Tóm tắt luận án Tiến sĩ Hệ thống thông tin: Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

LỮ ĐĂNG NHẠC

NHẬN DẠNG HÀNH VI CỦA NGƯỜI THAM GIA GIAO 
THÔNG DỰA TRÊN CẢM BIẾN ĐIỆN THOẠI

Chuyên ngành: Hệ thống Thông tin
Mã số: 9480401.01

TÓM TẮT LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN



MỞ ĐẦU
Tính cấp thiết của luận án

Trong hệ  thống giao thông đô thị, có nhiều yếu tố  tác động đến 
vấn đề  quản lý và an toàn giao thông. Trong đó, thái độ  và hành vi của 
người tham gia giao thông có tác động trực tiếp hệ  thống. Do đó, việc 
nhận dạng hành vi của người tham gia giao thông bao gồm cả  nhận 
dạng các hành động và hành vi bất thường có một ý nghĩa rất lớn trong  
việc xây dựng giải pháp, ứng dụng hỗ trợ người tham gia giao thông . Vì 
vậy, chủ  đề  này đã và đang thu hút được sự  quan tâm nghiên cứu của 
nhiều nhà khoa học, các phòng thí nghiệm trên thế  giới. Hơn thế  nữa, 
những thông tin về hành vi của người tham gia giao thông sẽ rất hữu ích 
cho những nhà quản lý trong việc quy hoạch hệ  thống và xây dựng  
chính sách quản lý giao thông và các chính sách an sinh xã hội khác. 
Ngoài ra, mô hình nhận dạng hành vi người tham gia giao thông còn trợ 
giúp đánh giá mức độ  rủi ro trong các lĩnh vực bảo hiểm cũng như  có 

thể ước tính mức độ tiêu thụ năng lượng và ô nhiễm môi trường của hệ 
thống giao thông.
Để xây dựng được mô hình nhận dạng hành vi của người tham gia 
giao thông các thông tin, dữ liệu của người tham gia được thu thập bằng  
nhiều cách khác nhau. Thí nghiệm ban đầu đã thu thập dữ liệu bằng các 
thiết bị cảm biến cố định trên đối tượng nghiên cứu. Nhờ sự phát triển  
của công nghệ  phần cứng, nhiều loại cảm biến khác nhau được tích  
hợp đã cho phép điện thoại thông minh trở thành công cụ hữu ích trong 
việc thu thập dữ liệu từ người dùng. Chính vì vậy, trong thời gian gần 
đây, nhiều công trình nghiên cứu về nhận dạng hành vi người dùng bao 
gồm cả  hành vi cử  chỉ  và hành vi trong giao thông dựa trên cảm biến  
điện thoại thông minh được công bố. Tuy nhiên, để  đảm bảo độ  chính 
xác cao trong kết quả  của mô hình nhận dạng thì hầu hết các nghiên 
cứu được thực hiện với vị trí điện thoại cố  định trên phương tiện giao  
thông hoặc sử  dụng tập thuộc tính đặc trưng có số  lượng lớn nhằm 


trích xuất dữ  liệu từ  nhiều nguồn cảm biến khác nhau của điện thoại. 
Điều này làm cho mô hình xây dựng giảm tính tiện dụng  cũng như giảm 
khả năng ứng dụng trong thực tế. Điều này dẫn đến hướng nghiên cứu 
về  nhận dạng hành vi của người dùng khi vị  trí điện thoại người dùng 
không cố định trong quá trình tham gia giao thông.
Ngoài ra, những nghiên cứu đã công bố về nhận dạng hành vi giao 
thông được thực hiện trong các điều kiện hoàn cảnh khác nhau. Trong 
đó, có sự khác nhau về yếu tố khu vực địa lý, hạ tầng giao thông và văn 
hóa so với các điều kiện và môi trường giao thông tại Việt Nam. Do  
vậy, những mô hình nhận dạng đã được xây dựng gặp nhiều khó khăn  
khi phát triển và áp dụng trong điều kiện cụ thể của Việt Nam. Sự khác 
biệt này xuất phát từ  một số  yếu tố  quan trọng bao gồm cả  yếu tố 
khách quan và yếu tố  chủ  quan. Thứ  nhất, đó là các nghiên cứu về  bài 

toán nhận dạng thường tập trung vào các phương tiện giao thông phổ 
biến tại các nước phát triển với đa số  phương tiện sử  dụng cho thực  
nghiệm   là   xe   ô  tô,   xe   buýt   và  tàu   điện   ngầm   mà   ít   khi   xét   đến   các 
phương tiện thô sơ. Trong khi đó, hệ  thống giao thông đô thị  tại các  
nước đang phát triển hoặc chậm phát triển, trong đó có Việt nam, các 
phương tiện giao thông được người dân sử dụng chủ yếu vẫn là xe máy 
và xe đạp cùng một số phương tiện công cộng khác. Hơn thế nữa, phần 
lớn các nghiên cứu trước đây thực hiện trong điều kiện hạ  tầng giao  
thông ổn định hơn so với tính đa dạng điều kiện giao thông như ở Việt 
Nam. Thứ hai, về yếu tố chủ quan đó là văn hóa và thói quen di chuyển  
của người dân khi tham gia giao thông. Với những phương tiện như ô tô 
hay xe buýt trong các nghiên cứu, dữ liệu cảm biến được thu thập trong 
điều kiện phương tiện di chuyển trên các làn đường riêng, hoặc hay 
đường chạy xác định trước. Điều kiện này không thể  thực hiện được 
với hiện trạng giao thông đô thị của Việt Nam. Tất cả những yếu tố cơ 
bản kể  trên là những lý do giải thích tại sao cần có các nghiên cứu mô  


hình nhận dạng hành vi giao thông phù hợp với tính chất đặc thù tại 
Việt Nam. 
Để hỗ trợ  được người tham gia giao thông, một trong những mục  
đích quan trọng, cấp thiết của mô hình phát hiện hành vi đó là khả năng 
phát hiện được các hành vi giao thông bất thường. Các nghiên cứu về 
vấn đề này thường tập trung vào phương tiện ô tô; các phương tiện có 
những thiết kế, đặc tính khác nhau nên rất khó có một mô hình phù hợp 
với tất cả  các loại phương tiện khác nhau. Các nghiên cứu này cũng 
thường sử  dụng hướng tiếp cận kết hợp nhiều loại cảm biến để  thu 
thập, phân tích dữ liệu cho quá trình nhận dạng. Bên cạnh các cảm biến  
chuyển động thì các cảm biến khác như  GPS, camera hình ảnh và cảm  
biến âm thanh cũng có thể  được sử  dụng nhằm nâng cao độ  chính xác 

trong nhận dạng các hành vi bất thường khi lái xe. Việc sử  dụng đồng 
thời nhiều dữ liệu cảm biến cùng một thời điểm dẫn đến tiêu tốn nhiều 
năng lượng của điện thoại thông minh và khó có thể áp dụng trong thực 
tế.   Hướng  tiếp   cận   lựa   chọn  thu   thập,   phân   tích   dữ   liệu   cảm   biến 
chuyển động như cảm biến gia tốc sẽ có mức tiêu tốn năng lượng thấp 
nhất nhưng cần phải xây dựng một mô hình phù hợp để  đảm bảo độ 
chính xác nhận dạng trên các loại phương tiện giao thông khác nhau. 
Một trong những giải pháp căn cốt cho vấn đề  này đó là cần xác định,  
lựa chọn được tập thuộc tính đặc trưng phù hợp cho các loại phương 
tiện, thể  hiện rõ đặc trưng của hành vi sao cho nhận dạng, phát hiện 
không làm tăng độ phức tạp tính toán của mô hình mà vẫn đảm bảo kết 
quả phát hiện hành động, hành vi bất thường.
Với mong muốn xây dựng mô hình phát hiện và đoán nhận hành vi 
bất thường sử dụng cảm biết gia tốc của điện thoại thông minh, chúng 
tôi chọn đề tài: “Nhận dạng hành vi của người tham gia giao thông dựa  
trên cảm biến điện thoại” làm đề  tài nghiên cứu trong khuôn khổ  luận 
án tiến sĩ chuyên ngành Hệ  thống  Thông tin nhằm giải quyết một số 
vấn đề đã đặt ra. 


Mục tiêu của luận án

Mục tiêu chính của Luận án tập trung vào phân tích dữ  liệu cảm  
biến thu được từ điện thoại của người tham gia giao thông nhằm nhận  
dạng được các hành vi giao thông bất thường.
Để giải quyết được mục tiêu của Luận án, chúng tôi tập trung vào 
giải quyết các vấn đề chính sau: 
Khảo sát các kỹ  thuật phân tích dữ  liệu trong và ngoài nước. Tìm 
hiểu các kỹ thuật thu thập và biến đổi dữ liệu áp dụng cho các loại cảm 
biến khác nhau, trong đó tập trung vào cảm biến gia tốc có mức tiêu thụ 

năng lượng thấp nhằm tìm ra tập thuộc tính đặc trưng phù hợp cho hệ 
thống nhận dạng hành động và hành vi.
Xây dựng hệ  thống nhận dạng hành động giao thông cơ  bản (đi 
thẳng, dừng, rẽ  trái, rẽ  phải) của người điều khiển phương tiện dựa  
trên dữ liệu cảm biến gia tốc được biến đổi từ tập thuộc tính lựa chọn.
Dựa trên hệ thống nhận dạng hành động, nghiên cứu, đề xuất giải  
pháp phát hiện hành vi giao thông bất thường, chủ  yếu là với phương  
tiện xe máy. Trong một thời gian ngắn tương ứng với một hành động cơ 
bản xảy ra, nếu phát hiện thấy có các hành động sai khác xảy ra thì xác  
định là một hành vi bất thường. Sự bất thường được đánh giá bằng việc 
phân đoạn cửa sổ hành động giao thông cơ bản thành các cửa sổ dữ liệu 
có kích thước nhỏ hơn rồi so sánh nhãn hành động nhận dạng được của  
các cửa sổ này so với nhãn của hành động giao thông cơ bản đó để  xác 
định sự bất thường hay bình thường dựa trên việc so sánh tỉ  lệ  sai khác 
với một tỉ lệ cho trước
Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của Luận án là phân tích, nhận dạng hành 
vi, hành vi giao thông  bất thường của người  điều khiển phương tiện. 
Dựa trên cảm biến gia tốc thu được từ  điện thoại thông minh của các  
đối tượng sử  dụng phương tiện  để  đưa ra giải pháp  nhận dạng  hành 


động cơ bản làm cơ sở cho nhận dạng hành vi giao thông bất thường ở 
đô thị của Việt Nam.
Phương pháp nghiên cứu

Luận án sử  dụng các phương pháp khảo sát, tổng hợp, phân tích 
thông tin cần thiết; tham khảo, đánh giá các nghiên cứu liên quan để  từ 
đó tìm ra hướng giải quyết vấn đề. Xác định rõ đối tượng và phạm vi 

nghiên cứu để từ đó xây dựng mô hình nhận dạng hành động và hành vi 
giao thông.
Khảo sát các kỹ thuật thu thập, xử lý dữ liệu cảm biến, phân tích 
các đặc điểm của phương tiện, hành động giao thông để từ  đó đề xuất  
giải pháp nhận dạng hành động, hành vi giao thông bất thường dựa trên 
cảm biến thu được. Phương pháp phân tích sử dụng lý thuyết và chứng 
minh bằng thực nghiệm được áp dụng để  thực hiện yêu cầu bài toán 
đặt ra
Đóng góp của luận án

Đóng góp thứ  nhất của luận  án: là đề  xuất tập thuộc tính đặc 
trưng dựa trên miền thời gian và miền tần số  nhằm biến đổi dữ  liệu  
cảm biến thành dữ liệu đặc trưng phục vụ cho nhận dạng hành động và 
hành vi bất thường. Kết quả  đọ  đo phân lớp dữ  liệu được sử  dụng để 
đánh giá, lựa chọn tập thuộc tính. Trong đó, sử dụng tham số Hjorth cho 
các đại lượng khác nhau nhằm thu được các thuộc tính phù hợp để biến 
đổi dữ liệu cảm biến thành dữ liệu đặc trưng. Tập thuộc tính đặc trưng 
phù hợp sẽ  sử dụng làm cơ  sở  cho việc xây dựng hệ  thống nhận dạng 
bằng phương pháp phân lớp [CT2], [CT4].
Khảo sát, lựa chọn kích thước cửa sổ  và tỉ  lệ  chồng dữ  liệu để 
phân tích tìm ra các giá trị  tương  ứng, phù hợp với các hành động. Qua  
đó, hỗ  trợ  hệ  thống nhận dạng các hành động giao thông có hiệu quả 
hơn [CT1], [CT2], [CT4]. Kết quả  nhận dạng bằng hệ thống đề  xuất 
cao hơn so với một số nghiên cứu đã được công bố đã có [CT4].


Đóng góp thứ hai của luận án: đề xuất giải pháp phát hiện hành vi 
giao thông bất thường theo một hướng tiếp cận mới, hướng tiếp cận  
này dựa trên kết quả  nhận dạng hành động cơ  bản. Trong thời gian 
ngắn mà một hành động cơ bản xảy ra, nếu hệ thống nhận dạng được 

chuỗi các hành động bất thường thì xác định đây là hành vi bất thường. 
Các giải pháp, kết quả  thu được của luận án được trình bày trong 4  
công trình đã được công bố. Trong đó có 1 bài báo quốc tế  có chỉ  số 
SCIE; 3 bài báo hội nghị  quốc tế  có phản biện và có chỉ  số   Scopus 
được thể hiện ở các công trình [CT1], [CT2], [CT3] và [CT4].
Bố cục của luận án

Ngoài phần mở đầu, mục lục, kết luận và tài liệu tham khảo, nội 
dung chính của luận án được chia thành 3 chương, cụ thể như sau:
Chương 1: Giới thiệu một số  khái niệm  cơ  bản  về  hành động, 
hành vi giao thông và bài toán nhận dạng hành vi giao sử  dụng dữ liệu 
cảm biến.
Chương 2: Xây dựng hệ thống nhận dạng hành động giao thông cơ 
bản dựa trên cảm biến điện thoại.
Chương 3: Dựa trên kết quả  của hệ thống nhận dạng hành động, 
đề xuất giải pháp nhận dạng hành vi giao thông, hành vi bất thường. 


1.

TỔNG QUAN VỀ PHÂN TÍCH HÀNH VI

1.1 Giới thiệu

Cảm biến thu được từ điện thoại được dùng phân tích trong nhiều 
bài toán khác nhau. Trong đó có bài toán nhận dạng hành vi.   Vì điện 
thoại thông minh được sử  dụng cho nhiều mục đích cá nhân khác nhau 
cũng như  có giới hạn về  năng lượng, sự  đa dạng về  chủng loại, chất 
lượng của thiết bị  phần cứng dẫn đến yêu cầu cần phải xây dựng hệ 
thống, giải pháp phân tích, phát hiện hành động, hành vi sao cho phù hợp 

là một bài toán đặt ra cần được giải quyết.
1.2 Một số khái niệm cơ bản
1.2.1

Hành động giao thông

Hành động giao thông là việc người điều khiển thay đổi trạng thái 
của phương tiện trong quá trình tham gia giao thông[10].
1.2.2

Hành vi giao thông

Hành vi giao thông là sự biểu hiện thay đổi trạng thái của phương 
tiện theo những cách thức, mức độ, tính chất khác nhau trong quá trình 
lưu thông [10][11][12] [13].  
1.3 Sử dụng dữ liệu cảm biến để phân tích hành vi

Cảm biến điện thoại thông minh hiện nay ngày càng đa dạng. Khi 
sử  dụng kết hợp nhiều cảm biến sẽ  làm tiêu hao năng lượng nên lựa 
chọn cảm biến gia tốc có ưu điểm tốn ít tài nguyên của thiết bị để xây 
dựng hệ thống là một trong hướng tiếp cận phù hợp đáp ứng được yêu 
cầu của bài toán phân tích, nhận dạng hành vi giao thông dựa trên điện 
thoại thông minh  của người điều khiển phương tiện mang theo  trong 
điều kiện, môi trường giao thông đô thị Việt Nam.


1.4 Một số nghiên cứu liên quan

Các nghiên cứu công bố  gần đây đã chỉ  ra hiệu quả  của việc kết 
hợp nhiều loại cảm biến khác nhau trong bài toán phân tích hành vi. Tuy 

nhiên, việc chỉ  sử  dụng dữ  liệu cảm biến gia tốc sẽ  phù hợp với các 
điện thoại phổ biến và ít tiêu hao năng lượng. Cũng như hướng tiếp cận 
sử dụng tập đặc trưng và phương pháp phân lớp cho dạng bài toán này.
1.5 Phương pháp nhận dạng hành vi giao thông dựa trên cảm biến

 Từ  những vấn đề  trên chúng tôi đề  xuất phương phân tích, pháp 
nhận dạng hành vi giao thông bất thường dựa trên cảm biến gia tốc như 
Hình  1  dưới đây:
Hình  1. Hệ thống phân tích hành vi bất thường
1.6 Kết luận

Trong chương này, chúng tôi đã tìm hiểu, khảo sát các nghiên cứu 
liên quan đến bài toán nhận dạng hành vi. Làm rõ một số khái niệm cơ 
bản   về   hành   động,   hành   vi,   hành   vi   bất   thường   trong   lĩnh   vực   giao 
thông.  Tìm hiểu phương pháp, kỹ  thuật phân tích, nhận dạng  hành vi, 
đặc biệt là hướng tiếp cận sử dụng dữ liệu cảm biến điện thoại thông 
minh thu được của người điều khiển phương tiện


2.

NHẬN DẠNG HÀNH ĐỘNG GIAO THÔNG

2.1 Giới thiệu

Trong chương này, Luận án tập trung vào việc xây dựng hệ  thống 
nhận dạng hành động cơ  bản của các đối tượng điều khiển phương  
tiện giao thông dựa trên tín hiệu cảm biến thu được từ điện thoại mang  
theo. Hướng tiếp cận sử dụng biến đổi dữ liệu cảm biến thô thành dữ 
liệu đặc trưng áp dụng kỹ  thuật cửa sổ dữ  liệu với tập thuộc tính đặc 

trưng được khảo sát và lựa chọn. Sau đó, nhận dạng bằng phương pháp 
phân lớp.
2.2 Sử dụng dữ liệu cảm biến để nhận dạng hành động giao thông

Sử dụng tín hiệu cảm biến của điện thoại mang theo để phân tích, 
nhận dạng ngày càng được phổ  biến và sử  dụng với các yêu cầu khác 
nhau trong nhiều hệ thống thông minh. Một số hướng nghiên cứu đã sử 
dụng cảm biến hình  ảnh thu được từ  camera hoặc kết hợp nhiều cảm 
biến khác nhau để nhận dạng hành động. Tuy nhiên, hướng tới sự thuận 
lợi và tiết kiệm năng lượng của thiết bị. Chúng tôi  chỉ  sử  dụng thông 
tin, dữ  liệu  đầu vào là cảm biến gia tốc thu được từ  điện thoại thông 
minh mang theo của người tham gia giao thông, vị trí của điện thoại có  
thể thay đổi trong hành trình[CT2], [CT4].
2.3 Một số nghiên cứu liên quan

Đối với bài toán nhận dạng hành động giao thông, một số sự kiện,  
hành động, hành vi cơ bản của người điều khiển được thể hiện ở   công 
bố của một số nghiên cứu liên quan. Trong đó, các hành hành động, hành 
vi thường được nhận dạng với các vị  trí điện thoại được cố  định hoặc 
biết trước góc xoay so với chuyển động nhằm thu được dữ liệu mẫu ổn 
định. Ngoài phương pháp so khớp, phương pháp phân lớp cũng thường 


được sử  dụng cho bài toán này dựa trên hướng tiếp cận trích xuất đặc 
trưng.
2.4 Hệ thống nhận dạng hành động sử dụng cảm biến gia tốc
2.4.1

Một số kiến thức cơ sở

2.4.1.1
Tiền xử lý dữ liệu
Chuẩn bị  dữ  liệu là một bước quan trọng trong khai phá dữ  liệu, 
dữ liệu được chuẩn bị tốt sẽ giúp hệ thống thực hiện hiệu quả hơn [36]
[37].  Trong bài toán nhận dạng hành động giao thông sử  dụng dữ  liệu 
cảm biến từ  điện thoại sau khi tiền xử  lý, biến đổi thành dữ  liệu đặc  
trưng và nhận dạng dựa trên phương pháp phân lớp
2.4.1.2 Cửa sổ dữ liệu
Trong hệ thống nhận dạng đề xuất, cửa sổ dữ liệu được khảo sát 
nhằm chọn ra kích thước phù hợp với từng loại hành động với mục đích 
nâng cao kết quả nhận dạng được trình bày như Hình 2 2 dưới đây:
Hình 22. Phân đoạn chuỗi thành các cửa sổ dữ liệu

2.4.1.3 Biến đổ hệ tọa độ
Phương pháp biến đổi hệ  tọa độ  của thiết bị  sang hệ  tọa độ  trái  
đất cũng thường được áp dụng trong phân tích dữ  liệu cảm biến gia  
tốc[41][42] khi thiết bị  cảm biến không cố   định theo hướng chuyển 
động của phương tiện.Phương pháp  biến đổi hệ  tọa độ  của thiết bị 
cảm biến về hệ trục tọa độ của trái đất được thể hiện như 


(a)

(b)


Hình 23. (a) Hướng của điện thoại được xác định bởi hệ tọa độ (X, Y, Z). (b) Hướng di 
chuyển của phương tiện theo hệ tọa độ trái đất (X’, Y’, Z’)

2.4.1.4 Biến đổi dữ liệu đặc trưng

Trong kỹ  thuật xử  lý tín hiệu cảm biến, các thuộc tính đặc trưng  
thường được lựa chọn  dựa trên  tính chất thời gian  và  tần số  [44][45]. 
Phương pháp kết hợp thuộc tính trên các miền thường được sử dụng để 
phân tích, nhận dạng hành động, hành vi được biểu diễn như trong Hình
2 4 dưới đây [46].

Hình 24. Kết hợp biểu diễn thông tin trên miền thời gian và miền tần số [46]

2.4.1.5 Thuộc tính trên miền thời gian
Các thuộc tính trong miền thời gian có đặc điểm tính toán nhanh, 
thực hiện với các giá trị thống kê, so sánh sự khác biệt của các mẫu dữ 
liệu. Do tính chất dữ  liệu cảm biến thu được của các hành động, hành 
vi thay đổi theo thời gian.   
2.4.1.6 Thuộc tính trên miền tần số
Các kỹ  thuật miền tần số  thường được  sử  dụng để  xác định bản 
chất lặp lại của tín hiệu cảm biến. Tính lặp lại này thường tương quan 
với bản chất tuần hoàn của một  hành động, hành vi nào đó cần nhận 
dạng. 


2.4.1.7 Tham số Hjorth
Tham số Hjorth [49] là đại lượng thường được sử dụng trong phân 
tích các tín hiệu y sinh. Đại lượng này chỉ ra tính chất thống kê của một 
tín hiệu trong miền thời gian  gồm  ba loại tham số  là tính hoạt động 
(Activity), tính di động (Mobility) và độ phức tạp (Complexity).  
2.4.1.8 Phương pháp đánh giá phân lớp bằng AUC
Các phương pháp đánh giá mô hình thường được sử dụng khi đánh 
giá với mô hình phân lớp dữ  liệu đó là dựa trên ma trận nhầm lẫn. Có 
hai độ đo thường được sử  dụng để  đánh giá mô hình phân lớp đó là độ 
chính xác (Accuracy) và độ đo AUC sử dụng CV10.

2.4.2

Tập thuộc tính đặc trưng

Sự di chuyển của phương tiện giao thông làm thay đổi gia tốc nên 
các thuộc tính trong miền thời gian có ý nghĩa và hàm chứa những thông 
tin hữu ích khi phân tích các hành động, hành vi. Tập thuộc tính kết hợp 
cho nhận dạng được thể hiện như bảng dưới đây: 
Miền, tham số Hjorth

Tên tập thuộc tính

Thời gian

T2

Tần số

F2

Hjorth

H2

Thời gian +  Tần số

TF2

Thời gian + Hjorth

TH2

Thời gian + Tần số + Hojrth

TFH2

Bảng 2. Tập thuộc tính sử dụng nhận dạng

2.4.3

Đề xuất hệ thống nhận dạng hành động

Việc nhận dạng hành động, hành  vi  cần có những giải pháp, kỹ 
thuật phù hợp với yêu cầu thực tiễn của bài toán. Do vậy, chúng tôi xây 
dựng hệ thống nhận dạng như Hình 2  nhằm nhận dạng hành động giao 
thông cơ  bản (Dừng, Đi thẳng, Rẽ  trái, Rẽ  phải) được biểu diễn  như 
Hình 2 7 dưới đây: 


Hình 27. Hệ thống nhận dạng hành động giao thông

Hệ  thống nhận dạng  bao  gồm  Pha  huấn luyện để  xây dựng mô 
hình nhận dạng. Pha thứ hai: nhận dạng các hành động dựa trên dữ liệu 
cảm biến phát hiện thu được từ điện thoại của đối tượng đang tham gia 
giao thông dựa trên mô hình đã xây dựng được. Giải pháp nâng cao kết 
quả  nhận dạng thông qua lựa chọn  kích thước cửa sổ  cho từng hành 
động dựa trên độ đo AUC được trình bày trong Hình 2  8 sau đây: 

Hình 28. Thuật toán tối ưu kích thước cửa sổ và chồng dữ liệu theo AUC

Trong đó pha phát hiện với N nhãn lớp hành động khi sử dụng giải 
pháp tối ưu cửa sổ sẽ có N kích thước cửa sổ khác nhau, đồng thời cần 
phải thực hiện N lần phân lớp để xác định kết quả nhãn lớp để đưa ra 
nhãn lớp phù hợp theo Hình 2 9 như sau: 
Hình 29. Nhận dạng hành động với các kích thước cửa sổ đã được lựa chọn.

Tại một thời điểm, dữ liệu được tiền xử lý với N kích thước cửa 
sổ  tối  ưu và được nhận dạng nhãn lớp tương  ứng. Sử  dụng kỹ  thuận 
nhận dạng như trên sẽ cho kết quả nhãn lớp phù hợp với cửa sổ dữ liệu  
đầu vào.


2.5 Thực nghiệm và đánh giá
2.5.1

Môi trường thực nghiệm

Hệ  thống thu thập và phân tích dữ  liệu cảm biến của điện thoại 
được xây dựng dựa trên hệ  điều hành Android  phiên bản 4.5 đến 6.0; 
ngôn ngữ  Java  và  bộ  công cụ  WEKA [53]  để  phân tích, thực nghiệm. 
Các đối tượng  tham gia thực nghiệm  mang điện thoại  khi  điều khiển 
phương tiện hoặc ngồi sau các phương tiện do người khác điều khiển 
trong quá trình tham gia giao thông trên đường phố. Vị trí điện thoại có 
thể thay đổi tùy ý khi tiến hành thực nghiệm khi đi xe máy.
2.5.2

Dữ liệu thực nghiệm

Hệ  thống nhận dạng hành động giao thông được thực hiện   để 
nhận dạng 4 hành động cơ bản là: đi thẳng, dừng, rẽ trái và rẽ phải. Số 

lượng các mẫu thu được cho thực nghiệm được thể hiện ở bảng sau:
Hành động
Số lượng 
mẫu

Dừng
361

Đi thẳng
3797

Rẽ trái
1750

Rẽ phải
1656

Bảng 25. Tập mẫu dữ liệu đặc trưng sử dụng nhận dạng hành động giao thông cơ bản 

2.5.3

Lựa chọn tập thuộc tính

Để  đánh giá, lựa chọn  tập thuộc tính phù hợp, chúng tôi sử  dụng 
cách kết hợp các  tập thuộc tính  với nhau. Thực nghiệm với các tập 
thuộc tính trên thu được các kết quả về độ chính xác Accuracy và AUC  
như sau: 
Rando
m 
Forest

J48

Naïve 
Bayes

KNN

H2

ACC
82,39%

AUC
0,9531

ACC
65,57%

AUC
0,8881

F2

82,85%

79,16%

T2

88,79%

0,953
0
0,9730

69,90%

0,869
0
0,9213

TH2

88,39%

0,975

82,06%

0,862

SVM

ACC
65,57%

AUC
ACC
0,832 66,89%

6
54,29% 0,7970 75,99%

AUC
0,8153

ACC
65,41%

AUC
0,7273

0,8120

51,12%

0,6551

69,90% 0,8546

73,91%

70,86%

0,7506

38,19%

78,56%

0,859
6
0,840

76,45%

0,8090

0,844


88,85%

0,9752

70,60%

0
0,9134

TFH2 88,32%

0,9768

70,36%

0,9104

TF2

70,60%
70,36%

0
0,846
2
0,8479

74,08%
72,39%

0
0,8481

70,99%

0,7384

0,840
6

69,64
%

0,7384

Bảng 211, Kết quả phân lớp hành động trên các tập thuộc tính 

Kết quả  thực nghiệm  cho thấy,  tập thuộc tính  TFH2  kết hợp từ 
các tập thuộc tính khác cho kết quả cao nhất. Thực nghiệm với dữ liệu 

đã biến đổi hệ tọa độ thu được kết quả ở bảng sau:
DL thô
DL­ CT

RF
AUC

J48
ACC

NB
AUC

0,97676
0,98541

88,32%
90,97%

0,910449
0,95921

KNN
ACC
85,55%
89,94%

AUC

ACC

0,84794
0,94450

70,36%
86,05%

SVM
AUC
ACC
0,84058
0,93778

72,39%
86,40%

AUC

ACC

0,73837
0,81313

69,64%
74,87%

Bảng 212. Kết quả so sánh dữ liệu thô và dữ liệu đã biến đổi hệ tọa độ

Kết quả thực nghiệm cho thấy, sau khi chuyển trục, kết quả nhận 
dạng hành động thu được cao hơn so với kết quả sử dụng dữ liệu thô ở 

trên cả  5 thuật toán  nên dữ  liệu chuyển trục được sử  dụng cho nhận 
dạng hành động và hành vi giao thông.
2.5.4

Khảo sát thuật toán phân lớp

Thực nghiệm cũng được tiến hành bằng dữ liệu thô trên các thuật 
toán thường được sử  dụng trong phân tích hành động người là Random  
Forest, Naïve Bayes, J48, KNN và SVM với các giá trị mặc định thường 
dùng cho mỗi thuật toán với phương pháp kiểm chứng chéo CV10 cho 
kết quả như trong hình dưới đây:
Hình  21. Kết quả phân lớp với các thuật toán khác nhau

Qua thực nghiệm này chúng tôi lựa chọn được thuật toán RF là phù 
hợp cho hệ thống nhận dạng.
2.5.5

Xây dựng dữ liệu huấn luyện

Thực nghiệm tiến hành trên tập thuộc tính TFH2 cùng với và kết 
quả phân lớp sử dụng thuật toán rừng ngẫu nhiên tìm ra kích thước cửa 
sổ  khảo sát trong khoảng từ  1 giây, đến 6 giây được sử  dụng với mục  
đích tìm ra kích thước cửa sổ phù hợp nhất đối trên từng nhãn lớp. Kết 
quả  thu được là bộ  tham số  kích thước cửa sổ  và chồng dữ  liệu được  
thể hiện ở Bảng 2 17 dưới đây:


S
4
75%

0,999422

Hành động
Của sổ (giây)
Chồng dữ liệu
AUC

G
6
75%
0,992828

L
5
50%
0,996841

R
6
50%
0,987251

Bảng 217. Kích thước cửa sổ được tối ưu theo độ đo AUC

Để đánh giá kết quả nhận dạng với tập dữ liệu đặc trưng có được 
với dữ liệu đã chuyển trục và xây dựng được từ tập dữ liệu huấn luyện  
với kích thước đã tối ưu sử dụng phương pháp kiểm chứng chéo CV10  
trên hai tập TF2 và TFH2 thu được kết quả ở Bảng 2 18 dưới đây: 
RF

 
 

ACC

TF2

95,78%

TFH2

98,95%

J48
AUC

NB
ACC

0,998550
0,999852

KNN
AUC

SVM
ACC

AUC

ACC

AUC

ACC

AUC

94,78%

0,978238

90,44%

0,967257

92,04%

0,965410

80,40%

0,836312

98.38%

0,995950

95,25%

0,989185

95,73%

0,982722

83,35%

0,850271

Bảng 218. Kết quả phân lớp với tham số tối ưu trên hai tập TF2 và TFH2

Từ  kết quả  trên cho thấy, khi bổ  sung tham số  Hjorth vào tập 
thuộc tính TF2 ta thu được tập thuộc tính TFH2 mới cho kết quả độ đo 
Accuracy lớn hơn độ  đo trên tập TF2 cùng một thuật toán phân lớp RF 
được lựa chọn là 3,17% và giá trị độ đo AUC lớn hơn là 0,0013.
2.5.6

Đánh   giá   hệ   thống   đề   xuất   so   với   một   số   nghiên   cứu   hiện  
tại[CT4].

Để  đánh giá hệ  thống nhận dạng được đề  xuất, qua tìm hiểu thu 
thập, chúng tôi tiến hành thực nghiệm đánh giá hệ thống dựa trên tập dữ 
liệu được thu thập bởi công ty HTC của Đài Loan được công bố  trong 
[56]. Thực nghiệm so sánh phương pháp chúng tôi đề  xuất so với một 
số nghiên cứu trên cùng tập dữ liệu này thể hiện ở bảng dưới đây:
Kết quả phân lớp 
accuracy
Fang et al, [31] (Sử dụng KNN)
83,57%

Guvensan et al [32], (Sử dụng RF)
91,63%
Phương pháp đề xuất (sử dụng RF)
97,33%
Bảng 219. Kết quả so sánh tập thuộc tính với các phương pháp khác trên cùng bộ dữ liệu 
HTC [56] [CT4]
Nghiên cứu


2.6 Kết luận

Trong chương này chúng tôi đề xuất hệ thống nhận dạng để thực 
hiện nhận dạng hành động giao thông cơ  bản là {Dừng, Đi thẳng, Rẽ 
trái, Rẽ  phải} dựa trên cảm biến gia tốc thu được từ  điện thoại thông 
minh của người sử  dụng phương tiện   khi  vị  trí  điện thoại  không cố 
định. Lựa chọn được tập thuộc tính TFH2 và thuật toán RF cho nhận 
dạng hành động. Thực nghiệm với hệ thống đề  xuất cũng cho kết quả 
cao hơn so với một số công bố đã có trên cùng một tập dữ liệu.


3.

NHẬN DẠNG HÀNH VI BẤT THƯỜNG

3.1 Giới thiệu

Luận án đã tìm hiểu, khảo sát các kỹ  thuật phân tích dữ  liệu cảm 
biến sử dụng cho bài toán nhận dạng hành vi. Từ đó, đề xuất giải pháp 
nhận dạng ra hành vi bất thường dựa trên hệ  thống nhận dạng hành 
động đã được trình bày trong chương 2, 

3.2 Bài toán nhận dạng hành vi bất thường
3.2.1

Nhận dạng bất thường

3.2.1.1 Dữ liệu bình thường và bất thường
Một dữ  liệu bất thường là  một  dạng  mẫu  mà nó khác với định 
nghĩa của mẫu dữ liệu bình thường. Tuy nhiên, trong thực tế  việc định 
nghĩa một mẫu bất thường khó hơn  rất nhiều so  với việc định nghĩa 
mẫu bình thường. Do đó, một trong những hướng tiếp cận và định nghĩa 
một mẫu bất thường phổ  biến đó là dựa vào định nghĩa của mẫu bình 
thường.
3.2.1.2 Một số kỹ thuật gán nhãn bất thường
Nhãn của dữ  liệu thường được gán bởi các chuyên gia trong lĩnh 
vực đó. Gán nhãn bất thường khó hơn rất nhiều so với việc gán nhãn 
bình thường. Do nhãn bất thường luôn thay đổi và phát sinh nên rất khó 
gán nhãn từ  tập  dữ  liệu  huấn luyện.  Một số  kỹ  thuật  nhận dạng  bất 
thường cơ  bản sử dụng phương pháp gán nhãn được chia thành 3 dạng 
cơ  bản đó là[58][59]:  Dạng 1: Phát hiện bởi phương pháp có giám sát. 
Dạng 2: Phát hiện bất thường sử dụng phương pháp bán giám sát. Dạng 
3: Sử dụng phương pháp phát hiện bất thường không giám sát.


3.2.1.3 Phương pháp đánh giá nhận dạng bất thường
Do sự khó khăn về xác định tính chất bất thường và tính chất bình 
thường cũng như áp dụng các phương pháp gán nhãn bất thường cho dữ 
liệu. Việc đánh giá hệ  thống phát hiện bất thường được thiết kế  cho  
từng miền, lĩnh vực khác nhau và phổ biến ở hai dạng sau[58]: Đánh giá 
dựa vào kỹ thuật cho điểm và đánh giá dựa vào kỹ thuật gán nhãn..
3.2.2

Sử dụng cảm biến điện thoại để nhận dạng hành vi bất thường 

Các đối tượng tham gia giao thông chịu  nhiều tác động  từ  chính 
yếu tố  tâm lý cá nhân cũng như  các yếu tố  bên ngoài như hạ  tầng giao 
thông, yếu tố  môi trường, đặc tính của phương tiện và cả  hiện trạng 
giao thông trong từng thời điểm.  Hướng tiếp cận sử  dụng cảm biến 
điện thoại để  nhận dạng hành vi bất thường đang được cộng đồng các 
nhà nghiên cứu quan tâm. Tuy nhiên, sử dụng chỉ mình cảm biến gia tốc  
để  nhận dạng hành vi được chúng tôi lựa chọn thực hiện trong đề  tài  
nghiên cứu này. Với giải pháp nhận dạng hành vi bất thường là: Nếu 
chuỗi hành động xảy ra trong khoảng một thời gian ngắn có sự sai khác 
so với thời gian một hành động cơ  bản tương  ứng xảy ra thì xác định  
đây là một hành vi bất thường.
3.3 Một số nghiên cứu liên quan

Các phương pháp, kỹ thuật phát hiện hành vi bất thường trong các 
nghiên cứu trên gặp phải vấn đề  khó khăn đó là làm thế  nào để  xác 
định, thu thập các mẫu dữ liệu bất thường, trong khi dữ liệu cảm biến  
gia tốc có nhiều nhiễu từ thiết bị cũng như vị trí điện thoại. Do vậy,  để 
vượt qua được việc phụ  thuộc vào mẫu dữ  liệu bất thường, chúng tôi 
đề  xuất hướng tiếp cận mới để  có thể  xác định hành vi giao thông bất 
thường dựa trên phân tích chuỗi các hành động trong khoảng thời gian 
ngắn tương ứng một hành động cơ bản diễn ra.


3.4 Giải pháp nhận dạng hành vi bất thường dựa trên hệ thống 
nhận dạng hành động
3.4.1

Một số kỹ thuật nhận dạng hành vi bất thường

3.4.1.1 Kỹ thuật so khớp DTW
Kỹ thuật so khớp thường sử dụng để  tìm sự  tương đồng giữa hai 
chuỗi.  Chúng tôi sử  dụng phương pháp này để  phát hiện hành vi bất 
thường dựa trên cảm biến gia tốc được mô tả như Hình 3  dưới đây:

Hình 3. Sử dụng DTW để phát hiện hành vi bất thường

3.4.1.2 Phân lớp dữ liệu với RF và kỹ thuật học sâu
Thuật toán RF và kỹ  thuật học sâu được phát triển dựa trên ANN 
đang được nhiều sự quan tâm của cộng đồng nghiên cứu. Do vậy, chúng 
tôi sử  dụng bộ  phân lớp Dl4jMlpClassifier được tích hợp trong gói học 
sâu WekaDeeplearning4J để nhận dạng hành vi của người tham gia giao 
thông   với  tập   dữ   liệu   huấn   luyện   được   gán   nhãn   bình   thường/   bất 
thường. Phương pháp này được thực hiện như mô tả của hình dưới đây: 


Hình 3. Phát hiện bất thường sử dụng 

3.4.2

Giải pháp đề  xuất nhận dạng hành vi bất thường dựa trên hệ 
thống nhận dạng hành động

Các kỹ  thuật trên gặp sự  khó khăn chung đó là sự  phụ  thuộc vào 
cách xác định và thu thập mẫu dữ  liệu  hành vi  bất thường.  Do vậy, 
chúng tôi đề xuất giải pháp nhận dạng hành vi như hình dưới đây:

Hình 3.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 được thực hiện dựa trên dữ  liệu huấn luyện với 
mục đích tìm ra bộ  tham số  cho kết quả  nhận dạng hành vi tốt nhất: 
tương  ứng với ; và n là số  các bộ  giá trị   tham gia thực hiện trong pha  
huấn luyện. 
­ Trong Pha nhận dạng, sử dụng các tham số   đã nhận được từ Pha 
huấn luyện để  thực hiện các bước thực hiện nhận dạng hành vi được  
mô tả như trong Hình 3  sau đây:


Hình 3. Phát hiện hành vi bất thường dựa trên hành động giao thông cơ bản

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 như trong chương 2.
3.5.2

Dữ liệu thực nghiệm

Thực nghiệm thực hiện với phương tiện đặc thù, phổ  thông là 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.   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  sau: