Phát hiện trạng thái người tham gia giao thông dựa trên smartphone và xây dựng ứng dụng hỗ trợ (tt)

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
---------------------------------------

NGUYỄN HOÀNG ĐIỆP

PHÁT HIỆN TRẠNG THÁI
NGƯỜI THAM GIA GIAO THÔNG
DỰA TRÊN SMARTPHONE
VÀ XÂY DỰNG ỨNG DỤNG HỖ TRỢ

Chuyên ngành: Khoa học máy tính
Mã số: 60.48.01.01

TÓM TẮT LUẬN VĂN THẠC SĨ

HÀ NỘI - 2016


Luận văn được hoàn thành tại:
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: Tiến sĩ Hoàng Xuân Dậu

Phản biện 1: PGS. TS. Trần Đăng Hưng
Phản biện 2: TS. Nguyễn Thanh Tuyên

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công
nghệ Bưu chính Viễn thông
Vào lúc:

giờ ngày 11 tháng 3 năm 2017

Có thể tìm hiểu luận văn tại:
- Thư viện của Học viện Công nghệ Bưu chính Viễn thông


1

MỞ ĐẦU
Trong những năm gần đây điện thoại di động thông minh (smartphone) đã được sử dụng phổ
biến và trở thành phương tiện giao tiếp và giải trí của đông đảo người dùng nhờ giá smartphone
ngày càng rẻ, cung cấp nhiều tính năng phong phú và dễ sử dụng. Ở Việt Nam, người tham gia giao
thông sử dụng nhiều loại phương tiện khác nhau như đi bộ, xe đạp, xe máy, ô tô hay xe bus, mỗi
loại phương tiện có đặc trưng riêng.
Năm 2014, nhóm tác giả H. Xia đề xuất giải pháp phát hiện trạng thái di chuyển dựa vào
cảm biến smartphone trong bài báo “Using Smart Phone Sensors to Detect Transportation Modes”
[1]. Trong đó nghiên cứu này đã kết hợp sử dụng dữ liệu từ cảm biến chuyển động và cảm biến vị
trí GPS để xác định một số loại phương tiện di chuyển, bao gồm: xe đạp, mô tô, đi bộ hoặc đứng
yên. Tuy nhiên việc sử dụng thêm cảm biến vị trí GPS sẽ khiến smartphone tiêu thụ nhiều điện năng
hơn, dẫn đến tính thực tiễn chưa cao. Thêm vào đó, tại Việt Nam, với mật độ giao thông dày đặc,
giá trị GPS không phải lúc nào cũng cho kết quả chính xác. Luận văn này sẽ tối ưu hóa việc sử dụng
GPS theo các chế độ (không có GPS, GPS chỉ dựa vào Wi-Fi – mạng di động, GPS sử dụng cảm
biến), thêm vào đó, tại thời điểm giá trị GPS không hợp lệ (như khi người dùng đi vào hầm, nơi
khuất,...), luận văn đề xuất kết hợp phương pháp nội suy để tính toán lại giá trị GPS dựa vào dịch vụ
cung cấp từ Google kết hợp với cảm biến chuyển động để xác định người dùng đang dừng hay đang
di chuyển, trạng thái dừng – di chuyển kèm phương tiện là gì, từ đó hỗ trợ việc xử lý các sự kiện
trên smartphone của người dùng.

Luận văn được chia làm 3 phần:
Chương 1 trình bày tổng quan về các loại cảm biến trên điện thoại thông minh và ứng dụng,
đi sâu vào cảm biến gia tốc và cảm biến GPS. Từ đó nêu ra bài toán ứng dụng cảm biến gia

tốc, cảm biến GPS, sử dụng thuật toán phân tích để đưa ra mô hình phát hiện trạng thái
người dùng theo loại phương tiện giao thông khác nhau.
Chương 2 trình bày phương pháp phát hiện trạng thái người tham gia giao thông dựa trên
điện thoại thông minh. Luận văn đưa ra một số phương pháp đã được xây dựng, đề xuất cải
tiến có thể và mô hình hóa phương pháp, từ đó lựa chọn các thuật toán cần thiết, tiến hành
tiền xử lý dữ liệu, huấn luyện mô hình và ứng dụng phát hiện trạng thái người tham gia giao
thông.
Chương 3 trình bày quá trình cài đặt, thử nghiệm và đánh giá kết quả của phương pháp được
lựa chọn. Luận văn mô tả môi trường thử nghiệm, đưa ra các kịch bản, nêu ra kết quả và
nhận xét.


2

CHƯƠNG 1:

TỔNG QUAN VỀ CẢM BIẾN TRÊN SMARTPHONE
VÀ ỨNG DỤNG

1.1. Giới thiệu tổng quan về các loại cảm biến trên smartphone
Các cảm biến được sử dụng trên smartphone hiện nay phổ biến nhất là 3 loại: cảm biến
chuyển động, cảm biến môi trường và cảm biến vị trí. Ngoài ra còn có một số loại cảm biến đặc biệt
khác như cảm biến sinh trắc học hay cảm biến số bước chân của người dùng. Các tiểu mục dưới đây
sẽ lần lượt giới thiệu các dạng cảm biến này.

1.1.1. Cảm biến chuyển động
Cảm biến chuyển động trên smartphone là tên gọi chung của nhóm các cảm biến có mục
đích thu thập dữ liệu về chuyển động của thiết bị. Một số cảm biến chuyển động tiêu biểu đó là cảm
biến gia tốc (accelerometer sensor), con quay hồi chuyển (gyroscope sensor), cảm biến véc-tơ quay
(rotational vector sensor), cảm biến từ trường (magnetic sensor),…

1.1.1.1.

Cảm biến gia tốc

1.1.1.2.

Con quay hồi chuyển

1.1.1.3.

Cảm biến từ trường

1.1.1.4.

Cảm biến véc-tơ quay

1.1.2. Cảm biến môi trường
Cảm biến môi trường trên smartphone cho phép thiết bị có khả năng ghi nhận các thuộc tính
của môi trường xung quanh như độ ẩm, ánh sáng, áp suất hay nhiệt độ.

1.1.2.1.

Cảm biến độ ẩm

1.1.2.2.

Cảm biến ánh sáng

1.1.2.3.

Cảm biến áp suất khí quyển

1.1.3. Cảm biến vị trí
Cảm biến vị trí cho phép thiết bị xác định được vị trí vật lý tương đối của nó trong không
gian ba chiều. Vị trí này bao gồm tọa độ của thiết bị trên Trái Đất cũng như phương quay của thiết
bị.


3
1.1.3.1.

Cảm biến định vị

1.1.3.2.

Cảm biến tiệm cận

1.1.4. Một số loại cảm biến khác
1.1.4.1.

Cảm biến vân tay

1.1.4.2.

Cảm biến mống mắt

1.2. Giới thiệu cảm biến gia tốc và cảm biến GPS
Ở mục này, luận văn đi sâu vào giới thiệu chi tiết cấu tạo và hoạt động của hai dạng cảm
biến, là cảm biến gia tốc và cảm biến định vị sử dụng GPS.

1.2.1. Cảm biến gia tốc
Tương tự như con quay hồi chuyển, cảm biến gia tốc trên smartphone là một vi cơ điện tử
MEMS thay vì cơ cấu cơ khí thông thường. Cảm biến này được sử dụng để đo độ lớn của gia tốc
trọng trường với đơn vị là m/s2.

1.2.1.1.

Cấu trúc của cảm biến gia tốc

Về cơ bản, một cảm biến gia tốc có cấu trúc gồm hai thành phần: một khung gắn vào thiết bị
cần thu thập gia tốc và một quả nặng gắn với khung này có thể di chuyển tự do [13]. Khi thiết bị di
chuyển, phần khung sẽ di chuyển theo và quả nặng sẽ di chuyển cùng nhưng chậm hơn phần khung.
Bằng cách ước lượng mức độ chậm hơn của quả nặng so với khung, ta có thể tính toán được giá trị
gia tốc của phần khung khi chuyển động.

1.2.1.2.

Ứng dụng của cảm biến gia tốc

Cảm biến gia tốc có ứng dụng trong rất nhiều lĩnh vực khác nhau. Nhờ việc theo dõi giá trị
gia tốc theo các phương khác nhau, cảm biến gia tốc cho phép tối ưu hóa các phép đo bị ảnh hưởng
bởi gia tốc trọng trường [15].

1.2.2. Cảm biến định vị sử dụng GPS
Như ở mục 1.1.3.1 đã đề cập, các cảm biến định vị vị trí tuy có thể truy cập nhiều hệ thống
định vị toàn cầu khác nhau (GPS, GLONASS,…) nhưng đều được gọi chung là cảm biến GPS. Bộ
phận thu sóng GPS còn gọi là GPS Receiver, có trách nhiệm thu sóng từ các vệ tinh nằm trong vùng
quỹ đạo tương ứng với vị trí hiện tại của thiết bị.

1.2.2.1.

Hoạt động của hệ thống GPS

Các vệ tinh thuộc hệ thống định vị toàn cầu bay vòng quanh Trái Đất hai lần một ngày và
liên tục phát sóng tín hiệu xuống bề mặt Trái Đất. Các máy thu GPS thu nhận tín hiệu này, so sánh
chênh lệch thời gian phát tín hiệu và thời gian nhận tín hiệu từ đó tính ra khoảng cách từ thiết bị tới
vệ tinh. Khi có đủ số lượng vệ tinh để tính toán cùng lúc, cụ thể là với ít nhất ba vệ tinh, thiết bị có
thể tính ra kinh độ và vĩ độ của vị trí, với ít nhất bốn vệ tinh, thiết bị có thể tính ra thêm cao độ tại
địa điểm đang đứng nhờ các phép tính lượng giác.


4
1.2.2.2.

Ứng dụng của GPS

Nhờ việc xác định vị trí của thiết bị trên bề mặt địa cầu, các thiết bị thu GPS có ứng dụng
trong nhiều lĩnh vực khác nhau trong dân dụng và quân sự.

1.3. Phát biểu bài toán
Bài toán đặt ra là ứng dụng cần có khả năng nhận diện trạng thái người dùng là đang di
chuyển bằng phương tiện nào (đi xe máy (xe ga hoặc xe số), đi bộ, và thử nghiệm với xe bus – là
các phương tiện phổ biến tại Việt Nam) và đang ở trạng thái di chuyển, dừng, rẽ trái hay rẽ phải.
Mô hình nhận diện các trạng thái được xây dựng dựa vào dữ liệu thu thập từ cảm biến gia tốc và
cảm biến vị trí. Dựa trên trạng thái nhận diện được, ứng dụng sẽ có thể thay mặt người dùng đưa ra
các phản hồi trợ giúp khi người dùng nhận được tin nhắn hay cuộc gọi đến trong lúc đang di chuyển
và thông báo cho người dùng khi dừng lại.
Để giải quyết bài toán này, luận văn tập trung vào hai vấn đề: nhận diện trạng thái và xử lý
sự kiện theo trạng thái đã được nhận diện. Chương 2 của luận văn sẽ đi sâu mô tả chi tiết quá trình

thu thập, xử lý dữ liệu, huấn luyện mô hình, nhận diện trạng thái và xây dựng ứng dụng.

1.4. Kết chương
Chương 1 của luận văn đã trình bày khái quát về một số loại cảm biến phổ biến thường hiện
hữu trong smartphone cũng như một số loại cảm biến đặc biệt khác cùng ứng dụng của chúng.
Chương này cũng đi sâu vào giới thiệu hai loại cảm biến là cảm biến gia tốc và cảm biến định vị sử
dụng GPS, qua đó nêu bài toán nhận diện trạng thái tham gia giao thông và xây dựng ứng dụng trên
smartphone nhằm hỗ trợ cho người tham gia giao thông.
Trong chương 2, luận văn sẽ trình bày về hai vấn đề của bài toán đã được nêu ra, thứ nhất là
phương pháp thu thập dữ liệu, xử lý dữ liệu, phát hiện trạng thái, từ đó giải quyết vấn đề thứ hai là
quá trình phân tích, thiết kế ứng dụng hỗ trợ người dùng trên smartphone.


5

CHƯƠNG 2:
PHƯƠNG PHÁP PHÁT HIỆN TRẠNG THÁI NGƯỜI
THAM GIA GIAO THÔNG DỰA TRÊN SMARTPHONE
2.1. Xây dựng mô hình
2.1.1. Một số phương pháp đã được nghiên cứu
Trong mục này, luận văn sẽ giới thiệu một số phương pháp đã được xây dựng, gồm: Phương
pháp sử dụng cây quyết định ứng dụng mô hình Markov ẩn dựa vào dữ liệu cảm biến gia tốc và cảm
biến GPS; phương pháp sử dụng giá trị gia tốc so sánh với gia tốc trọng trường phát hiện trạng thái
người đi xe đạp; và phương pháp sử dụng máy véc-tơ hỗ trợ cùng kỹ thuật tối ưu đàn kiến để phân
lớp dữ liệu cảm biến gia tốc và cảm biến GPS.

2.1.1.1.

Sử dụng cây quyết định và mô hình Markov ẩn

Phương pháp này được Sasank Reddy và cộng sự giới thiệu năm 2010 [8]. Nhóm tác giả đưa
ra hệ thống phân lớp sử dụng cảm biến gia tốc và GPS của smartphone, nhằm mục đích nhận diện
các trạng thái đứng yên, đi bộ, chạy, đạp xe hoặc di chuyển bằng xe máy. Cách tiếp cận của nhóm
sử dụng cây quyết định và mô hình Markov ẩn với độ chính xác đạt được là 93.6% trên tập dữ liệu
cho trước.

2.1.1.2.

Phương pháp so sánh giá trị gia tốc và gia tốc trọng trường

Phương pháp này được Jeong-Jin Yeo và cộng sự đưa ra nhằm mục đích phát hiện trạng thái
của người đi xe đạp [2]. Nhóm tác giả đưa ra một phương pháp đơn giản ứng dụng smartphone
cùng cảm biến gia tốc gắn cố định lên xe với độ chính xác khoảng 95%.

2.1.1.3.

Sử dụng máy véc-tơ hỗ trợ và tối ưu đàn kiến

Năm 2014, Hao Xia và cộng sự đưa ra một phương pháp sử dụng cả dữ liệu GPS và giá trị
gia tốc từ smartphone nhằm phân loại các trạng thái giao thông ngoài trời của người dùng [1]. Các
trạng thái này bao gồm đi bộ, đi xe đạp và xe cơ giới cũng như trạng thái đứng yên của người dùng.
Nhóm tác giả đề xuất sử dụng phương pháp tối ưu đàn kiến để giảm kích thước của các đặc trưng
cũng như phân tích mức độ quan trọng tương đối của các đặc trưng này. Sau đó, sử dụng máy véctơ hỗ trợ để huấn luyện tập dữ liệu thu được để tạo bộ phân lớp. Phương pháp này đạt mức độ chính
xác khoảng 96.31%.

2.1.2. Đề xuất các cải tiến có thể
Từ các phương pháp đã nêu ra ở mục trước, nhận thấy phương pháp thứ ba của nhóm Hao
Xia và cộng sự có một số nhược điểm, đó là:
-

Chưa phù hợp với tình hình giao thông tại Việt Nam với xe máy là phương tiện chính.
Ngoài ra sinh viên, học sinh tại Việt Nam cũng thường xuyên sử dụng xe bus làm phương
tiện đi lại.


6
-

Dữ liệu GPS vẫn có khả năng bị mất hoặc không chính xác khi người dùng đi vào vùng bị
cản. Việc sử dụng thu GPS liên tục một cách thông thường sẽ gây tổn hao năng lượng cho
thiết bị smartphone, do vậy giảm khả năng ứng dụng thực tế.

Để khắc phục các nhược điểm trên, luận văn đưa ra một số đề xuất cải tiến và bổ sung cho
phương pháp này, như sau:
-

Bổ sung thêm các trạng thái chi tiết người tham gia giao thông với xe máy và xe bus.
Tối ưu hóa phương pháp thu nhận tín hiệu GPS với các chế độ: không dùng GPS, dùng GPS
với sóng di động, và dùng GPS với cả sóng di động và tín hiệu GPS. Với cách tối ưu như
vậy, việc phát hiện trạng thái người tham gia giao thông có thể thực hiện ngay trên
smartphone theo thời gian thực.

Trên cơ sở các đề xuất cải tiến trên, luận văn sẽ xây dựng ứng dụng trên smartphone nhằm
hỗ trợ cho người dùng với các tác vụ cơ bản như gọi điện, trả lời cuộc gọi, tin nhắn khi đang tham
gia giao thông.

2.1.3. Mô hình hóa phương pháp
Từ đề xuất cải tiến trên phương pháp đã nêu tại mục 2.1.1.3, luận văn đề xuất mô hình phát
hiện trạng thái người tham gia giao thông như biểu diễn trên hình 2.3.

Hình 2.3: Mô hình hóa phương pháp phát hiện trạng thái

Phương pháp sẽ được thực hiện theo hai giai đoạn:
-

Giai đoạn Huấn luyện mô hình: thu thập dữ liệu mẫu, thực hiện các thuật toán lọc, trích
chọn đặc trưng và phân lớp cần thiết để xác định các đặc trưng và các lớp dữ liệu đầu ra, đại
diện cho các trạng thái di chuyển khác nhau của người tham gia giao thông.


7
-

Giai đoạn Xác định trạng thái theo thời gian thực: tiến hành thu thập dữ liệu trong khi người
dùng đang tham gia giao thông, sử dụng kết quả ở giai đoạn Huấn luyện làm tham số đầu
vào cho các thuật toán trích chọn đặc trưng và phân lớp, từ đó đưa ra kết luận về trạng thái
di chuyển của người dùng hiện tại.

2.2. Thu thập dữ liệu
2.2.1. Phương pháp thu thập dữ liệu
Trong mục này, luận văn sẽ trình bày phương pháp thu thập dữ liệu. Dữ liệu đầu vào sẽ gồm
có dữ liệu cảm biến gia tốc và dữ liệu cảm biến GPS, cụ thể hơn là dữ liệu về tọa độ GPS hiện tại
của người dùng và tốc độ di chuyển hiện tại của người dùng.

2.2.1.1.

Thu thập dữ liệu cảm biến gia tốc

Hệ điều hành Android cho phép lập trình viên truy cập vào dữ liệu cảm biến gia tốc của thiết
bị thông qua dịch vụ của hệ điều hành. Như đã trình bày ở mục 1.2.1, giá trị cảm biến gia tốc mà hệ

điều hành cung cấp gồm ba số thực tương ứng với gia tốc theo các phương X, Y, Z. Sử dụng thư
viện và công cụ mà hệ điều hành Android cung cấp, luận văn sẽ xây dựng một ứng dụng trên
Android với chức năng tự động lấy giá trị của cảm biến gia tốc sau một khoảng thời gian nhất định.

2.2.1.2.

Thu thập dữ liệu cảm biến vị trí dựa trên GPS

Hệ điều hành Android cũng hỗ trợ việc truy cập dữ liệu trả về từ cảm biến vị trí dựa trên
GPS. Dữ liệu này bao gồm nhiều giá trị khác nhau, bao gồm kinh độ, vĩ độ, độ chính xác,… nhưng
trong phạm vi của luận văn sẽ chỉ quan tâm tới giá trị kinh độ, vĩ độ và tốc độ di chuyển của người
dùng. Luận văn đề xuất sử dụng chính ứng dụng thu thập dữ liệu cảm biến gia tốc, bổ sung thêm
việc truy cập tới dịch vụ vị trí của hệ điều hành để lấy tọa độ người dùng.

2.2.2. Cài đặt ứng dụng thu thập dữ liệu
Về cảm biến vị trí GPS, khuyến cáo của nhà phát hành Android là Google cho biết rằng, giá
trị cảm biến vị trí gốc của Android là không tin cậy, thay vì thế, khi cài đặt ứng dụng, luận văn sẽ
ứng dụng dịch vụ Fused Location API do Google cung cấp thông qua thư viện Google Play
Services cài sẵn trong smartphone [16].
-

-

Khung thời gian: mỗi mẫu dữ liệu sẽ được lấy sau một khung thời gian cố định. Ứng dụng
thu thập dữ liệu sẽ cho phép cấu hình giá trị khung thời gian này theo đơn vị là giây. Luận
văn sẽ thử nghiệm với khung thời gian 3 giây và 5 giây để tìm ra khung thời gian tối ưu.
Tần số lấy mẫu: luận văn lựa chọn tần số lấy mẫu là 50Hz. Đây là giá trị vừa phải, không
cao quá để tránh lượng dữ liệu quá lớn khiến thiết bị smartphone tiêu tốn nhiều năng lượng,
cũng như không thấp quá để không làm mất các giá trị ở tần số cao. Đối với các trạng thái
mục tiêu là đi bộ, đi xe máy và đi xe bus thì tần số 50Hz là lựa chọn hợp lý [1].

8
2.3. Các thuật toán xử lý dữ liệu
2.3.1. Mô hình xử lý
Trong mục này, luận văn sẽ đi sâu trình bày các thuật toán được sử dụng trong hai giai đoạn
của quá trình phát hiện trạng thái người tham gia gia thông là giai đoạn Huấn luyện mô hình và giai
đoạn Phát hiện trạng thái.

2.3.1.1.

Huấn luyện mô hình

Hình 2.7 mô tả các thuật toán sử dụng trong giai đoạn Huấn luyện mô hình.

Hình 2.7: Thuật toán trong giai đoạn Huấn luyện mô hình

Giai đoạn huấn luyện gồm 3 bước như trên hình, với 3 thuật toán dưới đây:
-

-

-

Fast Fourier Transform: dữ liệu đầu vào gồm dữ liệu GPS và dữ liệu cảm biến gia tốc được
đưa vào biến đổi Fourier rời rạc nhằm chuyển dạng dữ liệu từ miền thời gian sang miền tần
số, từ đó rút ra các đặc trưng theo tần số nhất định.
Ant Colony Optimization: thuật toán tối ưu đàn kiến được sử dụng để loại bỏ các đặc trưng
không cần thiết từ kết quả của biến đổi Fourier. Kết quả của thuật toán là tập con các đặc
trưng quan trọng. Tập này cũng sẽ được sử dụng làm tiền đề cho giai đoạn tối ưu của pha

Phát hiện trạng thái.
Support Vector Machine: máy véc-tơ hỗ trợ được sử dụng để phân lớp các đặc trưng sau khi
đã tối ưu.

2.3.1.2.

Phát hiện trạng thái

Hình 2.8 mô tả các thuật toán sử dụng trong giai đoạn Phát hiện trạng thái:


9

Hình 2.8: Thuật toán trong giai đoạn Phát hiện trạng thái

Cũng gồm ba bước như giai đoạn Huấn luyện, tuy nhiên ở giai đoạn Phát hiện trạng thái, các
thuật toán sẽ dùng lại kết quả từ giai đoạn Huấn luyện, cụ thể là:
-

Fast Fourier Transform: tương tự giai đoạn Huấn luyện, FFT sẽ được sử dụng để biến đổi dữ
liệu GPS và dữ liệu cảm biến gia tốc.
Ant Colony Optimization: sử dụng các đặc trưng rút ra từ FFT và tập các đặc trưng trong kết
quả của giai đoạn Huấn luyện để đưa ra tập đặc trưng con tối ưu nhất.
Support Vector Machine: máy véc-tơ hỗ trợ dựa trên kết quả phân lớp của pha Huấn luyện
sẽ đưa ra kết quả là trạng thái người tham gia giao thông.

2.3.2. Các thuật toán, lựa chọn tham số và tiền điều kiện
2.3.2.1.

Fast Fourier Transform

Tuy dữ liệu cảm biến gia tốc và cảm biến GPS mà hệ điều hành Android xử lý là liên tục,
việc lấy mẫu theo khoảng thời gian của phương pháp đã đề xuất khiến các mẫu dữ liệu trở thành
dạng rời rạc. Để trích xuất đặc trưng của dữ liệu rời rạc, ta áp dụng biến đổi Fourier để chuyển dữ
liệu từ miền thời gian sang miền tần số. Các đặc trưng cần tìm tương ứng với biên độ của tần số.
Biến đổi Fourier nhanh (FFT – Fast Fourier Transform) là nhóm các thuật toán áp dụng tính biến
đổi Fourier rời rạc của hàm số cho trước một cách hiệu quả [17].
Do việc tính toán DFT trực tiếp đòi hỏi thời gian tính toán lâu và không hiệu quả, đặc biệt
khi số lượng mẫu là lớn, các nhóm thuật toán biến đổi Fourier nhanh ra đời nhằm giảm độ phức tạp
bài toán này. Áp dụng FFT sẽ giảm độ phức tạp từ O(n2) xuống còn O(nlogn). Một trong các thuật
toán biến đổi Fourier nhanh và hiệu quả là thuật toán Cooley – Tukey [18].
Trong phạm vi của luận văn, để cài đặt thuật toán FFT, ta sử dụng phần cài đặt trong thư
viện Apache Common Math với ngôn ngữ cài đặt là Java.


10
2.3.2.2.

Ant Colony Optimization

Thuật toán tối ưu đàn kiến thường được áp dụng trong các bài toán về tối ưu tổ hợp. Thuật
toán tối ưu đàn kiến cũng như các mở rộng của thuật toán mô phỏng hành vi của loài kiến bằng
cách giả lập các con kiến di chuyển xung quanh một đồ thị thể hiện cho bài toán cần được giải
quyết. Các lớp bài toán như vậy có thể kể đến là bài toán tìm đường đi, lập lịch, xác định tuyến
đường tối ưu, các bài toán tổ hợp và xử lý ảnh,…
Với yêu cầu tối ưu các đặc trưng rút ra từ biến đổi Fourier trong bài toán phát hiện trạng thái
người tham gia giao thông, ta thiết lập giải thuật như sau:
Đầu tiên, ta lựa chọn numf là số lượng các đặc trưng từ tất cả N đặc trưng rút ra từ biến đổi
Fourier. N đặc trưng này lập thành đồ thị vô hướng khép kín trong đó mỗi đặc trưng có thể coi như
một đỉnh của đồ thị với độ dài các cạnh là bằng nhau. Một con kiến sẽ di chuyển qua numf đỉnh giữa

điểm xuất phát và đích đến. Thời gian di chuyển giữa 2 đỉnh của các con kiến là bằng nhau do độ
dài cạnh đồ thị là bằng nhau. Nếu con kiến xuất phát tại thời gian t = 0 thì nó sẽ tới đích sau thời
gian t = numf – 1. Tổng số kiến lựa chọn sẽ là m. Mục tiêu của bài toán là tìm ra các đỉnh đối lập để
có đường đi tốt nhất. Đường đi càng tốt thì việc phân lớp sẽ có độ chính xác càng cao. Thay vì xét
lượng chất hóa học rải trên đường, ta sẽ xem xét lượng chất hóa học mỗi con kiến để lại tại mỗi
đỉnh của đồ thị, kí hiệu uj(t) là lượng chất hóa học để lại tại đỉnh j tại thời điểm t. Khởi đầu, giá trị
uj(0) = C trong đó C là hằng số dương bất kì. p là tốc độ bay hơi của chất hóa học. uj là lượng tăng
chất hóa học:
𝑢𝑗 (𝑡 + 1) = (1 − 𝑝)𝑢𝑗 (𝑡) + ∆𝑢𝑗

(2.1)

Quy ước:
𝑟

𝑏𝑒𝑠𝑡
∆𝑢𝑗 = 𝑛𝑢𝑚

(2.2)

𝑓

là hàm cập nhật lượng chất hóa học. rbest là kết quả phân lớp tốt nhất tại thời điểm này. Kết
quả phân lớp càng tốt thì lượng chất hóa học tại đỉnh j càng nhiều. Số lượng các đỉnh càng lớn thì
lượng chất hóa học tại mỗi đỉnh càng ít. Tại mỗi đỉnh, ta định nghĩa nj là tham số khám phá cho
đỉnh j. Từ đó xây dựng công thức nj=F-scorej để đánh giá khả năng phân biệt giữa các đỉnh với
nhau. Công thức 2.3 chỉ ra giá trị F-score tại đỉnh j, trong đó tử số đại diện cho sự sai khác giữa các
lớp của đặc trưng mục tiêu, mẫu số đại diện cho sự sai khác trong mỗi lớp. F-score càng lớn thì sự
khác biệt tại đỉnh này càng lớn.
𝐹 − 𝑠𝑐𝑜𝑟𝑒𝑗 =

∑𝑣𝑐=1(𝑥̅ 𝑗𝑐 −𝑥̅ 𝑗 )2
1

𝑁𝑐
𝑗

𝑐
∑𝑣𝑐=1{ 𝑐 ∑𝑘=1(𝑥𝑗𝑘
−𝑥̅ 𝑗𝑐 )2 }
𝑁𝑗 −1

, 𝑗 ∈ {1,2, … , 𝑁𝐹 }

(2.3)

Trong đó:
-

v là số lớp của đặc trưng mục tiêu j
NF là số lượng các đặc trưng

-

NjC là số lượng mẫu của đặc trưng j trong lớp c, c  {1,2,…,v}, j  {1,2,…, NF}


11
-

xjkC là mẫu thử thứ k cho đặc trưng j trong lớp c, k  {1,2,…,NjC}

-

𝑥̅𝑗 là giá trị trung bình của đặc trưng j

-

𝑥̅𝑗𝑐 là giá trị trung bình của đặc trưng j trong lớp c
pjk(t) là xác suất con kiến k lựa chọn đỉnh j làm đích đến tại thời điểm t.  biểu diễn mức độ

quan trọng của chất hóa học.  biểu diễn mức độ quan trọng của tham số khám phá. Ta định nghĩa
tabuk là tập các đỉnh mà con kiến đã đi qua. Các đỉnh trong này sẽ không được xét tới khi tìm đích
tiếp theo trong mỗi vòng lặp. Công thức 2.4 biểu diễn xuất suất này:
𝛽

𝑢𝑗𝛼 (𝑡)𝜂𝑗

, 𝛾, 𝑗 ∉ 𝑡𝑎𝑏𝑢𝑘
𝑝𝑗𝑘 (𝑡) = {∑ 𝑢𝛾𝛼(𝑡)𝜂𝛾𝛽
0, 𝑗 ∈ 𝑡𝑎𝑏𝑢𝑘

(2.4)

Tới đây, giải thuật ACO có thể được cài đặt để đưa vào việc phân lớp sử dụng SVM.

2.3.2.3.

Support Vector Machine

Trong lĩnh vực học máy, máy véc-tơ hỗ trợ (SVM) là mô hình học có giám sát sử dụng thuật
toán học máy nhằm phân tích dữ liệu phục vụ phân tính và khảo sát hồi quy [20]. Cho trước tập dữ
liệu học trong đó mỗi mẫu dữ liệu được đánh dấu thuộc về một trong hai lớp, thuật toán SVM sẽ
xây dựng mô hình nhằm gán các dữ liệu mới vào một trong hai lớp này. Mô hình phân lớp thành
các trạng thái người tham gia giao thông khác nhau sử dụng SVM được mô tả trong hình 2.13:

Hình 2.13: Mô hình phân lớp trạng thái dựa trên SVM

Luận văn sẽ sử dụng thư viện LIBSVM cho phần cài đặt thuật toán, sử dụng một biến thể
OVO (One-vs-One) để phục vụ phân lớp các mẫu dữ liệu thành nhiều hơn 2 lớp [21].

2.4. Áp dụng phát hiện trạng thái người tham gia giao thông
2.4.1. Tiền xử lý dữ liệu
Dữ liệu cảm biến gia tốc thu thập được gồm 3 giá trị riêng rẽ theo 3 trục X, Y, Z. Trước khi
đưa vào FFT để chuyển sang miền tần số, ta tiến hành tính giá trị gia tốc cộng dồn bằng công thức
2.5:
𝐴 = √𝐴𝑋2 + 𝐴2𝑌 + 𝐴2𝑍

(2.5)


12
Các điểm dữ liệu được lấy ra với tần số 50Hz nên mỗi giây sẽ có tương ứng 50 điểm dữ liệu.
Các điểm này sẽ được gom thành từng phân đoạn theo khung thời gian đã lựa chọn là 3 giây và 5
giây. Ta sẽ tiến hành huấn luyện mô hình và phát hiện trạng thái theo từng khung thời gian để so
sánh độ chính xác.

2.4.2. Huấn luyện mô hình
2.4.2.1.

Phân tích dữ liệu vận tốc

Các hình 2.14 và 2.15 mô tả phân bố dữ liệu vận tốc theo các trạng thái di chuyển khác
nhau. Phân bố dữ liệu vận tốc của xe số và xe ga là tương đồng nhau, do đó hình sẽ chỉ thể hiện
phân bố dữ liệu vận tốc của việc đứng yên, di chuyển và rẽ trái, rẽ phải bằng xe máy nói chung.
Trục X thể hiện các khoảng vận tốc tương ứng là 0-2, 2-4, …, 18-20 và trên 20m/s. Trục Y thể hiện
tỉ lệ theo phần trăm.

Hình 2.14: Phân bố dữ liệu vận tốc (khung thời gian 3 giây)

Hình 2.15: Phân bố dữ liệu vận tốc (khung thời gian 5 giây)

Như vậy, ta thiết lập bộ lọc với mốc vận tốc rất sát 0 để phân biệt trạng thái giữa đứng yên
và di chuyển bằng cách xem xét vận tốc của phân đoạn hiện tại. Nếu vận tốc trung bình dưới


13
0,05m/s, ta coi phân đoạn đó là đứng yên. Nếu vận tốc trung bình trên 0,05m/s, ta coi phân đoạn đó
là di chuyển.

2.4.2.2.

Phân tích dữ liệu cảm biến gia tốc

Hình 2.16 mô tả phân bố giá trị cảm biến gia tốc theo miền tần số (khung thời gian 3 giây).

Hình 2.16: Phân bố gia tốc theo miền tần số (khung thời gian 3 giây)

Ta nhận thấy, với khung thời gian 3 giây, phân bố gia tốc theo miền tần số hầu như không
có sự khác biệt giữa các trạng thái khác nhau, khó có thể đưa vào đầu vào của ACO và SVM. Hình

2.17 mô tả phân bố với khung thời gian là 5 giây.

Hình 2.17: Phân bố gia tốc theo miền tần số (khung thời gian 5 giây)

Ta thấy khi mở rộng khung thời gian lên 5 giây, đã có sự khác biệt có thể nhận thấy bằng
mắt thường với trạng thái khác nhau. Như vậy ta có thể đưa tối đa là 128 điểm đặc trưng làm đầu
vào cho thuật toán phân lớp đã trình bày ở chương trước.

2.4.2.3.

Cài đặt thuật toán phân lớp

Ta coi mỗi mẫu dữ liệu gồm 128 điểm là 1 tập 128 đặc trưng với 1 giá trị nguyên thể hiện
giá trị phân lớp như đã đề cập tại mục 2.2.1.2. Hình 2.18 mô tả lưu đồ giải thuật phân lớp kết hợp


14
ACO và SVM, đầu vào của thuật toán các tập các mẫu dữ liệu. Đầu ra của thuật toán là mô hình
SVM và tập con các đặc trưng tối ưu nhất trích từ 128 đặc trưng này.

Hình 2.18: Lưu đồ giải thuật phân lớp kết hợp ACO và SVM

Hình 2.19: Tập đặc trưng tối ưu

Các đặc trưng được chọn là đặc trưng số 6, 10, 13, 16, 21, 28, 29, 35, 38, 40, 45, 47, 50, 56,
57, 60, 65, 75, 89, 91, 92, 96, 108, 117 cho trạng thái đứng yên (hình 2.19a); và đặc trưng số 5, 7,
47, 54, 94, 110, 115, 118 cho trạng thái di chuyển (hình 2.19b).

2.4.3. Phát hiện trạng thái người tham gia giao thông
Sử dụng mô hình SVM đã tối ưu ở mục trước cùng tập đặc trưng tối ưu, ta tiến hành phát

hiện trạng thái người tham gia giao thông sử dụng thư viện LIBSVM ngay trên điện thoại thông
minh. Với bộ dữ liệu thu thập qua quá trình huấn luyện, luận văn thu được kết quả như sau:
-

Việc lọc bằng giới hạn vận tốc rất gần mức 0m/s tương đối chính xác.
Tùy theo số lượng đặc trưng tối ưu lựa chọn mà cho các kết quả khác nhau. Luận văn lựa
chọn 8 đặc trưng đối với các trạng thái di chuyển và 24 đặc trưng đối với các trạng thái đứng
yên.


15
2.5. Kết chương
Chương 2 của luận văn đã trình bày một số phương pháp đã được đề xuất để giải quyết bài
toán phát hiện trạng thái người tham gia giao thông. Luận văn cũng đề xuất một hướng cải tiến cho
phương pháp có sẵn nhằm xây dựng ứng dụng hỗ trợ người tham gia giao thông cũng như tối ưu
cho tình hình giao thông tại Việt Nam. Luận văn lần lượt trình bày về phương pháp thu thập dữ liệu
cảm biến gia tốc, dữ liệu cảm biến GPS, mô hình xử lý và các thuật toán sẽ được áp dụng. Cuối
chương, luận văn đã trình bày về quá trình áp dụng các thuật toán để tiến hành huấn luyện mô hình
và phát hiện trạng thái người tham gia giao thông.
Trong chương 3, luận văn sẽ trình bày về kết quả thực nghiệm của phương pháp, bao gồm
mô tả môi trường phát triển, mô tả các kịch bản khác nhau, kết quả huấn luyện, kết quả thực thi phát
hiện trạng thái người tham gia giao thông cùng kết luận về độ chính xác của phương pháp.


16

CHƯƠNG 3:

CÀI ĐẶT, THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ

3.1. Môi trường cài đặt
3.1.1. Phần cứng và phần mềm
Trong mục này, luận văn đề cập tới cấu hình phần cứng và phần mềm phục vụ việc phát
triển và thử nghiệm phương pháp.

3.1.2. Thiết kế ứng dụng
Ứng dụng hỗ trợ người dùng sẽ được xây dựng trên hệ điều hành Android, chi tiết về chức
năng, kiến trúc và giao diện được mô tả ở các mục con dưới đây.

3.1.2.1.

Thiết kế chức năng

3.1.2.2.

Thiết kế kiến trúc

3.1.2.3.

Thiết kế giao diện

3.2. Các kịch bản thử nghiệm
Ở mục này, luận văn sẽ trình bày các kịch bản thử nghiệm cho các trạng thái tham gia giao
thông khác nhau của người dùng. Luận văn đưa ra 6 kịch bản với tình trạng giao thông đặc thù khác
nhau, ngoài ra luận văn cũng đưa ra thêm kịch bản thứ 7 sử dụng phương tiện giao thông là xe bus
để thử nghiệm mức độ chính xác của phương pháp khi áp dụng cho phương tiện giao thông công
cộng.

3.2.1. Kịch bản 1
Hình 3.4 mô tả đường đi của kịch bản 1, người tham gia thực nghiệm sẽ sử dụng phương

tiện là xe máy dạng xe số thông thường, di chuyển từ điểm A tới điểm B. Thời gian thực nghiệm
vào khoảng 6h chiều ngày trong tuần. Tuyến đường này là một tuyến cao điểm trong khung giờ nói
trên, do vậy tốc độ di chuyển sẽ khá chậm.

Hình 3.1: Đường đi kịch bản thử nghiệm 1


17
3.2.2. Kịch bản 2
Hình 3.5 mô tả đường đi của kịch bản 2, người tham gia thực nghiệm sẽ sử dụng phương
tiện là xe máy dạng xe số thông thường, di chuyển từ điểm A tới điểm B. Thời gian thực nghiệm
vào khoảng 2h chiều ngày cuối tuần. Đây là tuyến đường nội thị nên tuy vào thời gian không cao
điểm nhưng tốc độ di chuyển chỉ đạt mức trung bình, không có ùn tắc.

Hình 3.2: Đường đi kịch bản thử nghiệm 2

3.2.3. Kịch bản 3
Hình 3.6 mô tả đường đi của kịch bản 3, người tham gia thực nghiệm sẽ sử dụng phương
tiện là xe máy dạng xe ga, di chuyển từ điểm A tới điểm B. Thời gian thực nghiệm vào khoảng 9h
sáng ngày cuối tuần. Đây là tuyến đường ngoại thị và lòng đường rất rộng. Tốc độ di chuyển cao và
không bị vướng đèn đỏ hay ùn tắc.

Hình 3.3: Đường đi kịch bản thử nghiệm 3


18
3.2.4. Kịch bản 4
Hình 3.7 mô tả đường đi của kịch bản 4, người tham gia thực nghiệm sẽ sử dụng phương
tiện là xe máy dạng xe số, di chuyển từ điểm A tới điểm B. Thời gian thực nghiệm vào khoảng 4h
chiều ngày trong tuần. Đặc điểm của tuyến đường này là vị trí từ mốc 2 tới mốc 3 đường rất ùn tắc

nên đoạn đường này tốc độ di chuyển sẽ rất chậm.

Hình 3.4: Đường đi kịch bản thử nghiệm 4

3.2.5. Kịch bản 5
Hình 3.8 mô tả đường đi của kịch bản 5, người tham gia thực nghiệm sẽ sử dụng phương
tiện là xe máy dạng xe số, di chuyển từ điểm A tới điểm B. Thời gian thực nghiệm vào khoảng 1h
chiều ngày cuối tuần. Trên tuyến đường này, từ vị trí mốc 1 tới mốc 4 là đường hầm có thể di
chuyển với tốc độ rất cao.

Hình 3.5: Đường đi kịch bản thử nghiệm 5


19
3.2.6. Kịch bản 6
Hình 3.9 mô tả đường đi của kịch bản 6, người tham gia thực nghiệm sẽ sử dụng phương
tiện là xe máy dạng xe ga, di chuyển từ điểm A tới điểm B. Thời gian thực nghiệm vào khoảng 8h
sáng ngày cuối tuần. Phần lớn tuyến đường di chuyển trong khu đông dân cư với tình trạng đường
xấu, hẹp và có nhiều ổ gà.

Hình 3.6: Đường đi kịch bản thử nghiệm 6

3.2.7. Kịch bản 7
Hình 3.10 mô tả đường đi của kịch bản 7, người tham gia thực nghiệm sẽ sử dụng phương
tiện là xe bus, di chuyển từ điểm A tới điểm B. Thời gian thực nghiệm vào khoảng 10h sáng ngày
cuối tuần. Các điểm dừng của xe bus được đánh dấu bằng các mốc trên hình. Kịch bản này được
đưa ra nhằm mục đích đánh giá độ chính xác của phương pháp khi áp dụng cho phương tiện công
cộng với đặc trưng di chuyển và dừng sau một đoạn đường nhất định.

Hình 3.7: Đường đi kịch bản thử nghiệm 7

20
3.3. Kết quả thử nghiệm
3.3.1. Kết quả mô đun phát hiện trạng thái
Với các kịch bản đã nêu ra trong mục 3.2, kết quả tương ứng như sau:
-

-

-

Kịch bản 1: tốc độ di chuyển của người khá ổn định, ứng dụng nhận diện khá tốt các trạng
thái đi, dừng, rẽ phải.
Kịch bản 2: trong kịch bản này, tuyến đường là tối ưu khi không có đèn đỏ, không tắc đường
và tốc độ di chuyển là ổn định. Việc phát hiện trạng thái rất chính xác.
Kịch bản 3: trong kịch bản này, việc phát hiện trạng thái rất ổn định do đường đi thẳng và
không có chuyển hướng liên tục.
Kịch bản 4: với kịch bản này, đoạn đường từ mốc 2 tới mốc 3 việc phát hiện trạng thái trở
nên không chính xác, lẫn lộn giữa trạng thái đứng yên và di chuyển.
Kịch bản 5: với kịch bản này, khi người lái xe di chuyển từ mốc 1 tới mốc 4, tốc độ di
chuyển là rất cao, trên 20m/s, việc lấy tốc độ trung bình để làm bộ lọc tỏ ra hiệu quả khi di
chuyển dưới hầm sóng GPS không ổn định.
Kịch bản 6: với kịch bản đường phức tạp, việc phát hiện trạng thái vẫn chính xác cho đến
mốc đoạn đường đầu tiên. Kể từ mốc thứ 2, mô đun bắt đầu có sự nhầm lẫn giữa trạng thái
đứng yên và trạng thái di chuyển do đường tắc và liên tục phải phanh gấp trong khu đông
dân cư.
Kịch bản 7: đây là kịch bản mang tính thử nghiệm tính chính xác của phương pháp khi áp
dụng với phương tiện giao thông công cộng. Với tuyến đường đã thể hiện ở hình tại mục
3.2.7, mô đun nhận diện chính xác trạng thái vào các khoảng thời gian xe bus dừng vào bến

và khi xe bus di chuyển trở lại.

Kết quả ma trận nhầm lẫn của kịch bản 7 được đưa vào mang tính tham khảo. Qua 6 kịch
bản đầu tiên, ta nhận được bảng 3.1 và bảng 3.2 là ma trận nhầm lẫn của việc phát hiện trạng thái
người tham gia giao thông ứng dụng phương pháp đã đề xuất. Tỉ lệ được tính toán dựa trên số
lượng phân đoạn phát hiện được tương ứng với mỗi trạng thái trên tổng số phân đoạn của tất cả các
kịch bản.
Bảng 3.1: Ma trận nhầm lẫn cho các trạng thái dừng

Đứng yên (xe máy)

Dừng (xe số)

Dừng (xe ga)

Đứng yên (xe máy)

0.9866

0.0116

0.0018

Dừng (xe số)

0.0359

0.9238

0.0403

Dừng (xe ga)

0.0168

0.0495

0.9337

Bảng 3.2: Ma trận nhầm lẫn cho các trạng thái di chuyển

Di chuyển
(xe số)

Di chuyển
(xe ga)

Rẽ trái
(xe số)

Rẽ trái
(xe ga)

Rẽ phải
(xe số)

Rẽ phải
(xe ga)

21
Di chuyển (xe số)

0.9320

0.0014

0.0027

0.0121

0.0209

0.0309

Di chuyển (xe ga)

0.0098

0.9168

0.0282

0.0165

0.0103

0.0184

Rẽ trái (xe số)

0.0015

0.0306

0.9035

0.0421

0.0060

0.0163

Rẽ trái (xe ga)

0.0408

0.0366

0.0018

0.8996

0.0165

0.0047

Rẽ phải (xe số)

0.0320

0.0365

0.0014

0.0098

0.9129

0.0074

Rẽ phải (xe ga)

0.0364

0.0285

0.0021

0.0034

0.0029

0.9267

3.3.2. Kết quả thực nghiệm ứng dụng hỗ trợ người dùng
Ứng dụng hỗ trợ người dùng hoạt động tốt với các chức năng như đã liệt kê tại mục 3.1.2.1.

3.4. Nhận xét
Với các kết quả thực nghiệm nêu trên, ta thấy rằng phương pháp đã đề xuất có đủ khả năng

phân biệt được các trạng thái dừng, đi, rẽ trái, rẽ phải của xe máy, cũng như có khả năng phân biệt
được trạng thái dừng, đi của phương tiện giao thông công cộng phổ biến ở Việt Nam là xe bus trong
một kịch bản tương đối đơn giản. Độ chính xác nhận diện các trạng thái di chuyển bằng xe máy đều
đạt trên 90%. Tuy tỉ lệ nhận diện nhầm lẫn vẫn còn, nhưng ngoài nguyên nhân phương pháp chưa
được tối ưu, thì vẫn còn nguyên nhân do tình trạng giao thông phức tạp tại Việt Nam. Phương pháp
hoạt động tốt, không tiêu tốn quá nhiều năng lượng bởi GPS do tối ưu việc sử dụng cảm biến GPS
thông qua thư viện của Google Play Services, qua đó giúp ứng dụng có thể hỗ trợ người dùng trong
các thao tác gọi điện, nhắn tin khi đang tham gia giao thông.

3.5. Kết chương
Chương 3 của luận văn trình bày về môi trường phát triển và thử nghiệm mô đun phát hiện
trạng thái người tham gia giao thông cùng ứng dụng trên hệ điều hành Android. Chương 3 cũng
trình bày ra 6 kịch bản thử nghiệm với xe máy, cùng 1 kịch bản tham chiếu sử dụng phương tiện
giao thông công cộng là xe bus. Kết quả của các kịch bản thử nghiệm cho thấy phương pháp đạt độ
chính xác tốt với các trạng thái khác nhau của người tham gia giao thông sử dụng xe máy, cũng như
với kịch bản tham chiếu sử dụng xe bus. Ứng dụng hỗ trợ người dùng có độ chính xác đủ để giúp
người dùng trong các thao tác nhắn tin, gọi điện khi đang tham gia giao thông.


22

KẾT LUẬN
Luận văn tập trung nghiên cứu về các phương pháp phát hiện trạng thái người tham gia giao
thông dựa trên dữ liệu thu thập từ các cảm biến của điện thoại thông minh. Ngoài việc giới thiệu về
cảm biến trên điện thoại thông minh, luận văn đã giới thiệu ba phương pháp đã được nghiên cứu là
phương pháp sử dụng cây quyết định ứng dụng mô hình Markov ẩn dựa vào dữ liệu cảm biến gia
tốc và cảm biến GPS; phương pháp sử dụng giá trị gia tốc so sánh với gia tốc trọng trường phát hiện
trạng thái người đi xe đạp; và phương pháp sử dụng kỹ thuật tối ưu đàn kiến và máy véc-tơ hỗ trợ
để phân lớp dữ liệu cảm biến gia tốc và cảm biến GPS, từ đó luận văn đề xuất phương án tối ưu
việc thu thập dữ liệu cảm biến vị trí nhằm phát hiện thêm các trạng thái khác nhau của người tham

giao giao thông. Cụ thể, luận văn đã đạt được một số kết quả:
-

-

Nghiên cứu khái quát về sự phát triển của cảm biến trên điện thoại thông minh cùng ứng
dụng.
Giới thiệu một số phương pháp phát hiện trạng thái người tham gia giao thông cho kết quả
tốt.
Đề xuất phương án cải tiến phương pháp sử dụng kết hợp các thuật toán FFT, SVM và ACO
bằng cách tối ưu cảm biến vị trí và phát hiện thêm các trạng thái giao thông khác nhau của
người đi xe máy.
Xây dựng mô hình theo phương án đã đề xuất, đưa ra quy trình huấn luyện và thực nghiệm,
đưa ra các kịch bản thử nghiệm khác nhau và đánh giá kết quả.

Từ những kết quả đã đạt được , luận văn có thể được tiếp tục nghiên cứu để đưa ra các cải
tiến cho mô hình tương tự cho các thiết bị kết nối vạn vật (Internet of Things), mở rộng hỗ trợ cho
nhiều dạng phương tiện khác nhau, từ đó xây dựng ứng dụng hỗ trợ người dùng cuối, hỗ trợ xây
dựng hệ thống giao thông thông minh và thành phố thông minh trong tương lai.


23

TÀI LIỆU THAM KHẢO
[1] H. Xia, Y. Qiao, J. Jian and Y. Chang, "Using Smart Phone Sensors to Detect Transportation Modes," in
Sensors, 2014, pp. 20843-20865.

[2] J.J. Yeo, Y.H. Lim, M.H. Ryu, Y.S. Yang, “An Automatic Recognition of Bicycle Riding State by Using
a Smartphone,” in ASTL Volume 6, 2012: Computer Science and Technology, pp. 131-136.

[3] M. A. Shafique and E. Hato, "Use of acceleration data for transportation mode prediction," in
Transportation, 2015.

[4] M. Nyan; F. Tay; K. Seah; Y. Sitoh Classification of gait patterns in the time–frequency domain. J.
Biomech. 2006, 39, 2647–2656.

[5] P. Martiskainen; M. Järvinen; J.-P. Skön; J. Tiirikainen; M. Kolehmainen; J. Mononen Cow behaviour
pattern recognition using a three-dimensional accelerometer and support vector machines. Appl. Anim.
Behav. Sci. 2009, 119, 32–38.

[6] S. Hemminki, P. Nurmi and S. Tarkoma, "Accelerometer-Based Transportation Mode Detection on
Smartphones," in Proceedings of ACM SenSys, 2013.

[7] S.J. Preece; J.Y. Goulermas; L.P. Kenney; D. Howard A comparison of feature extraction methods for
the classification of dynamic activities from accelerometer data. IEEE Trans. Biomed. Eng. 2009, 56,
871–879.

[8] S. Reddy; M. Mun; J. Burke; D. Estrin; M. Hansen; M. Srivastava Using mobile phones to determine
transportation modes. ACM Trans. Sensor Netw. 2010, 6, 1–2.

[9] T. Iso; K. Yamazaki Gait analyzer based on a cell phone with a single three-axis accelerometer. In
Proceedings of the 8th Conference on Human-Computer Interaction with Mobile Devices and Services,
Espoo, Finland, 12–15 September 2006; pp. 141–144.

[10]
[11]
[12]
[13]
[14]

[Truy cập tháng 12/2016]

[15]
[16]

[Truy cập tháng 12/2016]

[17]
[18]
[19]
[20]
[21]

[Truy cập tháng 12/2016]

[Truy cập tháng 12/2016]
[Truy cập tháng 12/2016]
[Truy cập tháng 12/2016]

[Truy cập tháng
12/2016]
/>12/2016]

[Truy

cập

tháng

[Truy cập tháng 12/2016]

[Truy cập tháng 12/2016]
[Truy cập tháng 12/2016]
[Truy cập tháng 12/2016]