Luận án Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại

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.