detection with varying smartphone data collection frequencies,” Sensors (Switzerland), vol. 16, no. 5, 2016.
[35] G. Castignani, T. Derrmann, R. Frank, and T. Engel, “Driver behavior profiling using smartphones: A low-cost platform for driver monitoring,” IEEE Intell. Transp.
Syst. Mag., vol. 7, no. 1, pp. 91–102, 2015.
[36] D. Pyle, S. Editor, and D. D. Cerra, Data Preparation for Data Mining, vol. 17.
1999.
[37] S. García, Intelligent Systems Reference Library 72 Data Preprocessing in Data Mining. 2015.
[38] C. Torres-huitzil and A. Alvarez-landero, “Recognition in Smartphones for Healthcare Services.”
[39] A. S. B, B. J. Woodford, and H. Lin, “Trends and Applications in Knowledge Discovery and Data Mining,” vol. 10526, pp. 26–38, 2017.
[40] 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.
[41] 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.
[42] 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.
[43] 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.
[44] 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.
[45] D. Figo, P. C. Diniz, D. R. Ferreira, and M. P. Cardoso, “Preprocessing techniques for context recognition from accelerometer data,” pp. 645–662, 2010.
[46] B. Boashash, Time-Frequency Signal Analysis and Processing: A Comprehensive Review. 2015.
[47] A. Antoniou, Digital Signal Processing: Signals, Systems, and Filters. 2006.
[48] M. Pedley, “Tilt Sensing Using a Three-Axis Accelerometer,” Free. Semicond. Appl. notes, pp. 1–22, 2013.
[49] B. O. Hjorth, “Technical contributions eeg analysis based on time domain properties,” pp. 306–310, 1970.
[50] T. Fawcett, “An introduction to ROC analysis,” Pattern Recognit. Lett., vol. 27, no. 8, pp. 861–874, 2006.
[51] J. Huang and C. X. Ling, “Using AUC and Accuracy in Evaluating Learning Algorithms,” vol. 17, no. 3, pp. 299–310, 2005.
[52] S. Oh, Y. Lee, and H. Kim, “A Novel EEG Feature Extraction Method Using Hjorth Parameter,” vol. 2, no. 2, pp. 106–110, 2014.
[53] 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.
[54] 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.
[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.