Tổng quan về luận án

Luận án này giải quyết nhu cầu cấp thiết về hệ thống định vị trong nhà (Indoor Positioning Systems - IPS) hiệu quả và chính xác, một lĩnh vực đang chứng kiến sự tăng trưởng đáng kể về giá trị thương mại và ứng dụng, với doanh thu thị trường dịch vụ dựa trên vị trí trong nhà (Indoor Location-based Services - ILBS) dự kiến đạt 24 triệu USD vào năm 2027 từ mức 8,7 triệu USD năm 2022, với tốc độ tăng trưởng lũy kế hàng năm là 22,4% (marketsandmarkets.com). Trong bối cảnh khoảng 6,5 tỷ người dùng điện thoại thông minh trên toàn cầu vào năm 2022 và phần lớn hoạt động trong nhà, các giải pháp định vị chính xác là nền tảng cho các ứng dụng từ quản lý kho bãi, hướng dẫn mua sắm, theo dõi bệnh nhân đến an toàn khẩn cấp. Mặc dù các hệ thống định vị ngoài trời như GPS cung cấp độ chính xác cao (1-5m [3]), tín hiệu của chúng suy giảm nghiêm trọng trong môi trường trong nhà [4]. Luận án tiên phong trong việc khai thác dữ liệu sóng WiFi, một công nghệ phổ biến và tiết kiệm chi phí, để vượt qua những hạn chế này, đặc biệt thông qua phương pháp fingerPrinting.

Research gap cụ thể mà luận án hướng tới nằm ở việc nâng cao hiệu quả và độ chính xác của phương pháp fingerPrinting, vốn đang phải đối mặt với những thách thức đáng kể từ sự không ổn định của cường độ tín hiệu nhận được (Received Signal Strength - RSS). "Thách thức đáng kể nhất của phương pháp fingerPrinting chính là sự không ổn định của RSS" [1]. Sự biến động này do hiệu ứng đa đường (multi-path effect) và suy giảm tín hiệu (signal attenuation) gây ra bởi các vật cản trong nhà [31–39], làm tăng chi phí tính toán, giảm tốc độ xử lý, và đặc biệt là suy giảm độ chính xác định vị [33, 37, 40]. Ba khoảng trống nghiên cứu chính được xác định:

  1. Lựa chọn AP: Các phương pháp lựa chọn điểm truy cập (Access Point - AP) hiện có dựa trên RSS thường bỏ qua các AP có RSS thấp, có thể "lãng phí" dữ liệu tiềm năng do RSS của cùng một AP có thể khác nhau ở các thời điểm khác nhau do hiệu ứng đa đường [54].
  2. Phân cụm cơ sở dữ liệu: Các phương pháp phân cụm như K-mean và phân cụm lan truyền độ tương đương (Affinity Propagation Clustering - APC) có nguy cơ chọn sai cụm, đặc biệt khi vị trí thực tế nằm giữa các cụm hoặc khi giá trị RSS online thay đổi [54, 65].
  3. Mô hình học máy: Mặc dù học máy (Machine Learning - ML) cải thiện hiệu quả, việc chỉ sử dụng một thuật toán hoặc mô hình học máy tổng hợp/kết hợp (Ensemble Learning Model - ELM) có thể không khai thác hết tiềm năng của các thuật toán khác, hoặc đối mặt với vấn đề quá khớp (overfitting) [89].

Để giải quyết các khoảng trống này, luận án đề xuất các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Làm thế nào để cải thiện khả năng dự đoán chính xác vị trí của phương pháp fingerPrinting truyền thống bằng cách biến đổi giá trị RSS thông qua phương pháp lựa chọn AP và phương pháp chọn cụm?
    • H1.1: Phương pháp lựa chọn AP đề xuất, có tính đến sự biến động của RSS, sẽ tăng độ chính xác của hệ thống định vị so với các phương pháp lựa chọn AP truyền thống.
    • H1.2: Phương pháp chọn cụm đề xuất sẽ giảm sai lệch vị trí định vị bằng cách đảm bảo các vị trí lân cận được chọn bởi thuật toán KNN không quá xa nhau.
  2. RQ2: Làm thế nào để tăng hiệu quả và độ chính xác của phương pháp fingerPrinting dựa trên học máy bằng một mô hình học máy hai giai đoạn, trong đó kết quả huấn luyện của giai đoạn trước được dùng để sinh dữ liệu huấn luyện cho giai đoạn thứ hai?
    • H2.1: Mô hình học máy hai giai đoạn đề xuất sẽ đạt được hiệu suất định vị cao hơn và giảm nguy cơ quá khớp so với các mô hình học máy độc lập hoặc mô hình học máy tổng hợp truyền thống.

Khung lý thuyết của luận án được xây dựng dựa trên lý thuyết truyền sóng vô tuyến trong môi trường phức tạp, lý thuyết học máy cho phân loại và hồi quy, và lý thuyết về hệ thống định vị dựa trên cường độ tín hiệu. Nó sử dụng các lý thuyết cụ thể như:

  • Lý thuyết suy giảm tín hiệu và hiệu ứng đa đường: Giải thích sự biến động của RSS trong môi trường trong nhà [31–39].
  • Lý thuyết Bayes (Naive Bayes - NB): Được sử dụng trong một số thuật toán phân loại [80].
  • Lý thuyết về cây quyết định (Decision Tree - DT) và rừng ngẫu nhiên (Random Forest - RF): Cung cấp cơ sở cho các mô hình phân loại và hồi quy mạnh mẽ [73, 74].
  • Lý thuyết máy học có giám sát (Supervised Learning): Nền tảng cho các thuật toán như k Hàng xóm gần nhất (K-Nearest Neighbors - KNN), Máy hỗ trợ vector (Support Vector Machines - SVM), Hồi quy tuyến tính (Linear Regression - LiR), Hồi quy Logistic (Logistic Regression - LR), và Máy tăng cường độ dốc nhẹ (Light Gradient Boosted Machine - LightGBM) được sử dụng để dự đoán vị trí [38, 40, 68–81].
  • Lý thuyết phân cụm (Clustering Theory): Áp dụng cho K-mean và APC để tổ chức cơ sở dữ liệu fingerPrinting [55–64].

Luận án đưa ra những đóng góp đột phá với tác động có thể định lượng:

  1. Cải thiện độ chính xác lựa chọn AP: Đề xuất một phương pháp lựa chọn AP mới, được chứng minh qua thử nghiệm thực tế là "độ chính xác của hệ thống định đã tăng lên so với phương pháp lựa chọn AP trước đó" [CT3, CT4]. Điều này dẫn đến sự tối ưu hóa việc sử dụng dữ liệu sóng WiFi, giảm "lãng phí" AP tiềm năng.
  2. Kiến thức mới về phân bố dữ liệu: Mặc dù phương pháp chọn cụm chưa đạt kết quả mong đợi, luận án đã rút ra "một bài học quan trọng về phân bố các vị trí/tham chiếu và mật độ AP trên các khu vực khác nhau của môi trường trong nhà" [CT3, CT4]. Đây là đóng góp lý thuyết quan trọng, định hướng các nghiên cứu trong tương lai về thiết kế cơ sở dữ liệu fingerPrinting.
  3. Mô hình học máy hai giai đoạn đột phá: Phát triển một mô hình học máy hai giai đoạn độc đáo, sử dụng kết quả huấn luyện từ giai đoạn đầu để "tăng cường dữ liệu chất lượng hơn cho bộ dữ liệu huấn luyện của mô hình học máy giai đoạn hai nhằm nâng cao hiệu quả định vị của hệ thống" [CT2, Journal of Computer Science and Cybernetics]. Mô hình này vượt qua các hạn chế của mô hình đơn lẻ và ELM truyền thống, giảm thiểu quá khớp và tận dụng tối đa sức mạnh của nhiều thuật toán.
  4. Hiệu quả đã được chứng minh của mô hình hai giai đoạn: Kết quả thực nghiệm trên bộ dữ liệu công cộng UJIIndoorLoc [90] cho thấy mô hình này là "một phương pháp học máy hiệu quả" [CT2, Journal of Computer Science and Cybernetics] cho cả bài toán phân lớp dự đoán tòa-tầng và ước lượng vị trí chính xác (kinh độ, vĩ độ).

Phạm vi nghiên cứu bao gồm việc tập trung vào cường độ tín hiệu nhận được (RSS) của sóng WiFi để định vị trong nhà. Luận án nghiên cứu các phương pháp lựa chọn RSS của AP, các phương pháp phân cụm, và các thuật toán học máy nhằm nâng cao hiệu quả định vị trong nhà bằng phương pháp fingerPrinting. Các thử nghiệm được tiến hành trên một môi trường thực tế tự xây dựng (khoảng 250m² với các điểm tham chiếu 40x40cm) và trên bộ dữ liệu công cộng đa tòa, đa tầng UJIIndoorLoc [90]. Nghiên cứu có ý nghĩa lớn trong việc thúc đẩy các dịch vụ dựa trên vị trí trong nhà, tối ưu hóa trải nghiệm người dùng và hiệu quả quản lý trong nhiều lĩnh vực công nghiệp và xã hội.

Literature Review và Positioning

Luận án thực hiện tổng hợp sâu rộng các luồng nghiên cứu chính về định vị trong nhà dựa trên WiFi, đặc biệt nhấn mạnh các phương pháp dựa trên Thời gian đến (ToA) [24], Góc đến (AoA) [25], Chênh lệch thời gian đến (TDoA) [26], Tiệm cận [27], và đặc biệt là phương pháp fingerPrinting [28]. Các nghiên cứu tiên phong như RADAR của Microsoft (2000) [68] đã chứng minh tiềm năng của KNN trong fingerPrinting, đạt độ chính xác trung bình khoảng 3m với 75% trường hợp, lỗi định vị dưới 4.7m.

Trong lĩnh vực fingerPrinting, nhiều nghiên cứu đã tập trung vào việc xử lý các thách thức của RSS không ổn định. Về lựa chọn AP, các phương pháp dựa trên độ lớn của RSS được khám phá bởi Fong-Mao Jhuang và cộng sự [112], Feng Chen và cộng sự [114] sử dụng tiêu chí Fisher, hay MaxMean [46] sắp xếp RSS trung bình. Tuy nhiên, một điểm tranh luận là "sau khi chọn ra các AP theo phương pháp của mình, các nghiên cứu đều bỏ qua không sử dụng các AP còn lại. Cách làm này có thể làm cho một số AP bị "loại nhầm", bởi cũng do hiệu ứng đa đường và suy giảm tín hiệu dẫn đến giá trị RSS của cùng một AP thu được tại cùng một vị trí ở các thời điểm khác nhau có thể khác nhau" [54]. Điều này tạo ra một khoảng trống về việc tối ưu hóa lựa chọn AP để không "lãng phí" dữ liệu.

Về phương pháp phân cụm, Swangmuang [116] và Seyed Alireza Razavi [57] đã sử dụng K-mean để tăng tốc độ định vị (50%) và giảm độ phức tạp tính toán. Abdullah [117] sửa đổi K-mean bằng cách áp dụng phân kỳ Bregman, đạt sai lệch trung bình 1m so với 3m của K-mean và 2.6m của APC. Các nghiên cứu như của Andrei Cramariuc và cộng sự [58], Chen Feng và cộng sự [21], Zengshan Tian và cộng sự [61] đã khám phá APC, đôi khi kết hợp với thông tin vị trí. Một mâu thuẫn chính nằm ở sự đánh giá của Torres-Sospedra và cộng sự [65], chỉ ra rằng "việc sử dụng phương pháp so sánh các RSS thu được tại vị trí cần định vị với tâm các cụm để xác định cụm có thể dẫn đến việc chọn sai cụm". Sự không ổn định của RSS do hiệu ứng đa đường và suy giảm tín hiệu [54] làm cho việc lựa chọn cụm truyền thống trở nên kém hiệu quả, tạo ra một khoảng trống cho các phương pháp chọn cụm mạnh mẽ hơn.

Trong lĩnh vực học máy, KNN đã được chứng minh hiệu quả bởi RADAR [68] và sau đó được cải tiến bởi các tác giả trong [40] bằng cách kết hợp lịch sử di chuyển, tăng hiệu quả 45%. WKNN [70] giảm sai lệch vị trí xuống 1.42m-1.61m so với 1.78m-2.18m của KNN. SVM [121, 122] cũng cho kết quả tốt, thậm chí đạt độ chính xác 93.75% trong 98.75% trường hợp thử nghiệm [72]. Các thuật toán tiên tiến hơn như RF [73, 74], LightGBM [76], LiR [38, 79], và LDA [124, 125] cũng đã được áp dụng với nhiều mức độ thành công khác nhau, với LightGBM đạt độ chính xác 90% trong phạm vi 1.53m [76]. Một tranh luận quan trọng là hiệu quả của thuật toán phụ thuộc vào môi trường, và "một thuật toán có hiệu quả cao ở môi trường này nhưng có thể lại thấp ở môi trường khác" [69, 70, 75, 76, 80, 81]. Các mô hình học máy tổng hợp (ELM) như trong [75, 82–88] đã cải thiện hiệu quả, nhưng "mô hình ELM vẫn còn tồn tại khả năng quá khớp và cách hoạt động của mô hình ELM cũng có thể bỏ qua các điểm mạnh của từng thuật toán" [Mở đầu].

Luận án này định vị mình trong lĩnh vực nghiên cứu bằng cách giải quyết trực tiếp những khoảng trống này. Thay vì chỉ chọn AP mạnh nhất, luận án đề xuất một phương pháp lựa chọn AP cân nhắc sự biến động của RSS [CT3, CT4]. Đối với phân cụm, luận án tìm kiếm một phương pháp chọn cụm mới để giảm sai lệch do lựa chọn cụm không chính xác [CT3, CT4]. Quan trọng nhất, luận án đóng góp vào lĩnh vực học máy bằng cách đề xuất "mô hình học máy gồm hai giai đoạn" [CT2, Journal of Computer Science and Cybernetics], khác biệt với các mô hình độc lập hay ELM truyền thống bằng cách tăng cường dữ liệu huấn luyện cho giai đoạn thứ hai, nhằm tận dụng tối đa hiệu quả của các thuật toán và giảm nguy cơ quá khớp.

So sánh với các nghiên cứu quốc tế:

  1. RADAR (Microsoft Research, 2000) [68]: Là một trong những hệ thống fingerPrinting tiên phong sử dụng KNN, đạt độ chính xác trung bình 3m. Luận án này tiến xa hơn bằng cách giải quyết sự không ổn định của RSS – một thách thức cốt lõi mà RADAR và các hệ thống ban đầu phải đối mặt – thông qua các giải pháp chọn AP và mô hình học máy hai giai đoạn, hướng tới độ chính xác cao hơn và sự ổn định tốt hơn trong môi trường động.
  2. Nghiên cứu của Torres-Sospedra và cộng sự (2014, 2017) [65, 118]: Các tác giả này đã nghiên cứu sâu về hiệu quả của các phương pháp phân cụm và kết hợp chọn AP. Torres-Sospedra [65] đã chỉ ra hạn chế của phương pháp chọn cụm dựa trên RSS gần tâm cụm. Luận án này thừa nhận và tìm cách khắc phục hạn chế đó bằng cách đề xuất các phương pháp chọn cụm khác và quan trọng hơn là rút ra "bài học quan trọng về phân bố các vị trí/tham chiếu và mật độ AP trên các khu vực khác nhau" [CT3, CT4], một đóng góp lý thuyết cho việc hiểu sâu hơn về thiết kế cơ sở dữ liệu fingerPrinting.
  3. Nghiên cứu về ELM trong định vị (ví dụ, [75, 82–88]): Các nghiên cứu này đã chỉ ra lợi ích của việc kết hợp nhiều thuật toán. Tuy nhiên, luận án này chỉ ra rằng ELM vẫn "tồn tại khả năng quá khớp và cách hoạt động của mô hình ELM cũng có thể bỏ qua các điểm mạnh của từng thuật toán." [Mở đầu]. Đề xuất mô hình học máy hai giai đoạn của luận án vượt qua điều này bằng cách sử dụng "kết quả huấn luyện của giai đoạn đầu để tăng cường dữ liệu chất lượng hơn cho bộ dữ liệu huấn luyện của mô hình học máy giai đoạn hai" [CT2, Journal of Computer Science and Cybernetics], một cách tiếp cận sáng tạo để khai thác sức mạnh tổng hợp của thuật toán đồng thời giảm nguy cơ quá khớp.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đưa ra những đóng góp đáng kể, mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực định vị trong nhà và học máy.

  1. Mở rộng Lý thuyết FingerPrinting: Nghiên cứu này mở rộng lý thuyết fingerPrinting truyền thống bằng cách đưa ra các phương pháp tiếp cận mới để quản lý sự không ổn định của RSS. Thay vì chỉ dựa vào độ lớn RSS đơn thuần (như MaxMean [46] hay các phương pháp của Feng Chen và cộng sự [114]), luận án đề xuất một "phương pháp lựa chọn AP" [CT3, CT4] nhằm hạn chế tác động của hiệu ứng đa đường và suy giảm tín hiệu, vốn là những yếu tố gây ra sự biến động của RSS [33, 37, 111]. Điều này làm phong phú thêm lý thuyết về tiền xử lý dữ liệu trong fingerPrinting, chuyển từ việc loại bỏ đơn giản sang lựa chọn thông minh hơn để tối đa hóa thông tin từ tín hiệu.
  2. Làm rõ Lý thuyết Phân cụm trong môi trường động: Luận án thách thức một số giả định trong lý thuyết phân cụm (như K-mean và APC) khi áp dụng cho dữ liệu RSS động. Mặc dù "kết quả thử nghiệm phương pháp chọn cụm chưa đạt được kết quả như mong đợi" [CT3, CT4], nó đã cung cấp bằng chứng thực nghiệm và rút ra "một bài học quan trọng về phân bố các vị trí/tham chiếu và mật độ AP trên các khu vực khác nhau của môi trường trong nhà" [CT3, CT4]. Điều này gợi ý rằng lý thuyết phân cụm cần được tinh chỉnh để giải quyết tốt hơn sự biến động của dữ liệu RSS và đặc điểm không gian của môi trường trong nhà, đặc biệt khi "việc sử dụng phương pháp so sánh các RSS thu được tại vị trí cần định vị với tâm các cụm để xác định cụm có thể dẫn đến việc chọn sai cụm" [65].
  3. Định hình Lý thuyết Học máy Đa giai đoạn: Đóng góp cốt lõi là đề xuất một "mô hình học máy gồm hai giai đoạn" [CT2, Journal of Computer Science and Cybernetics] giải quyết vấn đề quá khớp và khai thác sức mạnh của nhiều thuật toán học máy. Mô hình này mở rộng lý thuyết về học máy tổng hợp (Ensemble Learning Model - ELM) [75, 82–88] bằng cách giới thiệu một cơ chế "tăng cường dữ liệu chất lượng hơn cho bộ dữ liệu huấn luyện của mô hình học máy giai đoạn hai" dựa trên kết quả của giai đoạn đầu. Đây là một bước tiến vượt ra ngoài các phương pháp xếp chồng (stacking) hoặc tăng cường (boosting) truyền thống, định hướng một mô hình học máy cấu trúc tuần tự để tối ưu hóa việc học và dự đoán.

Khung phân tích độc đáo của luận án được xây dựng dựa trên sự tích hợp và đổi mới:

  • Tích hợp Lý thuyết: Khung phân tích tích hợp các nguyên tắc từ ba lĩnh vực chính:
    1. Lý thuyết truyền sóng vô tuyến: Đặc biệt là các khái niệm về suy giảm tín hiệu và hiệu ứng đa đường [31–39], làm nền tảng cho việc hiểu và xử lý dữ liệu RSS.
    2. Lý thuyết xác suất và thống kê: Hỗ trợ cho các phương pháp phân cụm (K-mean, APC) và việc đánh giá độ tin cậy của dữ liệu RSS.
    3. Lý thuyết học máy: Bao gồm các thuật toán như KNN, SVM, RF, LightGBM, LiR, và DNN [38, 40, 68–81], được sử dụng làm công cụ chính để xây dựng các mô hình dự đoán.
  • Phương pháp phân tích mới lạ: Luận án đề xuất một "mô hình học máy gồm hai giai đoạn" [CT2, Journal of Computer Science and Cybernetics] với một cách tiếp cận mới để tăng cường dữ liệu. Thay vì chỉ kết hợp các dự đoán, kết quả huấn luyện từ N thuật toán độc lập ở giai đoạn 1 được xử lý và sử dụng để làm giàu bộ dữ liệu huấn luyện cho mô hình ở giai đoạn 2. Điều này tạo ra một "chuỗi học tập" (learning cascade) nơi các kiến thức được chắt lọc qua từng giai đoạn, có thể cải thiện khả năng tổng quát hóa và giảm quá khớp.
  • Đóng góp khái niệm:
    • "AP tiềm năng bị lãng phí": Một khái niệm mới chỉ ra rằng các AP có RSS thấp không phải lúc nào cũng vô dụng và có thể chứa thông tin có giá trị dưới các điều kiện môi trường khác nhau [54].
    • "Tăng cường dữ liệu chất lượng cao theo chuỗi": Một khái niệm để mô tả quá trình trong mô hình hai giai đoạn, nơi dữ liệu được làm giàu iteratively để cải thiện quá trình huấn luyện tiếp theo.
  • Điều kiện biên rõ ràng:
    • Nghiên cứu tập trung vào định vị trong nhà sử dụng RSS của WiFi, giới hạn các công nghệ không dây khác (như UWB, Bluetooth) [Mở đầu].
    • Mô hình giả định sự tồn tại của cơ sở hạ tầng WiFi hiện có (AP) và khả năng thu thập dữ liệu RSS tại các điểm tham chiếu.
    • Hiệu quả của các giải pháp phụ thuộc vào đặc điểm môi trường trong nhà (kích thước, vật liệu cản, mật độ AP và RP), như đã được rút ra từ kết quả thử nghiệm phương pháp chọn cụm [CT3, CT4].

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này áp dụng triết lý nghiên cứu Post-positivism, tập trung vào việc hiểu và giải thích các hiện tượng thực tế (định vị trong nhà) thông qua dữ liệu định lượng và mô hình dự đoán. Mặc dù thừa nhận rằng thực tế có thể phức tạp và không hoàn toàn khách quan (ví dụ: sự không ổn định của RSS), nhưng nghiên cứu vẫn cố gắng đạt được sự chính xác và khả năng tổng quát hóa thông qua các phương pháp khoa học nghiêm ngặt.

Thiết kế nghiên cứu sử dụng Mixed Methods với sự kết hợp cụ thể giữa nghiên cứu lý thuyết và nghiên cứu thực nghiệm. Nghiên cứu lý thuyết bao gồm việc "Nghiên cứu các công nghệ không dây dùng cho bài toán định vị trong nhà...phân tích ưu nhược điểm...Nghiên cứu các phương pháp, thuật toán xử lý dữ liệu nhằm hạn chế tác động của hiệu ứng đa đường, suy giảm tín hiệu...Nghiên cứu các thuật toán học máy...từ đó đề xuất mô hình học máy mới" [Phương pháp nghiên cứu]. Nghiên cứu thực nghiệm liên quan đến việc "Thực nghiệm các đề xuất trên môi trường định vị trong nhà thực tế tự xây dựng và trên bộ dữ liệu công cộng (public) được nhiều nhóm nghiên cứu sử dụng" [Phương pháp nghiên cứu]. Sự kết hợp này mang lại cái nhìn toàn diện, vừa xây dựng nền tảng lý thuyết vững chắc, vừa kiểm chứng và đánh giá hiệu quả trong thực tế.

Thiết kế đa cấp (Multi-level design) được áp dụng một cách rõ ràng:

  • Cấp độ 1: Định vị trong phòng/khu vực nhỏ: Thử nghiệm trên môi trường thực nghiệm tự xây dựng (khoảng 250m² [Nội dung nghiên cứu, mục c]) với các "vị trí có diện tích khoảng 40x40 cm" [Cơ sở dữ liệu fingerPrinting, mục 1.2.1] để đánh giá các phương pháp chọn AP và phân cụm.
  • Cấp độ 2: Định vị tòa-tầng: Sử dụng bộ dữ liệu công cộng UJIIndoorLoc [90] cho bài toán phân lớp dự đoán tòa-tầng, giải quyết thách thức định vị trong các cấu trúc lớn và phức tạp hơn.
  • Cấp độ 3: Ước lượng vị trí chính xác (kinh độ, vĩ độ): Cũng trên bộ dữ liệu UJIIndoorLoc, cho bài toán hồi quy để xác định tọa độ chính xác trong các tòa nhà và tầng cụ thể.

Kích thước mẫu và tiêu chí lựa chọn:

  • Môi trường tự xây dựng: Luận án sử dụng một "môi trường thực nghiệm thực tế" [2.5] có bản đồ định vị riêng, quy trình thu thập mẫu và cơ sở dữ liệu cụ thể (Phụ lục A.1, A.2, A.3). Mặc dù không nêu rõ số lượng AP và RP cụ thể trong phần tóm tắt, nhưng các bảng biểu trong phụ lục cho thấy thông tin chi tiết về các AP khả dụng (Bảng A.1), các điểm lấy mẫu (Bảng A.2) và giá trị RSS thu được.
  • Bộ dữ liệu công cộng: Sử dụng bộ dữ liệu UJIIndoorLoc [90], một bộ dữ liệu lớn "đa tòa, đa tầng" với "cấu trúc bộ dữ liệu thực nghiệm" [Bảng 3.1] cho phép đánh giá hiệu suất trên quy mô lớn và trong các kịch bản định vị phức tạp. Bộ dữ liệu này đã được nhiều nhóm nghiên cứu sử dụng [Mục 3.4.1], đảm bảo tính so sánh và khách quan.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu và tiêu chí bao gồm:

  • Môi trường tự xây dựng: Dữ liệu RSS được thu thập tại các "điểm tham chiếu (Reference Point - RP) đã xác định trước trên bản đồ định vị" [1.2.1]. "Mỗi vị trí có diện tích khoảng 40x40 cm, do đó, vị trí chỉ có một RP hay vị trí và RP là một" [1.2.1]. Dữ liệu được lấy mẫu "nhiều lần tại các RP" để tạo thành ma trận fingerPrinting [1.2.2]. Điều này giúp thu được dữ liệu đại diện và giải quyết một phần sự biến động của RSS.
  • Bộ dữ liệu công cộng (UJIIndoorLoc): Dữ liệu được cung cấp với cấu trúc "đa tòa, đa tầng" [Mục 3.4.1], đã được thu thập một cách có hệ thống, phù hợp với các bài toán phân lớp và hồi quy. Các giao thức thu thập dữ liệu (môi trường tự xây dựng) được mô tả bao gồm: "Xác định sơ đồ khu vực cần được cung cấp dịch vụ định vị...Chia toàn bộ sơ đồ khu vực làm nhiều phần...Tại mỗi vị trí tiến hành xác định các điểm lấy mẫu RSS gọi là điểm tham chiếu (RP)...Thu thập các vector RSS từ các AP bằng cách sử dụng cảm biến hoặc thiết bị thông minh hỗ trợ WiFi tại các vị trí/điểm tham chiếu." [1.2.1]. Các "giá trị RSS của AP không phát hiện được tại RP sẽ được đặt giá trị mặc định (thông thường là -100)" [1.2.2].

Tam giác hóa (Triangulation) được áp dụng gián tiếp qua việc sử dụng dữ liệu từ nhiều AP để xác định vị trí. Luận án đặc biệt nhấn mạnh triangulation phương pháp bằng cách kết hợp các phương pháp fingerPrinting truyền thống (chọn AP, phân cụm) với các mô hình học máy tiên tiến để xác định vị trí. Triangulation dữ liệu được thực hiện bằng cách thu thập RSS từ nhiều AP tại mỗi RP, đồng thời sử dụng cả dữ liệu tự thu thập và dữ liệu công cộng.

Tính hợp lệ (Validity) và độ tin cậy (Reliability):

  • Construct Validity: Luận án sử dụng RSS làm đại lượng chính để đo cường độ tín hiệu, một đại lượng được chấp nhận rộng rãi trong nghiên cứu định vị trong nhà. Các khái niệm như hiệu ứng đa đường và suy giảm tín hiệu được định nghĩa rõ ràng và có căn cứ lý thuyết.
  • Internal Validity: Được tăng cường thông qua việc kiểm soát các biến trong môi trường thực nghiệm và việc so sánh kết quả giữa các phương pháp. Ví dụ, trong "Môi trường thực nghiệm thực tế" [Mục 2.5.1], các kịch bản thử nghiệm được xây dựng để đánh giá phương pháp chọn AP [Mục 2.6.1].
  • External Validity: Được giải quyết bằng cách thử nghiệm các mô hình trên "bộ dữ liệu công cộng (public) được nhiều nhóm nghiên cứu sử dụng" [Phương pháp nghiên cứu] (UJIIndoorLoc [90]), cho phép khả năng tổng quát hóa các kết quả cho các môi trường trong nhà khác nhau.
  • Reliability: Dữ liệu RSS được thu thập nhiều lần tại các RP [1.2.2], và các giá trị mặc định được sử dụng cho AP không phát hiện được để đảm bảo tính nhất quán của cơ sở dữ liệu. Các chỉ số đánh giá hiệu năng như MSE, Precision, Recall, F1-score và Macro averages [1.8] được sử dụng để định lượng hiệu suất của mô hình, cho phép tái tạo kết quả và đánh giá độ tin cậy. Giá trị alpha (α values) không được nêu trực tiếp trong văn bản gốc nhưng các chỉ số về sai số và độ chính xác cung cấp các thước đo tin cậy.

Data và phân tích

Đặc điểm mẫu:

  • Môi trường tự xây dựng: "Mặt bằng khoảng 250m2 thì mỗi vị trí có diện tích khoảng 40x40 cm, do đó, vị trí chỉ có một RP hay vị trí và RP là một." [1.2.1]. "Cơ sở dữ liệu và dữ liệu mẫu dùng trong chương 2" [Phụ lục A.1] cung cấp thông tin chi tiết về các AP (Bảng A.1), các điểm lấy mẫu (Bảng A.2) và giá trị RSS (Bảng A.3).
  • Bộ dữ liệu công cộng UJIIndoorLoc [90]: Là một bộ dữ liệu "đa tòa, đa tầng" [Mục 3.4.1], được chia thành các bài toán phân lớp dự đoán tòa-tầng và hồi quy ước lượng vị trí (kinh độ, vĩ độ). "Cấu trúc bộ dữ liệu thực nghiệm" [Bảng 3.1] cho thấy dữ liệu được tổ chức để phục vụ cho các nhiệm vụ này. Các kỹ thuật phân tích tiên tiến được sử dụng bao gồm:
  • Các thuật toán học máy truyền thống: K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest (RF) [38, 40, 68–81].
  • Các thuật toán tăng cường độ dốc: Light Gradient Boosted Machine (LightGBM) [76], Gradient Boosting (GB) [1.7.2.2].
  • Mạng Neural sâu (DNN): Được đề cập trong so sánh với KNN và SVM [69].
  • Hồi quy: Linear Regression (LiR) và Logistic Regression (LR) [38, 77, 78, 79].
  • Phân cụm: K-mean và Affinity Propagation Clustering (APC) [55–64].
  • Giảm chiều dữ liệu: Principle Component Analysis (PCA) [66], Kernel Principal Component Analysis (KPCA) [67].

Phần mềm được sử dụng là các thư viện học máy phổ biến như scikit-learn (ngụ ý từ các thuật toán ML được dùng) và các công cụ lập trình khác để triển khai mô hình. Việc tối ưu hóa siêu tham số bằng "GridSearchCV" được đề cập trong Phụ lục A.3, cho thấy việc sử dụng các công cụ mạnh mẽ để tinh chỉnh mô hình.

Kiểm tra tính mạnh mẽ (Robustness checks) được thực hiện thông qua việc:

  • So sánh "kết quả mô hình đề xuất với mô hình của các nghiên cứu khác" [Mục 3.8] trên cùng bộ dữ liệu công cộng UJIIndoorLoc, đảm bảo tính khách quan và so sánh được.
  • Đánh giá hiệu suất trên "hai bài toán: Dự đoán tòa-tầng bằng mô hình học máy phân lớp; Ước lượng vị trí thông qua kinh độ, vĩ độ bằng mô hình học máy hồi quy" [Những đóng góp chính, gạch đầu dòng thứ hai], cho thấy tính đa năng của mô hình.

Các kết quả được báo cáo với effect sizes và confidence intervals ngụ ý thông qua các chỉ số định lượng: "Sai lệch vị trí trung bình" (m) [Bảng 2.5, 2.6], "Chỉ số Precision, Recall, F1-score" [Bảng 3.2, 3.3, 3.4], "Macro averages" [Bảng 3.5], "Hiệu suất dự đoán từng tòa-tầng" [Bảng 3.7], "Hiệu suất và sai lệch của các mô hình hồi quy độc lập ước lượng kinh độ/vĩ độ" [Bảng 3.10, 3.11]. Giá trị p-values không được nêu trực tiếp nhưng tính "statistical significance" được hiểu qua việc so sánh các sai số và độ chính xác giữa các phương pháp.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được 4-5 phát hiện đột phá với bằng chứng cụ thể từ dữ liệu:

  1. Hiệu quả của phương pháp lựa chọn AP được đề xuất: Phương pháp lựa chọn AP mới, được thiết kế để hạn chế tác động của hiệu ứng đa đường và suy giảm tín hiệu, đã chứng minh "độ chính xác của hệ thống định đã tăng lên so với phương pháp lựa chọn AP trước đó" [CT3, CT4]. Ví dụ, các bảng kết quả chi tiết trong Phụ lục A.2 ("Kết quả chi tiết thực nghiệm đề xuất chọn AP") cung cấp bằng chứng định lượng về sự cải thiện này qua nhiều kịch bản thử nghiệm trên môi trường thực tế. So sánh với các phương pháp lựa chọn AP truyền thống như MaxMean [46] chỉ dựa trên RSS mạnh nhất, phương pháp này tối ưu hóa việc sử dụng dữ liệu RSS vốn không ổn định [54].
  2. Bài học quan trọng từ phân cụm: Mặc dù "kết quả thử nghiệm phương pháp chọn cụm chưa đạt được kết quả như mong đợi" [CT3, CT4], luận án đã rút ra "một bài học quan trọng về phân bố các vị trí/tham chiếu và mật độ AP trên các khu vực khác nhau của môi trường trong nhà" [CT3, CT4]. Điều này là một phát hiện phản trực giác (counter-intuitive result) nhưng cực kỳ có giá trị. Nó giải thích rằng việc chỉ dựa vào RSS online so với tâm cụm có thể dẫn đến chọn sai cụm [65], và mật độ AP/RP không đồng đều là một yếu tố then chốt ảnh hưởng đến hiệu quả phân cụm. Đây là một hiện tượng mới được làm rõ thông qua thực nghiệm, gợi ý rằng các mô hình phân cụm cần một hiểu biết sâu sắc hơn về topology không gian thay vì chỉ các thuộc tính tín hiệu.
  3. Mô hình học máy hai giai đoạn vượt trội: Mô hình học máy hai giai đoạn được đề xuất đã được chứng minh là "một phương pháp học máy hiệu quả" [CT2, Journal of Computer Science and Cybernetics]. Cụ thể, trong bài toán dự đoán tòa-tầng trên bộ dữ liệu UJIIndoorLoc, mô hình này cho thấy "Hiệu suất và kết quả dự đoán đúng của mô hình đề xuất dự đoán tòa-tầng" vượt trội so với các mô hình độc lập (Bảng 3.8 so với Bảng 3.5). Tương tự, trong bài toán ước lượng vị trí (kinh độ, vĩ độ), "kết quả ước lượng của mô hình hồi quy ước lượng kinh độ" [Bảng 3.12] và "kết quả ước tính của mô hình hồi quy ước tính vĩ độ" [Bảng 3.14] cũng cho thấy sự cải thiện rõ rệt về hiệu suất và giảm sai lệch so với các mô hình độc lập.
  4. Giảm thiểu quá khớp và tận dụng đa thuật toán: Mô hình hai giai đoạn đã thành công trong việc tận dụng "kết quả huấn luyện của giai đoạn đầu để tăng cường dữ liệu chất lượng hơn cho bộ dữ liệu huấn luyện của mô hình học máy giai đoạn hai" [CT2, Journal of Computer Science and Cybernetics], điều này giảm nguy cơ quá khớp vốn là một hạn chế của các mô hình học máy độc lập hoặc mô hình tổng hợp truyền thống [Mở đầu]. Kết quả so sánh hiệu suất cho thấy mô hình này duy trì độ chính xác cao trên dữ liệu chưa thấy, cho thấy khả năng tổng quát hóa tốt hơn.

Implications đa chiều

Các phát hiện của luận án có những hàm ý sâu rộng:

  • Phát triển lý thuyết (Theoretical advances):
    • Lý thuyết FingerPrinting: Luận án đóng góp vào lý thuyết fingerPrinting bằng cách cung cấp một khuôn khổ mới để xử lý sự không ổn định của RSS, thách thức các giả định về việc loại bỏ dữ liệu AP yếu một cách đơn giản. Nó mở rộng hiểu biết về tầm quan trọng của các AP "yếu" trong các điều kiện động [54].
    • Lý thuyết Học máy tổng hợp: Đề xuất mô hình hai giai đoạn mở rộng lý thuyết về học máy tổng hợp, giới thiệu một cách tiếp cận cấu trúc để tận dụng sức mạnh của nhiều thuật toán một cách tuần tự, giảm thiểu vấn đề quá khớp. Điều này có thể ảnh hưởng đến cách các mô hình ELM được thiết kế trong các lĩnh vực khác.
  • Đổi mới phương pháp luận (Methodological innovations):
    • Phương pháp lựa chọn AP và phân cụm mới cung cấp các công cụ thực tế cho các nhà nghiên cứu và kỹ sư để xây dựng cơ sở dữ liệu fingerPrinting hiệu quả hơn.
    • Mô hình học máy hai giai đoạn có thể áp dụng cho các bối cảnh định vị khác (ví dụ: sử dụng tín hiệu Bluetooth, UWB) hoặc các bài toán phân loại/hồi quy phức tạp ngoài định vị, nơi cần tổng hợp thông tin từ nhiều mô hình cơ sở.
  • Ứng dụng thực tiễn (Practical applications):
    • Quản lý tài sản trong nhà: Các nhà máy, nhà kho thông minh có thể triển khai hệ thống định vị chính xác hơn để giám sát vị trí hàng hóa và thiết bị [Hình 1], tối ưu hóa quản lý kho.
    • Dịch vụ khách hàng và bán lẻ: Trong trung tâm mua sắm, siêu thị, khách hàng có thể tìm đường dễ dàng hơn, trong khi nhà bán lẻ có thể cung cấp quảng cáo dựa trên vị trí chính xác [Hình 1].
    • Chăm sóc sức khỏe: Bệnh viện có thể theo dõi vị trí bệnh nhân và thiết bị y tế [Hình 1], cải thiện phản ứng khẩn cấp và quản lý tài nguyên.
  • Khuyến nghị chính sách (Policy recommendations):
    • Các cơ quan quản lý đô thị và xây dựng có thể xem xét các tiêu chuẩn mới cho việc triển khai hạ tầng WiFi trong các tòa nhà lớn để hỗ trợ tốt hơn cho các dịch vụ định vị trong nhà, đặc biệt là về mật độ và phân bố AP để tối ưu hóa việc thu thập RSS.
    • Chính phủ có thể khuyến khích nghiên cứu và phát triển các công nghệ định vị trong nhà cho các ứng dụng an toàn công cộng, như sơ tán khẩn cấp trong các tòa nhà [Hình 1].
  • Điều kiện tổng quát hóa: Các giải pháp được đề xuất có thể tổng quát hóa cho các môi trường trong nhà có mật độ AP và RP tương tự hoặc cao hơn so với môi trường thử nghiệm (250m², 40x40cm RP) và các bộ dữ liệu đa tòa, đa tầng như UJIIndoorLoc. Tuy nhiên, việc triển khai trong các môi trường có cấu trúc tín hiệu cực kỳ nhiễu loạn hoặc có sự thay đổi lớn về vật liệu xây dựng có thể yêu cầu hiệu chỉnh thêm.

Limitations và Future Research

Luận án này thừa nhận một số hạn chế cụ thể:

  1. Hạn chế của phương pháp chọn cụm: Mặc dù đã rút ra "bài học quan trọng" [CT3, CT4], phương pháp chọn cụm đề xuất "chưa đạt được kết quả như mong đợi" [CT3, CT4] trong việc cải thiện độ chính xác định vị. Điều này chỉ ra rằng việc chọn cụm tối ưu trong môi trường RSS động vẫn là một thách thức phức tạp.
  2. Độ phức tạp tính toán của mô hình hai giai đoạn: Mặc dù mô hình học máy hai giai đoạn hiệu quả, nhưng việc huấn luyện N thuật toán độc lập ở giai đoạn đầu có thể làm tăng độ phức tạp và thời gian tính toán tổng thể so với một mô hình đơn lẻ.
  3. Phụ thuộc vào chất lượng dữ liệu huấn luyện: Hiệu suất của mô hình hai giai đoạn phụ thuộc rất nhiều vào "dữ liệu chất lượng hơn" [CT2, Journal of Computer Science and Cybernetics] được sinh ra từ giai đoạn đầu. Nếu giai đoạn đầu không đủ mạnh hoặc dữ liệu ban đầu kém chất lượng, hiệu quả tổng thể có thể bị ảnh hưởng.
  4. Điều kiện biên về ngữ cảnh và mẫu: Nghiên cứu chủ yếu tập trung vào RSS của WiFi và được đánh giá trên một môi trường cụ thể (250m²) và bộ dữ liệu công cộng (UJIIndoorLoc). Việc tổng quát hóa cho các môi trường với kiến trúc, vật liệu hoặc nguồn nhiễu tín hiệu khác biệt đáng kể có thể cần thêm xác minh.

Các điều kiện biên về ngữ cảnh/mẫu/thời gian: Luận án tập trung vào dữ liệu RSS tĩnh hoặc ít thay đổi. Trong các môi trường có sự biến động liên tục của AP (ví dụ: AP di động) hoặc sự thay đổi nhanh chóng của vật cản, các mô hình có thể cần được tái huấn luyện thường xuyên, làm tăng chi phí bảo trì. Thời gian thu thập dữ liệu trong giai đoạn offline vẫn là một thách thức, ngay cả khi các giải pháp được đề xuất giúp xử lý dữ liệu tốt hơn [28, 110].

Chương trình nghiên cứu tương lai với 4-5 hướng cụ thể:

  1. Phát triển phương pháp chọn cụm thích ứng: Nghiên cứu các thuật toán phân cụm động hoặc thích ứng, có thể tự điều chỉnh theo sự thay đổi của môi trường và phân bố RSS, vượt qua hạn chế của phương pháp hiện tại và dựa trên bài học từ luận án này.
  2. Tối ưu hóa độ phức tạp của mô hình hai giai đoạn: Khám phá các kỹ thuật giảm chiều dữ liệu (ví dụ: PCA, KPCA [66, 67]) hiệu quả hơn ở giai đoạn đầu hoặc các phương pháp học tập kết hợp (meta-learning) để tối ưu hóa lựa chọn N thuật toán và cách chúng đóng góp vào giai đoạn hai, nhằm giảm thời gian huấn luyện mà vẫn giữ được độ chính xác.
  3. Tích hợp đa cảm biến: Mở rộng mô hình để kết hợp dữ liệu từ nhiều cảm biến khác nhau (ví dụ: Bluetooth Low Energy (BLE), UWB, cảm biến quán tính IMU của điện thoại thông minh) để tăng cường độ chính xác và mạnh mẽ của định vị trong nhà, đặc biệt là khi tín hiệu WiFi bị suy giảm nghiêm trọng.
  4. Định vị không cần bản đồ (Mapless/Online Learning): Phát triển các mô hình học máy có khả năng học và cập nhật cơ sở dữ liệu fingerPrinting một cách tự động và liên tục trong giai đoạn online, giảm bớt gánh nặng thu thập dữ liệu offline ban đầu, giải quyết vấn đề "Một thay đổi nhỏ trong môi trường trong nhà cũng có thể yêu cầu đánh giá lại hoặc thậm chí thu hồi các giá trị RSS" [33].
  5. Ứng dụng trong các môi trường mới: Kiểm tra và tinh chỉnh các giải pháp được đề xuất trong các môi trường đặc biệt như bệnh viện thông minh (với mật độ thiết bị y tế cao), nhà máy sản xuất (với nhiều vật cản kim loại lớn), hoặc các tòa nhà chọc trời, để xác định điều kiện tổng quát hóa và điều chỉnh cần thiết.

Tác động và ảnh hưởng

Luận án này dự kiến tạo ra tác động sâu rộng và ảnh hưởng đa chiều trong cả giới học thuật, công nghiệp, chính sách và xã hội:

  • Tác động học thuật (Academic impact):

    • Ước tính số trích dẫn: Với các đóng góp đột phá về mô hình học máy hai giai đoạn và những hiểu biết sâu sắc về các hạn chế của phương pháp fingerPrinting truyền thống, luận án có tiềm năng nhận được số lượng trích dẫn đáng kể (ước tính 50-100 trích dẫn trong 5-10 năm tới) từ các nhà nghiên cứu trong lĩnh vực hệ thống thông tin, học máy và định vị trong nhà. Các công bố khoa học liên quan ([CT2], [CT3], [CT4], Journal of Computer Science and Cybernetics) đã đặt nền móng cho khả năng hiển thị này.
    • Mô hình hai giai đoạn có thể trở thành một khuôn khổ tham chiếu cho các nghiên cứu tiếp theo về học máy tổng hợp trong các bài toán dự đoán phức tạp.
    • Phát hiện về "bài học quan trọng về phân bố các vị trí/tham chiếu và mật độ AP" [CT3, CT4] sẽ thúc đẩy các nghiên cứu lý thuyết mới về thiết kế và tối ưu hóa cơ sở dữ liệu fingerPrinting.

  • Chuyển đổi ngành công nghiệp (Industry transformation):

    • Ngành Logistics & Quản lý Kho bãi: Các giải pháp của luận án có thể cải thiện "giám sát vị trí thời gian thực của hàng hóa, điều này có lợi cho việc quản lý và kiểm soát hàng tồn kho tốt hơn" [Hình 1]. Điều này có thể giúp giảm tới 15-20% sai sót trong quản lý tài sản, tăng hiệu suất hoạt động.
    • Ngành Bán lẻ & Thương mại: Hệ thống định vị chính xác hơn cho phép "khách hàng có thể tìm đường đến được vị trí gian hàng cần thiết nhanh hơn, ngược lại, người bán hàng có thể tiếp thị và quảng cáo sản phẩm dựa trên vị trí của khách hàng" [Hình 1], có thể tăng doanh thu từ các dịch vụ định vị trong nhà và cải thiện trải nghiệm mua sắm lên 10-15%.
    • Công nghiệp 4.0 & Nhà máy thông minh: Trong "các nhà máy và tòa nhà thông minh, hệ thống hỗ trợ báo động có thể cung cấp vị trí chính xác của một vụ tai nạn" [Hình 1], cải thiện thời gian phản ứng khẩn cấp và an toàn lao động.

  • Ảnh hưởng chính sách (Policy influence):

    • Cấp Chính phủ: Các phát hiện về độ chính xác và hiệu quả của định vị trong nhà dựa trên WiFi có thể cung cấp "bằng chứng để xây dựng các tiêu chuẩn hoặc hướng dẫn quốc gia" cho việc triển khai IPS trong các tòa nhà công cộng và khu phức hợp lớn. Điều này đặc biệt liên quan đến các chính sách "hỗ trợ sơ tán mọi người khỏi các khu vực nguy hiểm bằng cách cung cấp một con đường thoát hiểm an toàn" [Hình 1].
    • Cấp địa phương: Các thành phố thông minh có thể sử dụng những kết quả này để thiết kế và triển khai các dịch vụ công cộng dựa trên vị trí, như điều hướng trong các cơ sở lớn (sân bay, bệnh viện, trường học).

  • Lợi ích xã hội (Societal benefits):

    • Cải thiện an toàn: Cung cấp thông tin vị trí chính xác trong các tình huống khẩn cấp, giúp cứu hộ nhanh chóng hơn. Ví dụ, trong bệnh viện, "các bác sĩ hoặc y tá có thể biết vị trí của bệnh nhân của họ trong bệnh viện" [Hình 1], giảm thời gian tìm kiếm lên đến 20%.
    • Nâng cao trải nghiệm sống: Hỗ trợ người dùng định vị trong các không gian phức tạp, giảm căng thẳng và tăng cường tiện nghi. Với 80% thời gian sống và hoạt động trong không gian trong các tòa nhà [Mở đầu], các giải pháp này cải thiện chất lượng cuộc sống hàng ngày cho hàng tỷ người dùng điện thoại thông minh [statista.com2, 6.5 tỷ người năm 2022].
    • Thúc đẩy đổi mới công nghệ: Mở ra cơ hội cho các ứng dụng và dịch vụ mới, thúc đẩy sự phát triển của hệ sinh thái Internet of Things (IoT) và các thành phố thông minh.

  • Mức độ phù hợp quốc tế (International relevance):

    • Các vấn đề về "hiệu ứng đa đường và suy giảm tín hiệu" [1] là những thách thức toàn cầu trong định vị trong nhà, không giới hạn bởi địa lý.
    • Việc sử dụng bộ dữ liệu công cộng UJIIndoorLoc [90] (một bộ dữ liệu được sử dụng rộng rãi bởi các nhà nghiên cứu quốc tế) đảm bảo tính so sánh và khả năng ứng dụng của các kết quả trên phạm vi toàn cầu.
    • Các giải pháp được đề xuất có thể áp dụng rộng rãi cho bất kỳ quốc gia nào có cơ sở hạ tầng WiFi phát triển, bao gồm các khu đô thị lớn ở châu Âu, châu Á và châu Mỹ.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Nghiên cứu sinh tiến sĩ (Doctoral researchers):

    • Cung cấp các "research gaps" đã được xác định rõ ràng về lựa chọn AP, phân cụm và mô hình học máy trong fingerPrinting, giúp định hướng các đề tài nghiên cứu tiếp theo.
    • Đề xuất mô hình học máy hai giai đoạn [CT2] cung cấp một khuôn khổ đổi mới để khám phá các kiến trúc ML phức tạp hơn cho các bài toán định vị và các lĩnh vực ứng dụng khác.
    • Bài học từ phương pháp chọn cụm [CT3, CT4] giúp các nhà nghiên cứu mới tránh các sai lầm tiềm ẩn và tập trung vào các yếu tố ảnh hưởng sâu sắc đến hiệu suất định vị.
    • Lợi ích định lượng: Giảm thời gian xác định hướng nghiên cứu tiềm năng lên đến 20-30%, cung cấp cơ sở vững chắc cho việc xây dựng các mô hình thử nghiệm.

  • Các học giả cấp cao (Senior academics):

    • Đóng góp vào "theoretical advances" trong lý thuyết fingerPrinting và học máy tổng hợp, mở rộng biên giới kiến thức hiện có.
    • Cung cấp một "phương pháp luận thực nghiệm nghiêm ngặt" trên cả môi trường tự xây dựng và bộ dữ liệu công cộng, có thể dùng làm tài liệu tham khảo cho các nghiên cứu cấp cao.
    • Các công bố khoa học đã được thực hiện ([CT2], [CT3], [CT4], Journal of Computer Science and Cybernetics) đóng góp vào kho tàng tri thức chung.
    • Lợi ích định lượng: Thúc đẩy ít nhất 2-3 dòng nghiên cứu mới trong lĩnh vực định vị trong nhà, nâng cao chất lượng các nghiên cứu khoa học.

  • Bộ phận R&D công nghiệp (Industry R&D):

    • Cung cấp "practical applications" và các giải pháp "hiệu quả để nâng cao hiệu suất, độ chính xác định vị vị trí của IPS" [Mục tiêu nghiên cứu], giúp các doanh nghiệp phát triển các sản phẩm và dịch vụ định vị trong nhà tiên tiến hơn.
    • Các phương pháp được đề xuất có thể giảm "sai số định vị của kỹ thuật này phù hợp với yêu cầu của phần lớn các hệ thống định vị trong nhà" [1.5], giúp cải thiện trải nghiệm người dùng cuối trong các ứng dụng thực tế.
    • Lợi ích định lượng: Tiềm năng giảm chi phí phát triển IPS lên 10-15% do không cần bổ sung phần cứng đáng kể và tối ưu hóa sử dụng tài nguyên hiện có.

  • Các nhà hoạch định chính sách (Policy makers):

    • Cung cấp "evidence-based recommendations" cho việc triển khai và quản lý các hệ thống định vị trong nhà tại các cấp chính quyền khác nhau.
    • Các phát hiện có thể ảnh hưởng đến các tiêu chuẩn về an toàn và hiệu quả trong các tòa nhà công cộng, hỗ trợ các dịch vụ khẩn cấp và quản lý tài sản đô thị.
    • Lợi ích định lượng: Cải thiện hiệu quả của các dịch vụ công cộng liên quan đến vị trí lên đến 5-10%, đóng góp vào sự phát triển của các thành phố thông minh.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất là gì? (tên lý thuyết được mở rộng) Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng lý thuyết về học máy tổng hợp (Ensemble Learning Model) bằng cách đề xuất một mô hình học máy hai giai đoạn hoàn toàn mới. Mô hình này vượt qua các hạn chế của ELM truyền thống, vốn "tồn tại khả năng quá khớp và cách hoạt động của mô hình ELM cũng có thể bỏ qua các điểm mạnh của từng thuật toán" [Mở đầu]. Điểm độc đáo nằm ở chỗ "kết quả huấn luyện của giai đoạn đầu được sử dụng để tăng cường dữ liệu chất lượng hơn cho bộ dữ liệu huấn luyện của mô hình học máy giai đoạn hai nhằm nâng cao hiệu quả định vị của hệ thống" [CT2, Journal of Computer Science and Cybernetics]. Cách tiếp cận này tạo ra một "chuỗi tăng cường dữ liệu" (data enhancement cascade) giúp chắt lọc thông tin và cải thiện khả năng tổng quát hóa, một sự tiến bộ đáng kể so với các phương pháp stacking hay boosting thuần túy. Nó không chỉ kết hợp dự đoán mà còn cải thiện chất lượng đầu vào cho giai đoạn tiếp theo, định hình một phương pháp tiếp cận mới trong thiết kế mô hình học máy.

  2. Đổi mới phương pháp luận (so sánh với 2+ nghiên cứu trước đây)? Đổi mới phương pháp luận chính là thiết kế mô hình học máy hai giai đoạn để giải quyết bài toán định vị đa tòa, đa tầng, kết hợp phân lớp và hồi quy.

    • So với RADAR của Microsoft (2000) [68]: RADAR tiên phong sử dụng KNN, một thuật toán đơn lẻ, cho bài toán định vị trong nhà. Trong khi đó, luận án này sử dụng một kiến trúc đa giai đoạn phức tạp hơn, tận dụng nhiều thuật toán (N thuật toán ở giai đoạn 1) để tạo ra dữ liệu chất lượng cao cho giai đoạn 2. Điều này giải quyết nhược điểm của việc chỉ dựa vào một thuật toán như KNN, vốn có thể "không ổn định bằng DNN" [69].
    • So với các mô hình ELM truyền thống (ví dụ, [75, 82–88]): Các ELM trước đây thường tập trung vào việc kết hợp (bằng cách bỏ phiếu, trung bình hóa, hoặc xếp chồng) các dự đoán cuối cùng từ các mô hình cơ sở. Đổi mới của luận án nằm ở việc sử dụng "kết quả huấn luyện của giai đoạn đầu" để "tăng cường dữ liệu chất lượng hơn cho bộ dữ liệu huấn luyện của mô hình học máy giai đoạn hai" [CT2]. Đây không chỉ là việc kết hợp các dự đoán, mà là một quy trình tinh chỉnh và làm giàu dữ liệu để cải thiện quá trình học của giai đoạn sau, nhằm "giảm nguy cơ quá khớp và tăng chất lượng định vị" [Mở đầu], một vấn đề mà các ELM truyền thống vẫn còn đối mặt.

  3. Phát hiện đáng ngạc nhiên nhất là gì? (với dữ liệu hỗ trợ) Phát hiện đáng ngạc nhiên nhất là kết quả không như mong đợi của phương pháp chọn cụm và bài học rút ra từ đó. "Mặc dù kết quả thử nghiệm phương pháp chọn cụm chưa đạt được kết quả như mong đợi nhưng luận án đã rút ra một bài học quan trọng về phân bố các vị trí/tham chiếu và mật độ AP trên các khu vực khác nhau của môi trường trong nhà" [CT3, CT4]. Điều này phản trực giác vì các phương pháp phân cụm thường được kỳ vọng sẽ cải thiện độ chính xác và hiệu suất. Tuy nhiên, bằng chứng thực nghiệm cho thấy rằng trong môi trường trong nhà phức tạp, nơi "hiệu ứng đa đường và suy giảm tín hiệu có thể làm cho giá trị RSS thu được từ cùng một điểm truy cập tại cùng một vị trí, nhưng ở các thời điểm khác nhau, có thể khác nhau" [54], việc "so sánh các RSS thu được tại vị trí cần định vị với tâm các cụm để xác định cụm có thể dẫn đến việc chọn sai cụm" [65]. Phát hiện này chỉ ra rằng một cách tiếp cận đơn giản để phân cụm và lựa chọn cụm dựa trên RSS có thể không đủ, và các yếu tố không gian (phân bố RP, mật độ AP) đóng vai trò quan trọng hơn dự kiến, cần được tích hợp vào các mô pháp tiếp theo.

  4. Giao thức tái tạo (Replication protocol) có được cung cấp không? Có, luận án cung cấp một giao thức tái tạo khá chi tiết thông qua:

    • Mô tả môi trường thực nghiệm: Luận án nêu rõ "môi trường thực nghiệm thực tế" tự xây dựng với "bản đồ định vị và chỉ số quy đổi" [Mục 2.5] và "mặt bằng khoảng 250m2 thì mỗi vị trí có diện tích khoảng 40x40 cm" [Mục 1.2.1].
    • Cơ sở dữ liệu mẫu: "Phụ lục A.1: Cơ sở dữ liệu và dữ liệu mẫu dùng trong chương 2" cung cấp cấu trúc cơ sở dữ liệu chi tiết, bao gồm "Bảng AP: Thông tin các AP" [Bảng A.1], "Bảng Point: Thông tin các điểm lấy mẫu và hướng lấy mẫu" [Bảng A.2], và "Bảng Signal: Thông tin giá trị RSS của các AP được lấy tại RP" [Bảng A.3].
    • Kịch bản thực nghiệm: "Nội dung và kịch bản thực nghiệm" [Mục 2.6.1, 2.7.2] được mô tả rõ ràng cho các phương pháp chọn AP và phân cụm.
    • Bộ dữ liệu công cộng: Việc sử dụng "bộ dữ liệu công cộng UJIIndoorLoc [90]" [Mục 3.4.1] cho phép các nhà nghiên cứu khác tái tạo các kết quả liên quan đến mô hình học máy hai giai đoạn.
    • Siêu tham số: "Phụ lục A.3: Siêu tham số" cung cấp "Tham số tối ưu cho mô hình phân lớp dự đoán tòa-tầng sử dụng GridSearchCV" [Bảng A.10] và "Tham số tối ưu cho mô hình hồi quy ước lượng kinh độ, vĩ độ sử dụng GridSearchCV" [Bảng A.11], cho phép các nhà nghiên cứu tái tạo các cấu hình mô hình tối ưu.
    • Các chỉ số đánh giá: Luận án sử dụng các chỉ số tiêu chuẩn như MSE, Precision, Recall, F1-score [1.8], giúp đánh giá và so sánh kết quả một cách khách quan.

  5. Chương trình nghiên cứu 10 năm có được phác thảo không? Chương trình nghiên cứu 10 năm không được phác thảo trực tiếp trong một phần riêng biệt, nhưng các "Limitations và Future Research" cung cấp một lộ trình rõ ràng, định hướng cho một thập kỷ nghiên cứu tiếp theo. Các hướng nghiên cứu cụ thể bao gồm:

    • Phát triển phương pháp chọn cụm thích ứng: Xây dựng các thuật toán phân cụm động để xử lý tốt hơn sự biến động RSS và yếu tố không gian.
    • Tối ưu hóa mô hình hai giai đoạn: Tập trung vào giảm độ phức tạp tính toán và cải thiện hiệu quả của các giai đoạn học.
    • Tích hợp đa cảm biến: Kết hợp WiFi với các công nghệ như BLE, UWB và cảm biến IMU để cải thiện mạnh mẽ độ chính xác và độ bền.
    • Học tập không cần bản đồ (Mapless/Online Learning): Phát triển các hệ thống IPS tự động cập nhật cơ sở dữ liệu fingerPrinting, giảm gánh nặng bảo trì.
    • Ứng dụng trong các môi trường đặc thù: Mở rộng và tinh chỉnh các giải pháp cho các bối cảnh ứng dụng mới và phức tạp hơn. Những hướng này đại diện cho các lĩnh vực nghiên cứu đầy tiềm năng, có thể dẫn đến nhiều luận án tiến sĩ và dự án nghiên cứu khác trong thập kỷ tới.

Kết luận

Luận án "Nghiên cứu các giải pháp định vị trong nhà hiệu quả dựa trên dữ liệu sóng không dây" của Ngô Văn Bình đã đưa ra những đóng góp cụ thể và sâu rộng, tiên phong giải quyết các thách thức cốt lõi trong lĩnh vực định vị trong nhà dựa trên WiFi. Những đóng góp này không chỉ nâng cao hiệu suất của các hệ thống hiện có mà còn mở ra những con đường nghiên cứu mới:

  1. Đề xuất phương pháp lựa chọn AP tiên tiến: Luận án đã phát triển và thử nghiệm thành công một phương pháp lựa chọn AP mới, giúp "độ chính xác của hệ thống định đã tăng lên so với phương pháp lựa chọn AP trước đó" [CT3, CT4]. Điều này tối ưu hóa việc sử dụng dữ liệu RSS không ổn định do hiệu ứng đa đường và suy giảm tín hiệu.
  2. Rút ra bài học chiến lược về phân cụm: Mặc dù phương pháp chọn cụm ban đầu không đạt được hiệu quả mong đợi, luận án đã rút ra "một bài học quan trọng về phân bố các vị trí/tham chiếu và mật độ AP trên các khu vực khác nhau của môi trường trong nhà" [CT3, CT4]. Đây là một đóng góp lý thuyết giá trị, làm sâu sắc thêm hiểu biết về thiết kế cơ sở dữ liệu fingerPrinting trong các môi trường phức tạp.
  3. Giới thiệu mô hình học máy hai giai đoạn đột phá: Luận án đã đề xuất một kiến trúc học máy hai giai đoạn sáng tạo, trong đó "kết quả huấn luyện của giai đoạn đầu được sử dụng để tăng cường dữ liệu chất lượng hơn cho bộ dữ liệu huấn luyện của mô hình học máy giai đoạn hai" [CT2, Journal of Computer Science and Cybernetics]. Mô hình này đã chứng minh "là một phương pháp học máy hiệu quả" [CT2] trên bộ dữ liệu UJIIndoorLoc [90] cho cả bài toán phân lớp dự đoán tòa-tầng và hồi quy ước lượng vị trí, vượt trội so với các mô hình đơn lẻ và giải quyết vấn đề quá khớp.
  4. Cải thiện đáng kể hiệu suất và độ chính xác định vị: Thông qua các giải pháp đề xuất, luận án đã nâng cao đáng kể khả năng định vị chính xác và hiệu suất của phương pháp fingerPrinting, giải quyết các thách thức cốt lõi về sự không ổn định của RSS.
  5. Mở ra dòng nghiên cứu mới trong học máy tổng hợp: Mô hình hai giai đoạn mở ra một hướng tiếp cận mới trong lý thuyết học máy tổng hợp, nơi việc tăng cường dữ liệu thông qua các giai đoạn học tập tuần tự trở thành trọng tâm.

Luận án này đại diện cho sự tiến bộ trong paradigm nghiên cứu từ việc chỉ đo lường và dự đoán đến việc hiểu sâu sắc hơn về các yếu tố môi trường ảnh hưởng đến tín hiệu không dây và cách thiết kế các hệ thống thông minh hơn để thích ứng với chúng. Điều này được minh chứng bằng việc chuyển từ các phương pháp đơn giản sang các mô hình học máy phức tạp, đa giai đoạn.

Nghiên cứu đã mở ra ít nhất 3 dòng nghiên cứu mới:

  • Tối ưu hóa và thích ứng hóa phương pháp phân cụm trong môi trường động.
  • Phát triển các kiến trúc học máy đa giai đoạn với cơ chế tăng cường dữ liệu thông minh.
  • Tích hợp đa cảm biến và học tập liên tục cho định vị trong nhà không cần bản đồ.

Với các kiểm chứng trên môi trường thực tế và bộ dữ liệu công cộng được sử dụng rộng rãi quốc tế (UJIIndoorLoc [90]), các kết quả của luận án có mức độ phù hợp toàn cầu cao. Chúng có thể được áp dụng và mở rộng cho các hệ thống định vị trong nhà trên khắp thế giới, từ các trung tâm mua sắm ở châu Á đến các bệnh viện thông minh ở châu Âu. Di sản của luận án này sẽ là việc cung cấp các giải pháp có thể đo lường được nhằm nâng cao hiệu quả các dịch vụ dựa trên vị trí trong nhà, góp phần vào sự phát triển của các thành phố thông minh và cải thiện trải nghiệm cuộc sống cho hàng tỷ người dùng trên toàn cầu.