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 thông. Phương pháp đề xuất đã
được thử nghiệm và đánh giá kết quả dựa trên dữ liệu do chúng tôi tự thu thập và
một số bộ dữ liệu đã được công 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 thông cơ bản là cơ sở để
phân loại hành vi giao thông 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 toán nhận dạng hành vi
giao thông 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 thông 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 thông. Từ đó, có thể nghiên cứu
phân tích các tình huống giao thông khác nhau.
- Đối với hành vi bất thường, Luận án mới chỉ dừng ở việc xây dựng mô hình
nhận dạng hành vi bất thường, thực hiện khảo sát với loại hành vi lạng lách của104
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
thông.
- 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 hoàn 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 mô 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 ô tô, xe
buýt, xe đạp cũng như một số phương tiện phổ thông khác ở đô 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 toán 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 mô phỏng, giám sát giao thông trực
tuyến. Đây cũng là cơ sở để xây dựng các giải pháp quản trị giao thông thông minh
cũng như hỗ trợ người dân đô thị khi tham gia giao thông.
121 trang |
Chia sẻ: yenxoi77 | Lượt xem: 635 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Luận án Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
khoảng cách từng cặp điểm 1-1
(điểm thứ i của đường thứ I so với điểm thứ i của đường thứ II) là không phù hợp
trong trường hợp hai đường này không hoàn toàn giống nhau nhưng hình dạng biến
đổi lại rất giống nhau.
Hai đường biểu diễn rất giống nhau về hình dạng nhưng lệch nhau về thời
gian như trong Hình 3-2. Trong trường hợp này, nếu tính khoảng cách bằng cách
ánh xạ 1-1 giữa 2 đường thì kết quả rất khác nhau từ đó cho kết quả cuối cùng
không mong muốn. Để khắc phục nhược điểm này, thì một điểm có thể ánh xạ với
nhiều điểm và ánh xạ này không thẳng hàng. Phương pháp này gọi là xoắn thời gian
dộng (Dynamic Time Warpping - DTW) được đề xuất bởi Bernt và Clifford [68].
82
Cảm biến gia
tốc
(Mẫu dữ liệu
bất thường)
DTW dst > εDTW ?
(Mẫu bất
thường) Hành vi bất
thường
Dữ liệu phát
hiện hành vi
Độ
tương
tự dst
Đúng
Chuyển đổi dữ liệu
Chuyển đổi dữ liệu
Hành vi bình
thường
Sai
Hình 3-2. Độ đo DTW
Gần đây, kỹ thuật DTW cũng thường được sử dụng cho các bài toán liên
quan đến so khớp các chuỗi dữ liệu cảm biến nhằm tìm ra các hành vi giao
thông[62][69]. Kỹ thuật này có ưu điểm tính toán nhanh dựa trên so khớp độ đo
khoảng cách của hai chuỗi, từ đó tính độ tương tự của một chuỗi với tập dữ liệu
mẫu nhằm đánh giá, nhận dạng một chuỗi dữ liệu bất kỳ. Tập các mẫu tín hiệu
chuỗi thời gian chuẩn tương ứng với các hành vi của người lái xe được thu thập làm
cơ sở so khớp, tìm ra các hành vi tương tự. Phương pháp này yêu cầu tập mẫu so
khớp thu thập phải chính xác, hoặc các thiết bị thu cảm biến được cố định vào
phương tiện nhằm xác định chính xác hệ trục tọa độ với hướng di chuyển.
Với bài toán hệ trục tọa độ của thiết bị thay đổi trong quá trình di chuyển,
việc xác định thu thập mẫu dữ liệu tín hiệu cảm biến tương ứng với các trục gặp
nhiều khó khăn. Hơn nữa, các hành vi bất thường xảy ra trong một thời gian ngắn
và phức hợp so với các hành động khác sẽ tác động đến kết quả so khớp. Chúng tôi
sử dụng phương pháp này để phát hiện hành vi bất thường dựa trên độ hiệu dụng
của cảm biến gia tốc được mô tả như Hình 3-3 dưới đây:
83
Hình 3-3. Sử dụng DTW để phát hiện hành vi bất thường
Dữ liệu sử dụng cho phương pháp này là cảm biến gia tốc thô để phân tích,
so sánh với từng điểm trị trong các chuỗi dữ liệu nhằm tìm ra độ tương tự để dự
đoán các hành vi bất thường của người tham gia giao thông sử dụng điện thoại khi
tham gia giao thông.
Dữ liệu sau khi được biến đổi, sử dụng DTW tính độ tương tự giữa hai chuỗi
thu được giá trị dst. Việc nhận dạng hành vi phụ thuộc vào sự so sánh giữa dst với
một giá trị ngưỡng DTW lựa chọn trước. Đối với việc nhận dạng mẫu bất thường,
nếu DTWdst thì xác định đây là hành vi bất thường và ngược lại. Cách xác định
này cũng tương tự với mẫu bình thường.
Phân lớp dữ liệu với RF và kỹ thuật học sâu 3.4.1.2
Ngày nay, cùng với sự tăng nhanh về dung lượng và chủng loại dữ liệu. Các
kỹ thuật, mô hình cũng được nghiên cứu cải tiến để đáp ứng được những yêu cầu
trong bối cảnh mới đặt ra. Mô hình phân lớp là một trong những mô hình phổ biến,
được áp dụng trong nhiều bài toán khác nhau. Với yêu cầu nhận dạng hành vi giao
thông. Chúng tôi sử dụng thuật toán RF và kỹ thuật học sâu để nhận dạng ra hai loại
hành vi bình thường và bất thường.
Kỹ thuật học sâu được phát triển từ mạng nơ - ron nhân tạo (ANN) đã và
đang được sử dụng hiệu quả nhằm khai phá những thông tin hữu ích từ dữ liệu thu
được trong nhiều lĩnh vực đặc biệt là lĩnh vực nhận dạng các hành động, hành vi
của con người thông qua dữ liệu cảm biến mang theo[15][24][63][64][70].
Đối với bài toán nhận dạng hành vi dựa trên cảm biến, sử dụng kỹ thuật học
sâu được phát triển từ ANN để nhận dạng là một xu hướng đang nhận được sự quan
tâm của các nhà nghiên cứu và ứng dụng để giải quyết các yêu cầu bài toán đặt ra.
Trong đó có bài toán nhận dạng hành vi từ dữ liệu cảm biến gia tốc của điện thoại
[70][71][CT3].
Bởi vậy, Luận án đã sử dụng kỹ thuật học sâu để nhận dạng hành vi bằng
phương pháp phân lớp bởi bộ phân lớp Dl4jMlpClassifier được tích hợp trong gói
84
Pha huấn luyện
Pha nhận dạng
Mô hình
Nhận dạng
Dữ liệu cảm biến
(Được gán nhãn
hành vi)
TIỀN XỬ LÝ DỮ LIỆU
- Cửa sổ dữ liệu
- Biến đổi dữ liệu
Dữ liệu đặc
trưng
(Huấn luyện)
Loại hành vi
PHÁT HIỆN HÀNH VI
Dữ liệu cảm biến
(Phát hiện hành
vi)
TIỀN XỬ LÝ DỮ LIỆU
- Cửa sổ dữ liệu
- Biến đổi dữ liệu
Dữ liệu đặc trưng
Tham số mô hình
học sâu WekaDeeplearning4J. Tập dữ liệu huấn luyện được thu thập và xây dựng
bởi các mẫu dữ liệu cảm biến được gán nhãn hành vi giao thông bình thường/ bất
thường. Với tập dữ liệu đặc trưng đã được trích xuất, chúng tôi sử dụng kỹ thuật
học sâu này để đoán nhận hành vi được mô tả ở hình dưới đây:
Hình 3-4. Nhận dạng hành vi bất thường dựa trên hành động cơ bản
- Pha huấn luyện: Dữ liệu cảm biến gán nhãn hành vi bình thường, bất thường
được thu thập với cửa sổ tương ứng với một kích thước của một hành động giao
thông cơ bản là W. Các kỹ thuật tiền xử lý dữ liệu sẽ thực hiện lọc và chuyển trục
dữ liệu gia tốc. Để biến đổi dữ liệu gia tốc thành tập dữ liệu đặc trưng mới, hệ thống
sử dụng tập thuộc tính đặc trưng TFH2 để thu được bộ giá trị đặc trưng, dữ liệu sử
dụng làm dữ liệu huấn luyện cho mô hình phân lớp sử dụng kỹ thuật học sâu
- Pha nhận dạng: Dữ liệu cảm biến gia tốc sử dụng cho phát hiện hành vi được
thu thập, biến đổi theo hệ trục tọa độ trái đất. Các cửa sổ jW có độ lớn W và chồng
dữ liệu được cắt liên tục theo chuỗi thời gian. Với mỗi cửa sổ dữ liệu jW , áp dụng
các kỹ thuật tiền xử lý, biến đổi thành véc tơ giá trị đặc trưng tương ứng với cửa sổ
dữ liệu jW . Sau đó, sử dụng bộ phân lớp để gán nhãn cho véc tơ này. Kết quả nhãn
lớp là hành vi bất thường/ bình thường mà hệ thống nhận dạng được.
85
3.4.2 Giải pháp đề xuất nhận dạng hành vi bất thường dựa trên hệ
thống nhận dạng hành động
Hai phương pháp sử dụng DTW và phân lớp dữ liệu với RF, kỹ thuật học sâu
để phát hiện hành vi bất thường có các ưu/ nhược điểm khác nhau. Tuy nhiên, khó
khăn chung gặp phải, đó là sự phụ thuộc vào cách xác định và thu thập mẫu dữ liệu
hành vi bất thường. Đối với hầu hết các phương tiện giao thông trong đô thị, hành
vi giao thông gây nguy hiểm như “lạng lách”, “phóng nhanh, phanh gấp”, “điều
khiển phương tiện khi sau rượu”, “rê trượt” và “quay đầu đột ngột” cũng như các
hành vi nguy hiểm khác thường xảy ra nhanh, trong khoảng thời gian
ngắn[14][15][24][60]. Do đó, trong một khoảng thời gian ngắn, người điều khiển có
nhiều hành động thay đổi hướng liên tục cũng là biểu hiện của một dạng hành vi bất
thường, chúng tôi thực hiện phát hiện hành vi giao thông bất thường như sau:
- Giả sử một chuỗi dữ liệu cảm biến gia tốc có chứa hành vi bất thường cần
nhận dạng, phân đoạn chuỗi dữ liệu này bằng cửa sổ có kích thước W thu được n
cửa sổ Wi với i = 1,..., n. Kết quả nhận dạng cửa sổ Wi thu được tập n nhãn lớp
tương ứng với các hành động cơ bản { ; 1,..., }iA A i n tương ứng, trong đó
{ , , , }iA S G L R với tập{ , , , }S G L R có các phần tử là nhãn của 4 hành động dừng (S),
đi thẳng (G), rẽ trái (L), rẽ phải (R).
- Với mỗi cửa sổ dữ liệu Wi (tương ứng với iA ), thực hiện phân đoạn dữ liệu
của cửa sổ này thành k cửa sổ 'jW , j = 1,... ,k có kích thước W’. Sử dụng hệ thống
nhận dạng để nhận dạng hành động tương ứng với k cửa sổ có kích thước 'jW này
thu được tập nhãn hành động
' '{ ; 1,..., }jA A j k , trong đó
' { , , , }jA S G L R sao cho
thỏa mãn công thức (3.1) sau:
'| |A k (3.1)
- Gọi tập
'{x: x , x }iB A A là tập các phần tử có nhãn lớp thuộc tập
'A
nhưng khác với nhãn lớp iA .
86
`
NHẬN DẠNG
HÀNH ĐỘNG
Dữ liệu
huấn luyện
(Hành vi
giao thông)
W
NHẬN DẠNG
HÀNH ĐỘNG
r > ε
Đánh giá,
lựa chọn
bộ tham số với
hàm
y = f(W, W’, ε )
W’
Đúng
Sai
NHẬN DẠNG
HÀNH ĐỘNG
Dữ liệu
phát hiện
Hành vi
bất thường
W
NHẬN DẠNG
HÀNH ĐỘNG
r > ε W’
Đúng
Sai Hành vi
bình thường
Hành vi
được phát hiện
PHA HUẤN LUYỆN
PHA PHÁT HIỆN Tham số tối ưu: (Wb,Wb’, εb )
Tập tham số
{W, W’, ε}
r
r
- Gọi ir là tỉ lệ sai khác giữa số các nhãn lớp không giống iA trong k nhãn lớp
nhận được tính bởi công thức (3.2) sau :
'
| |
| |
i
B
r
A
(3.2)
- Với một giá trị ngưỡng cho trước, nếu ir thì ta nói rằng iA là một hành
vi bất thường và ngược lại, nếu ir thì iA là một hành vi bình thường.
- Với giải pháp xác định hành vi bất thường này, có thể biểu diễn hệ thống
phân tích và phát hiện hành vi đề xuất bởi Hình 3-5 dưới đây:
Hình 3-5.Sơ đồ hệ thống phát hiện hành vi bất thường
Trong hệ thống nhận dạng hành vi này gồm hai pha: pha thứ nhất là pha
huấn luyện, pha thứ hai là pha nhận dạng hành vi bất thường. Trong pha huấn luyện,
87
Dữ liệu
cảm biến
gia tốc
Phát hiện
TIỀN XỬ LÝDỮ LIỆU
TRÍCH XUẤT ĐẶC TRƯNG
- W1,W2,W3,...,Wi,...Wn
- F1,F2,F3,...,Fi,...,Fn
W’i
Đúng
PHÁT HIỆN
HÀNH ĐỘNG
TIỀN XỬ LÝDỮ LIỆU
TRÍCH XUẤT ĐẶC TRƯNG PHÁT HIỆN
ri > ε
Hành vi
bất thường
Wi
Pha 1
Pha 2
k - W’i
Hành vi
Sai
Tính rd
dữ liệu huấn luyện được xử lý, biến đổi dựa trên thuộc tính đặc trưng để có được tập
dữ đặc trưng cho hệ thống nhận dạng.
- Từ tập dữ liệu huấn luyện có được sẽ xây dựng bộ phân lớp, nhận dạng các
hành động cơ bản từ cửa sổ dữ liệu có kích thước là W.
- Với mỗi cửa sổ dữ liệu có kích thước W, cắt thành k cửa sổ dữ liệu
', 1,...,jW j k có kích thước
'W W .
- Trong bước thực hiện tiếp theo đó là sử dụng bộ phân lớp đã xây dựng để
nhận dạng cửa sổ Wi thu được nhãn lớp của hành động iA ; k cửa sổ
'
jW thu được k
nhãn lớp hành động
'
jA tương ứng. Sau khi đánh giá tỉ lệ sai khác với ngưỡng đã có
thu được nhãn của hành vi là bình thường hay bất thường.
- Dựa vào nhãn hành vi của các mẫu dữ liệu huấn luyện, độ chính xác được
đánh giá bởi hàm:
( )i iy f t (3.3)
của mô đun đánh giá với các tham số:
'( , , )
i i ii t t t
t W W (3.4)
- Tham số tối ưu:
'( , , )b b b bt W W (3.5)
được lựa chọn khi:
max( )
ib t
y y (3.6)
với 1, ...,i n ; n là số các bộ giá trị
'( , , )W W tham gia trong pha huấn luyện.
- Trong Pha nhận dạng, sử dụng các tham số
'( , , )b b bW W đã được tối ưu từ Pha
huấn luyện, hệ thống nhận dạng hành vi giao thông từ dữ liệu cảm biến gia tốc của
điện thoại thông minh thu được để nhận dạng; các bước thực hiện nhận dạng hành
vi được mô tả như trong Hình 3-6 sau đây:
88
Hình 3-6. Phát hiện hành vi bất thường dựa trên hành động giao thông cơ bản
Giải pháp phát hiện hành vi bất thường được thực hiện đồng thời bởi hai pha
như trong Hình 3-6 nhằm thực hiện nhận dạng hành vi bất thường:
Pha 1: pha này sẽ thực hiện nhận dạng một hành động giao thông cơ bản
tương ứng với cửa sổ dữ liệu iW . Kết quả nhận dạng thu được ký hiệu là iA ;
Pha 2: Với mỗi cửa sổ iW phân đoạn thành k cửa sổ có kích thước
'
jW . Thực
hiện nhận dạng k cửa sổ hành động này thu được k nhãn lớp ký hiệu là tập 'A với
các phần tử ' '; 1,...,jA A j k .
- Sau khi nhận dạng các nhãn lớp hành động, hệ thống tiến hành thực hiện
đánh giá, nhận dạng hành vi dựa vào giá trị tính tỉ lệ sự khác biệt ir được tính theo
công thức (3.2) rồi so sánh với giá trị ngưỡng ε nhằm phát hiện hành vi bất thường
và hành vi bình thường. Giải pháp xác định hành vi bất thường được mô tả bằng
thuật toán mã giả như sau:
Thuật toán: Nhận dạng hành vi bất thường ARAL(Wi,)
Đầu vào: Cửa sổ dữ liệu Wi, giá trị ngưỡng
Đầu ra: Nhãn hành vi (bình thường/ bất thường) KQ tương ứng với cửa sổ
dữ liệu Wi
Chương trình:
1. iA ← nhận dạng hành động cửa với sổ iW
2.
'
jW ← k cửa sổ dữ liệu cắt từ Wi ;j = 1,... ,k
3.
' '
jA A ← nhận dạng hành động với các cửa sổ
'
jW ; j = 1,... ,k
89
4.
'
| |
| |
i
B
r
A
với
'{x: x , x }iB A A
5. Nếu ir thì KQ ← hành vi bất thường
Ngược lại KQ ← hành vi bình thường
7. Trả về nhãn KQ
8. Kết thúc
Thuật toán 3-1. Nhận dạng hành vi bất thường
Các mẫu hành vi bình thường, bất thường được phân tích, nhận dạng dựa
trên kết quả của nhận dạng hành động. Do vậy, thực nghiệm cần phải khảo sát, đánh
giá cụ thể để lựa chọn được kích thước cửa sổ dữ liệu W, W’ và giá trị ngưỡng ε
phù hợp với từng dạng hành vi giao thông bất thường khác nhau.
3.5 Thực nghiệm và đánh giá
3.5.1 Môi trường thực nghiệm
Chương trình thu dữ liệu cảm biến được xây dựng và thực hiện trên hệ điều
hành Android phiên bản 4.5 đến 6.0. Ngôn ngữ Java được sử dụng để xây dựng hệ
thống, thực hiện quy trình tiền xử lý dữ liệu, các mô hình phân lớp trong Bộ công
cụ WEKA được sử dụng để phát hiện, nhận dạng phương tiện, hành động hành vi.
Hệ thống nhận dạng hành vi tiến hành các bước tiền xử lý dữ liệu, sử dụng
tập thuộc tính TFH2 để biến đổi dữ liệu cảm biến thành dữ liệu đặc trưng sau khi đã
biến đổi hệ tọa độ theo hệ tọa độ của trái đất. Tham số của thuật toán RF áp dụng
cho nhận dạng hành động được lựa chọn như trong Bảng 2-6 của Chương 2.
3.5.2 Dữ liệu thực nghiệm
Do tính đặc thù của các đô thị Việt Nam, chúng tôi tập trung nghiên cứu
hành vi bất thường trên phương tiện xe máy. Hành vi bất thường được xác định
nhận dạng trong thực nghiệm đó là “hành vi lạng lách”. Hành vi này liên quan đến
thay đổi hướng điều khiển phương tiện trong một khoảng thời gian ngắn. Do đó,
hành động phương tiện di chuyển thẳng được chọn là nhãn hành vi bình thường
90
trong các thực nghiệm sử dụng dữ liệu huấn luyện để xây dựng mô hình nhận dạng
hành bi bất thường sử dụng phương pháp phân lớp.
Thực nghiệm được tiến hành trên 8 đối tượng là các cán bộ, nhân viên văn
phòng và sinh viên. Dữ liệu mẫu về hành vi bất thường thực hiện ở các cung đường
vắng, theo cảnh huống giả định của hành vi bất thường đặt ra cùng với các hành vi
bình thường. Vị trí của điện thoại khi thu dữ liệu thể hiện ở Bảng 3-1 sau:
91
L R R L L R
Hành động Số lượng Thời gian Vị trí của điện thoại
Bình thường 15 phút Cầm tay khi lái xe, cầm tay ngồi sau
Bất thường 10 phút Cầm tay khi lái xe, cầm tay ngồi sau, bỏ túi
Bảng 3-1. Thực nghiệm thu dữ liệu nhận dạng hành vi bất thường
Hành vi lạng lách xảy ra khi người điều khiển phương tiện rẽ trái và rẽ phải
liên tục theo dạng mẫu biểu diễn ở Hình 3-7 sau:
Hình 3-7. Mẫu dữ liệu cảm biến gia tốc của hành vi bất thường – “lạng lách”
Đối tượng tham gia thực nghiệm có thể đặt điện thoại ở các vị trí tùy ý và có
thể thay đổi vị trí trong hành trình của họ. Tần số lấy mẫu dữ liệu cảm biến với tần
số 50Hz.
Trong mẫu dữ liệu cảm biến gia tốc về “hành vi lạng lách”, người điều khiển
phương tiện thực hiện đồng thời chuỗi sáu hành động rẽ trái ký hiệu là “L” và hành
động rẽ phải “R” lần lượt là: “L, R, R, L, L, R” như Hình 3-7. Đây là một dạng mẫu
được chúng tôi thu thập và sử dụng. Đối với các dạng mẫu hành vi bất thường khác
cũng có thể bổ sung và thực hiện nhận dạng theo phương pháp, cách thức này.
Bên cạnh đó, chúng tôi giả định một “hành vi bình thường” gồm 6 hành động
di chuyển thẳng. Dữ liệu mẫu cảm biến gia tốc của hành vi này có dạng như Hình
3-8. Trong đó, các ký hiệu “G” mô tả một hành động phương tiện di chuyển thẳng
theo hướng chuyển động.
92
G G G G G G
Hình 3-8. Mẫu dữ liệu cảm biến gia tốc của hành vi bình thường (đi thẳng)
Dữ liệu cảm biến gia tốc của các hành vi thu thập được sử dụng với các kỹ
thuật nhận dạng (DTW, kỹ thuật học sâu, Kỹ thuật đề xuất) nhằm khảo sát, đánh giá
tìm ra phương pháp nhận dạng hành vi giao thông phù hợp.
Với mục đích nhận dạng trên cùng một kích thước dữ liệu cho các kỹ thuật
khác nhau. Chúng tôi khảo sát các kích thước cửa sổ dữ liệu nhằm đánh giá một
hành vi trong khoảng 4 giây đến 6 giây (do kế thừa kết quả khảo sát ở chương 2,
một hành động cơ bản được nhận dạng tốt nhất trong khoảng kích thước cửa sổ 4
giây, 5 giây và 6 giây).
Dữ liệu cảm biến gia tốc về các hành vi thu thập được chia thành hai tập
khác nhau. Tập mẫu dữ liệu huấn luyện sử dụng để khảo sát, lựa chọn ra bộ tham số
'( , , )b b b bt W W nhằm nhận dạng tốt hành vi bất thường.
Tập dữ liệu kiểm tra sử dụng nhận dạng hành vi bất thường với tham số
'( , , )b b b bt W W đã được lựa chọn và một lần nữa đánh giá lại ý nghĩa của bộ tham
số này.
Tập mẫu dữ liệu cảm biến gia tốc về hai loại hành vi bình thường và bất
thường thu được sử dụng cho thực nghiệm theo từng kích thước cửa sổ dữ liệu được
biểu diễn như ở trong Bảng 3-2 dưới đây:
Mẫu DL bất thường Mẫu DL bình thường Tổng số mẫu
4 giây 433 830 1263
5 giây 326 660 986
6 giây 260 546 806
Bảng 3-2. Số lượng các mẫu dữ liệu thực nghiệm
93
Với dữ liệu cảm biến gia tốc thô này, tùy vào các kỹ thuật nhận dạng hành vi
khác nhau, thực nghiệm sẽ sử dụng các định dạng dữ liệu cảm biến gia tốc thô hoặc
đã biến đổi để phù hợp với đặc điểm và yêu cầu đặt ra.
3.5.3 Kết quả thực nghiệm với DTW
Dữ liệu thực nghiệm 3.5.3.1
Kỹ thuật so khớp DTW dựa trên độ đo khoảng cách để đánh giá sự tương tự
giữa hai chuỗi dữ liệu. Do vậy, dữ liệu cảm biến gia tốc thô thường được sử dụng
để nhận dạng các hành động, hành vi. Trong thực nghiệm này, chúng tôi cũng sử
dụng gia tốc thô để nhận dạng các hành vi bất thường dựa vào tập mẫu dữ liệu hành
vi đã thu thập được.
Một trong những cách yếu tố quan trọng để đánh giá đâu là hành vi bình
thường hay bất thường đó là dựa trên một giá trị ngưỡng DTW để phân biện được sự
tương tự hoặc giống nhau hay khác nhau. Do vậy, cần khảo sát để chọn được DTW
phù hợp sao cho phân loại được các hành vi bình thường và bất thường một cách tốt
nhất. Các bước thực nghiệm để lựa chọn giá trị ngưỡng DTW cho nhận dạng hành vi
giao thông bất thường được thực hiện với các bước như sau:
B1: Xây dựng tập dữ liệu mẫu hành vi giao thông để huấn luyện và tập dữ
liệu kiểm tra là tập các chuỗi dữ liệu cảm biến gia tốc thô từ các mẫu hành vi, bình
thường và bất thường thu thập được. Dữ liệu huấn luyện là 70% tập dữ liệu thu
được. Phần còn lại dược dùng làm dữ liệu sử dụng để kiểm tra.
B2: Sử dụng kỹ thuật DTW để so khớp, đánh giá khoảng cách giữa cửa sổ
thứ i của tập huấn luyện với cửa sổ thứ j của tập kiểm tra bằng hàm đo độ tương tự
theo từng trục tọa độ X, Y và Z:
2 1 T ,Ti i jdst SIM (3.7)
Giá trị khoảng cách so sánh của cửa sổ thứ i được tính dựa trên giá trị trung
bình khoảng cách được so khớp bởi các trục X,Y,Z:
94
0.0
0.2
0.4
0.6
0.8
1.0
S4
-1
S4
-
2
S4
-3
S4
-4
S4
-5
S4
-6
S4
-7
S4
-8
S4
-9
S4
-1
0
S5
-1
S5
-2
S5
-3
S5
-4
S5
-5
S5
-6
S5
-7
S5
-8
S5
-9
S5
-1
0
S6
-1
S6
-2
S6
-3
S6
-4
S6
-5
S6
-6
S6
-7
S6
-8
S6
-9
S6
-1
0
G
iá
t
rị
c
á
c
tỉ
l
ệ
(%
)
Ngưỡng giá trị so khớp với từng kích thước cửa sổ
Phát hiện hành vi bất thường Phát hiện hành vi bình thường Tỉ lệ trung bình
( , , )i i i iX Y Zdst Avg dst dst dst (3.8)
B3: Dựa vào các nhãn của dữ liệu ở tập kiểm tra để khảo sát, đánh giá
ngưỡng giá trị d nào là phù hợp nhất cho việc phát hiện các hành vi bất thường.
Hành vi bất thường i được đoán đúng khi độ tương tự idst nhỏ hơn ngưỡng (
DT
i
Wdst ). Hành vi bình thường j được đoán đúng khi độ đo tương tự idst lớn
hơn giá trị ngưỡng ( DT
j
Wdst ).
Kết quả thực nghiệm 3.5.3.2
Kết quả thực nghiệm với tập dữ liệu huấn luyện sử dụng kích thước của sổ
lần lượt là 5 giây, 6 giây và 7 giây. Bên cạnh đó, qua khảo sát tính chất dữ liệu đã
thu thập. Các giá trị ngưỡng được khảo sát và lựa chọn từ việc đánh giá kết quả
tương ứng với các giá trị ngưỡng {j| j=1,...,10}DTW
Kết quả thực nghiệm được thể hiện trong Hình 3-9. Các ký hiệu Si-j tương
ứng với kích thước cửa sổ i giây, giá trị ngưỡng DTW j (ví dụ ký hiệu S4-7 có ý
nghĩa là tỉ lệ nhận dạng đúng với cửa sổ 4 giây và giá trị ngưỡng 7DTW ):
Hình 3-9. Kết quả so khớp với các giá trị ngưỡng khác nhau
Từ kết quả trong Hình 3-9 cho thấy, để lựa chọn ngưỡng phân biện hai dạng
mẫu hành vi bình thường và bất thường gặp nhiều khó khăn, phụ thuộc vào tính
95
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 và 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 5DTW 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 thông 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 Kết quả thực nghiệm với RF và Dl4jMlpClassifier
Dữ liệu thực nghiệm 3.5.4.1
Dữ liệu huấn luyện sử dụng xây dựng mô 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 mô hình và kiểm tra,
đánh giá nhận dạng hành vi sử dụng phương pháp phân lớp bằng thuật toán RF và
kỹ thuật học sâu.
96
Kết quả thực nghiệm 3.5.4.2
- Thực nghiệm phân lớp dữ liệu với thuật toán RF trên tập dữ liệu kiểm tra đã
thu được với tham số mặc định của thuật toán RF bằng công cụ Weka phiên bản 3.8
như sau:
Tham số mặc định của RF
P I num-slots K M V S
100 100 1 0 1 0.001 1
Bảng 3-3. Tham số mặc định của 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 của 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 RF Dl4jMlpClassifier
4 giây 81,19% 89,33%
5 giây 81,12% 86,57%
6 giây 80,97% 89,13%
Bảng 3-5. Kết quả nhận dạng sử dụng CV10
97
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 Kết quả thực nghiệm với giải pháp đề xuất
Dữ liệu thực nghiệm 3.5.5.1
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 mô 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.
98
Do các hành vi “lạng lách” ảnh hưởng từ người điều khiển phương tiện,
chủng loại phương tiện và cả hiện trạng giao thông 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:
'(W,W, )y f (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
'( , , )b b b bt W W
phù hợp để có tỉ lệ nhận dạng hành vi bất thường tốt nhất.
Kết quả thực nghiệm 3.5.5.2
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:
1 giây 2 giây
Chồng DL 75% 50% 25% 75% 50% 25%
Accuracy 67,58% 59,79% 64,40% 84,40% 84,93% 83,42%
AUC 0,883858 0,831517 0,857771 0,91217 0,91909 0,90945
Bảng 3-6. Kích thước cửa sổ dữ liệu phát hiện 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. Ngoài ra, để khảo sát
99
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 4 giây 5 giây 6 giây
ε 0,5 0,6 0,7 0,8 0,9 0,5 0,6 0,7 0,8 0,9 0,5 0,6 0,7 0,8 0,9
Hành vi
phát hiện
đúng
347 218 122 95 48 258 190 116 75 27 666 666 623 487 256
Tổng hành
vi
884 884 884 884 884 666 666 666 666 666 666 666 666 666 666
Tỉ lệ đúng
(%)
0,393 0,247 0,138 0,107 0,054 0,387 0,285 0,174 0,113 0,041 1 1 0,935 0,731 0,384
Bảng 3-7. Lựa chọn ngưỡng sai khác nhằm phát hiện 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 tôi
lựa chọn tham số kích thước cửa sổ W = 6 giây, W’ = 2 giây và ngưỡng giá trị
{0, 5; 0, 6 ; 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 quả phát hiện hành vi của giải pháp đề xuất trên tập dữ liệu kiểm tra
Kết quả tỉ lệ phát hiện hành vi cũng được biểu diễn bởi Hình 3-10 dưới đây:
100
0%
20%
40%
60%
80%
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 thường và bất thường
Từ kết quả trong Bảng 3-8 và Hình 3-10 ta thấy, với kích thước 6 giây và giá
trị ngưỡng 0,5 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 DTW Dl4jMlpClassifier RF Phương 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 phương 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 có
101
kết quả khả quan hơn trường hợp điện thoại thay đổi vị trí trong khi tham gia giao
thông.
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 thông. 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
102
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].
103
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 thông. Phương pháp đề xuất đã
được thử nghiệm và đánh giá kết quả dựa trên dữ liệu do chúng tôi tự thu thập và
một số bộ dữ liệu đã được công 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 thông cơ bản là cơ sở để
phân loại hành vi giao thông 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 toán nhận dạng hành vi
giao thông 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 thông 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 thông. Từ đó, có thể nghiên cứu
phân tích các tình huống giao thông khác nhau.
- Đối với hành vi bất thường, Luận án mới chỉ dừng ở việc xây dựng mô hình
nhận dạng hành vi bất thường, thực hiện khảo sát với loại hành vi lạng lách của
104
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
thông.
- 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 hoàn 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 mô 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 ô tô, xe
buýt, xe đạp cũng như một số phương tiện phổ thông khác ở đô 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 toán 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 mô phỏng, giám sát giao thông trực
tuyến. Đây cũng là cơ sở để xây dựng các giải pháp quản trị giao thông thông minh
cũng như hỗ trợ người dân đô thị khi tham gia giao thông.
105
DANH MỤC CÔNG 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).
106
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. 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.
[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] Hoàng Phê (Chủ biên), Từ điển Tiếng Việt - GS. Hoàng 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.
[18] A. H. Ali, A. Atia, and M.-S. M. Mostafa, “Recognizing Driving Behavior and Road
107
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.
108
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.
109
[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.
Các file đính kèm theo tài liệu này:
- luan_an_nhan_dang_hanh_vi_cua_nguoi_tham_gia_giao_thong_dua.pdf