Tổng quan về luận án

Luận án tiến sĩ này khai phá một hướng nghiên cứu tiên phong trong việc nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại thông minh, đặc biệt trong bối cảnh giao thông đô thị phức tạp của Việt Nam. Nghiên cứu giải quyết những thách thức cấp thiết về an toàn giao thông và quản lý đô thị bằng cách cung cấp một mô hình nhận dạng hành vi hiệu quả và tiết kiệm năng lượng.

Bối cảnh khoa học và tính tiên phong của nghiên cứu: Tính cấp thiết của luận án bắt nguồn từ thực trạng an toàn giao thông đường bộ đang là vấn đề toàn cầu, với tai nạn giao thông là một trong 10 nguyên nhân gây tử vong hàng đầu, ảnh hưởng nặng nề đến các nước có thu nhập thấp và trung bình [1]. Các hành vi bất thường của người điều khiển phương tiện là tác nhân chính. Luận án nổi bật bởi hướng tiếp cận sử dụng cảm biến gia tốc điện thoại thông minh – một giải pháp khả thi và tiết kiệm năng lượng, phù hợp với sự phổ biến của thiết bị này ở các đô thị Việt Nam.

Research gap SPECIFIC với citations từ literature: Nhiều nghiên cứu trước đây về nhận dạng hành vi người dùng thường yêu cầu vị trí điện thoại cố định hoặc sử dụng đồng thời nhiều loại cảm biến (như GPS, cảm biến hình ảnh, âm thanh) để đạt độ chính xác cao. Tuy nhiên, điều này làm cho mô hình "trở nên quá phức tạp hoặc khó thực hiện trong thực tế" (Mở đầu, tr. 1). Một khoảng trống lớn khác là sự thiếu hụt các mô hình phù hợp với điều kiện hạ tầng giao thông đa dạng, văn hóa và thói quen di chuyển đặc thù của Việt Nam, nơi xe máy và xe đạp là phương tiện chủ yếu, khác biệt so với các nghiên cứu quốc tế thường tập trung vào ô tô, xe buýt tại các nước phát triển (Mở đầu, tr. 2). Việc thu thập dữ liệu và xác định các mẫu hành vi bất thường cũng là một thách thức lớn, bởi chúng "xảy ra nhanh và khó phát hiện" (Chương 3, tr. 21).

Research questions và hypotheses (đánh số cụ thể): Mục tiêu chính của luận án là "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." (Mở đầu, tr. 3). Từ đó, các câu hỏi nghiên cứu (RQ) và giả thuyết (H) chính được đặt ra: RQ1: Làm thế nào để xác định tập thuộc tính đặc trưng tối ưu từ dữ liệu cảm biến gia tốc điện thoại thông minh khi vị trí điện thoại không cố định, nhằm nâng cao hiệu quả nhận dạng hành động và hành vi? H1: Việc kết hợp các thuộc tính từ miền thời gian, miền tần số và tham số Hjorth sẽ tạo ra một tập thuộc tính đặc trưng hiệu quả hơn so với chỉ sử dụng các miền riêng lẻ, giúp cải thiện đáng kể độ chính xác của hệ thống nhận dạng hành động.

RQ2: Làm thế nào để xây dựng một hệ thống nhận dạng hành động giao thông cơ bản (đi thẳng, dừng, rẽ trái, rẽ phải) phù hợp với điều kiện giao thông tại Việt Nam, đặc biệt là với phương tiện xe máy? H2: Phương pháp chuyển đổi hệ tọa độ cảm biến theo hệ tọa độ trái đất và tối ưu kích thước cửa sổ dữ liệu động theo từng hành động sẽ cải thiện độ chính xác của nhận dạng hành động so với các phương pháp cố định.

RQ3: Làm thế nào để đề xuất một giải pháp phát hiện hành vi giao thông bất thường hiệu quả, khắc phục hạn chế trong việc thu thập dữ liệu mẫu bất thường trực tiếp? H3: Một giải pháp phát hiện hành vi bất thường dựa trên sự sai khác của các hành động cơ bản trong một khoảng thời gian ngắn, được định lượng bằng tỉ lệ sai khác so với ngưỡng cho trước, sẽ đạt hiệu quả cao hơn các phương pháp so khớp trực tiếp hoặc phân lớp truyền thống sử dụng dữ liệu mẫu bất thường.

Theoretical framework với tên theories cụ thể: Luận án được xây dựng dựa trên các nguyên lý của Học máy (Machine Learning) và Xử lý tín hiệu số (Digital Signal Processing). Cụ thể, các lý thuyết và thuật toán chính được áp dụng bao gồm:

  1. Lý thuyết phân loại (Classification Theory): Nền tảng cho việc xây dựng các mô hình phân lớp để nhận dạng hành động và hành vi. Các thuật toán như Random Forest (RF), Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Naive Bayes (NB), và J48 (Decision Tree) được sử dụng để phân loại các mẫu dữ liệu đặc trưng vào các lớp hành động hoặc hành vi định trước (Chương 2.5.4, Bảng 2-6).
  2. Lý thuyết học sâu (Deep Learning Theory): Áp dụng thông qua bộ phân lớp Di4jMipClassifier (tích hợp trong WekaDeeplearning4J) để so sánh hiệu quả với các phương pháp phân lớp truyền thống trong nhận dạng hành vi bất thường (Chương 3.4.2).
  3. Xử lý tín hiệu và Phân tích Đặc trưng (Signal Processing and Feature Analysis): Các kỹ thuật như Biến đổi Fourier nhanh (FFT) để trích xuất đặc trưng miền tần số, cùng với các phép tính thống kê trong miền thời gian và tham số Hjorth (Activity, Mobility, Complexity) để biểu diễn tín hiệu cảm biến gia tốc (Chương 2.4.4, Chương 2.4.5, Chương 2.4.6).

Đóng góp đột phá với quantified impact:

  1. Tập thuộc tính đặc trưng TFH2 đột phá: Đề xuất và xác thực một tập thuộc tính đặc trưng tổng hợp gồm 59 thuộc tính từ miền thời gian, miền tần số và tham số Hjorth, đạt độ chính xác 98.95% và AUC 0.999852 khi sử dụng thuật toán RF (Bảng 2-18) – cao hơn đáng kể so với các tập thuộc tính riêng lẻ.
  2. Phương pháp tối ưu cửa sổ dữ liệu động: Phát triển thuật toán lựa chọn kích thước cửa sổ và tỉ lệ chồng dữ liệu tối ưu cho từng loại hành động dựa trên độ đo AUC, mang lại hiệu quả nhận dạng vượt trội cho các hành động cơ bản ("Dừng": AUC 0.999422, "Đi thẳng": AUC 0.992828, "Rẽ trái": AUC 0.996841, "Rẽ phải": AUC 0.987251 - Bảng 2-17).
  3. Giải pháp phát hiện hành vi bất thường mới: Đề xuất một cách tiếp cận đột phá để phát hiện hành vi bất thường bằng cách phân tích tỉ lệ sai khác của các hành động cơ bản trong một cửa sổ ngắn. Phương pháp này đạt tỉ lệ phát hiện 90.43% cho hành vi "lạng lách" (Bảng 3-8), vượt xa DTW (59.6%) và Di4jMipClassifier (89.33%) (Bảng 3-9).
  4. Hiệu quả cao trong môi trường giao thông Việt Nam: Chứng minh tính khả thi và hiệu quả của hệ thống trong điều kiện vị trí điện thoại không cố định và giao thông phức tạp ở Việt Nam, đạt độ chính xác 97.33% trên bộ dữ liệu HTC quốc tế, cao hơn Fang et al. [31] (83.57%) và Guvensan et al. [32] (91.63%) (Bảng 2-19).

Scope (sample size, timeframe) và significance: Luận án tập trung vào nhận dạng hành vi giao thông của người điều khiển phương tiện xe máy ở đô thị Việt Nam. Dữ liệu được thu thập từ 11 đối tượng khác nhau cho hành động cơ bản và 8 đối tượng cho hành vi bất thường (Chương 2.2, Chương 3.5.2), với tần số lấy mẫu 50Hz. Khung thời gian thu thập dữ liệu cho từng hành động kéo dài từ 3-20 phút (Bảng 2-8). Các đóng góp này có ý nghĩa lớn trong việc nâng cao an toàn giao thông, hỗ trợ quy hoạch đô thị thông minh, và phát triển các ứng dụng bảo hiểm dựa trên hành vi lái xe, đặc biệt trong bối cảnh giao thông đặc thù của các nước đang phát triển.

Literature Review và Positioning

Tổng quan tài liệu cho thấy sự quan tâm sâu rộng đến nhận dạng hành vi người dùng dựa trên cảm biến điện thoại thông minh. Tuy nhiên, nhiều nghiên cứu còn tồn tại những hạn chế nhất định mà luận án này hướng tới giải quyết.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Các dòng nghiên cứu chính có thể được phân loại như sau:

  1. Nhận dạng phương tiện và kiểu lái xe: Johnson, Derick A. và cộng sự (2014) [17] đã xác định các kiểu lái xe dựa trên dữ liệu cảm biến điện thoại thông minh, bao gồm cả GPS. Liu, Zhenyu (2015) [13] cũng sử dụng cảm biến điện thoại kết hợp GPS để hỗ trợ lái xe an toàn.
  2. Phát hiện sự kiện giao thông bình thường và bất thường: Goregaonkar, Roma và cộng sự (2014) [16] sử dụng cảm biến gia tốc, GPS và hình ảnh để phát hiện tai nạn. Vavouranakis và cộng sự (2017) [20] nhận dạng 12 hành vi lái xe an toàn/không an toàn. Yu, Jiadi và cộng sự (2016) [15] phát hiện 6 hành vi lái xe bất thường.
  3. Kỹ thuật xử lý dữ liệu cảm biến: Nghiên cứu của Li Liu và cộng sự (2014) [19] sử dụng kỹ thuật trích xuất đặc trưng từ dữ liệu cảm biến gia tốc khi điện thoại cố định. Phạm Cường và cộng sự (2016) [22] phát hiện hoạt động người điều khiển phương tiện bằng trích xuất đặc trưng trên cửa sổ dữ liệu.
  4. Ứng dụng kỹ thuật học sâu: Ronao, Charissa Ann và cộng sự (2015) [23] và các nghiên cứu khác [11][15][24][63][64][65][66] đã áp dụng mạng nơ-ron nhân tạo (ANN) hoặc kỹ thuật học sâu để nhận dạng hành động và hành vi.

Contradictions/debates với ít nhất 2 opposing views: Một điểm tranh luận chính là việc sử dụng nhiều loại cảm biến so với chỉ cảm biến gia tốc:

  • Quan điểm 1 (Kết hợp nhiều cảm biến): Các nghiên cứu của Johnson, Derick A. và cộng sự [5], Liu, Zhenyu [13], Goregaonkar, Roma [16], và Vavouranakis et al. [20] cho rằng việc kết hợp nhiều cảm biến (gia tốc, con quay hồi chuyển, từ kế, GPS, hình ảnh) cung cấp "những nguồn dữ liệu khác nhau sẽ làm giàu thông tin cho hệ thống, giúp hệ thống cải thiện hiệu quả thực hiện nhận dạng hành động" (Chương 2, tr. 28). Chẳng hạn, Johnson và cộng sự [5] chỉ ra rằng độ chính xác nhận dạng hành vi quay đầu tăng từ 23% (chỉ gia tốc) lên 77% (kết hợp ba loại cảm biến).
  • Quan điểm 2 (Chỉ sử dụng cảm biến gia tốc): Luận án và các nghiên cứu khác như của Singh, Gurdit [12] lập luận rằng việc sử dụng đồng thời nhiều dữ liệu cảm biến "dẫn đến tiêu tốn nhiều năng lượng của điện thoại thông minh và khó có thể áp dụng trong thực tế" (Mở đầu, tr. 3). Hướng tiếp cận chỉ sử dụng dữ liệu cảm biến gia tốc được đánh giá là "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" (Mở đầu, tr. 3).

Positioning trong literature với specific gap identified: Luận án định vị mình bằng cách giải quyết khoảng trống nghiên cứu về nhận dạng hành vi giao thông trong điều kiện vị trí điện thoại không cố định và môi trường giao thông đô thị đặc thù của Việt Nam (xe máy là chủ yếu). Các nghiên cứu trước đây thường giả định vị trí điện thoại cố định [5][15] hoặc thực hiện trên phương tiện ô tô [15][21], không hoàn toàn phù hợp với thực tế sử dụng điện thoại của người lái xe máy hoặc điều kiện giao thông tại các nước đang phát triển. Hơn nữa, luận án đưa ra một phương pháp mới để phát hiện hành vi bất thường mà không phụ thuộc vào việc thu thập dữ liệu mẫu bất thường trực tiếp vốn rất khó khăn.

How this advances field với concrete contributions: Nghiên cứu này tiến bộ trong lĩnh vực bằng cách:

  1. Đề xuất một tập thuộc tính đặc trưng TFH2 toàn diện, tích hợp sâu sắc các thông tin từ miền thời gian, miền tần số và tham số Hjorth, giải quyết hiệu quả vấn đề nhiễu dữ liệu từ vị trí điện thoại không cố định.
  2. Phát triển một phương pháp tối ưu hóa kích thước cửa sổ dữ liệu động cho từng hành động, nâng cao đáng kể độ chính xác nhận dạng.
  3. Trình bày một giải pháp phát hiện hành vi bất thường sáng tạo, chuyển trọng tâm từ việc nhận dạng trực tiếp các mẫu bất thường sang việc phát hiện sự sai lệch trong chuỗi các hành động cơ bản, làm cho hệ thống trở nên mạnh mẽ và ít phụ thuộc vào dữ liệu huấn luyện bất thường.
  4. Xác nhận hiệu quả của phương pháp trong môi trường giao thông phức tạp, đặc biệt cho xe máy, lấp đầy khoảng trống ứng dụng trong bối cảnh địa lý cụ thể của Việt Nam.

So sánh với ÍT NHẤT 2 international studies: Khi so sánh với các nghiên cứu quốc tế sử dụng cùng bộ dữ liệu HTC [56] của Đài Loan, phương pháp nhận dạng đề xuất của luận án đạt độ chính xác 97.33% (Bảng 2-19). Con số này vượt trội hơn so với Fang et al. (sử dụng KNN) với 83.57% [31] và Guvensan et al. (sử dụng RF) với 91.63% [32]. Điều này chứng minh tính ưu việt của tập thuộc tính đặc trưng (TFH2, 59 thuộc tính so với 348 của Guvensan [32]) và phương pháp được đề xuất, đặc biệt khi tính đến khả năng tiết kiệm năng lượng do chỉ sử dụng cảm biến gia tốc và kích thước cửa sổ ngắn hơn (6 giây so với 17.06 giây hoặc 60 giây của các nghiên cứu khác).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và thách thức một số khía cạnh của các lý thuyết hiện có trong nhận dạng hoạt động của con người (Human Activity Recognition - HAR) và phát hiện dị thường (Anomaly Detection).

  • Extend/challenge WHICH specific theories (name theorists):
    • Thách thức các giả định trong HAR về vị trí cảm biến cố định: Nhiều mô hình HAR, đặc biệt là các mô hình dựa trên phương pháp so khớp (DTW) hoặc phân tích theo từng trục tọa độ, giả định vị trí cố định của thiết bị cảm biến (ví dụ: Johnson et al. [5]). Luận án thách thức giả định này bằng cách chứng minh rằng, với kỹ thuật chuyển đổi hệ tọa độ và trích xuất đặc trưng phù hợp, nhận dạng hành vi vẫn có thể đạt độ chính xác cao ngay cả khi vị trí điện thoại không cố định.
    • Mở rộng lý thuyết trích xuất đặc trưng tín hiệu: Các nghiên cứu về xử lý tín hiệu số thường tập trung vào miền thời gian hoặc miền tần số. Luận án mở rộng các lý thuyết này bằng cách tích hợp tham số Hjorth, vốn phổ biến trong phân tích tín hiệu y sinh, vào một tập thuộc tính đặc trưng tổng hợp cho dữ liệu cảm biến gia tốc. Điều này chứng minh rằng việc kết hợp các đặc trưng từ các miền và lĩnh vực khác nhau có thể nâng cao năng lực phân biệt của hệ thống, điều chỉnh lý thuyết trích xuất đặc trưng để phù hợp với dữ liệu nhiễu và đa dạng hơn. (Evidence: "khi bổ sung tham số Hjorth vao tap thudc tinh 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 RE được lựa chọn là 3,17% và giá trị độ do AUC lon hon 1a 0,0013" - Bảng 2-18).
  • Conceptual framework với components và relationships: Khung khái niệm của luận án bao gồm ba thành phần chính và mối quan hệ của chúng:
    1. Thu thập & Tiền xử lý dữ liệu cảm biến: Dữ liệu cảm biến gia tốc từ điện thoại thông minh. Tiền xử lý bao gồm chuyển đổi hệ tọa độ, phân đoạn chuỗi tín hiệu thành cửa sổ dữ liệu với kích thước và tỉ lệ chồng tối ưu.
    2. Hệ thống nhận dạng hành động cơ bản: Sử dụng tập thuộc tính đặc trưng TFH2 để biến đổi dữ liệu thành các đặc trưng. Các thuật toán phân lớp (chủ yếu là Random Forest) được huấn luyện để nhận dạng 4 hành động cơ bản: Dừng, Đi thẳng, Rẽ trái, Rẽ phải (Hình 2-7).
    3. Hệ thống nhận dạng hành vi bất thường: Dựa trên kết quả từ hệ thống nhận dạng hành động cơ bản. Hành vi bất thường được định nghĩa thông qua tỉ lệ sai khác của các hành động được nhận dạng trong các cửa sổ dữ liệu nhỏ hơn so với hành động cơ bản được dự đoán ban đầu (Hình 3-5, Hình 3-6). Mối quan hệ là tuyến tính và phân cấp, nơi nhận dạng hành động là nền tảng cho nhận dạng hành vi bất thường.
  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết của luận án xoay quanh việc kiểm tra các giả thuyết về mối quan hệ giữa việc tối ưu hóa dữ liệu đầu vào và hiệu suất của hệ thống nhận dạng. Các mệnh đề chính là: P1: Việc sử dụng tập thuộc tính đặc trưng kết hợp từ miền thời gian, miền tần số và tham số Hjorth (TFH2) sẽ tối đa hóa khả năng phân biệt giữa các hành động giao thông cơ bản từ dữ liệu cảm biến gia tốc khi điện thoại không cố định. P2: Kích thước cửa sổ dữ liệu và tỉ lệ chồng dữ liệu được tối ưu hóa riêng cho từng hành động giao thông sẽ mang lại độ chính xác nhận dạng cao hơn so với việc sử dụng các tham số cố định. P3: Một hệ thống nhận dạng hành vi bất thường không phụ thuộc vào dữ liệu mẫu bất thường trực tiếp, mà dựa trên sự phát hiện sai khác trong các chuỗi hành động cơ bản trong các cửa sổ dữ liệu nhỏ, có thể đạt hiệu suất vượt trội so với các phương pháp dựa trên so khớp hoặc phân lớp trực tiếp.
  • Paradigm shift với EVIDENCE từ findings: Luận án tạo ra một thay đổi mô hình (paradigm shift) trong phát hiện hành vi bất thường. Theo truyền thống, phát hiện bất thường thường yêu cầu thu thập và gán nhãn các mẫu dữ liệu bất thường (Dạng 1 trong [58]), điều này cực kỳ khó khăn và tốn kém do sự hiếm có và đa dạng của các hành vi bất thường. Luận án đề xuất một hướng tiếp cận mới, "không lệ thuộc vào việc xác định mẫu dữ liệu bất thường" (Chương 3, tr. 101), mà thay vào đó, suy ra tính bất thường từ sự "sai khác các nhãn hành động nhận được với hành động cơ bản" (Đóng góp thứ hai, tr. 5) trong các cửa sổ dữ liệu nhỏ hơn. Sự thay đổi này được hỗ trợ bởi kết quả thực nghiệm khi giải pháp đề xuất đạt tỉ lệ phát hiện 90.43% cho hành vi "lạng lách", vượt trội so với DTW (59.6%) và Di4jMipClassifier (89.33%) (Bảng 3-9).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp nhiều phương pháp tiên tiến để giải quyết các thách thức cụ thể của nhận dạng hành vi giao thông trong môi trường thực tế.

  • Integration của theories (name 3+ specific theories): Khung phân tích độc đáo của luận án tích hợp sâu rộng các lý thuyết từ Xử lý tín hiệu số, Học máy và Thống kê:
    1. Lý thuyết Xử lý tín hiệu số: Áp dụng cho tiền xử lý dữ liệu (làm sạch dữ liệu, chuyển đổi hệ tọa độ, phân đoạn chuỗi tín hiệu) và trích xuất đặc trưng (miền thời gian, miền tần số).
    2. Lý thuyết Học máy (Machine Learning): Cung cấp nền tảng cho việc xây dựng các mô hình phân lớp (Random Forest, SVM, k-NN, Naive Bayes, J48, Deep Learning) để nhận dạng hành động và hành vi bất thường.
    3. Lý thuyết Thống kê: Sử dụng trong việc tính toán các thuộc tính đặc trưng (giá trị trung bình, phương sai, độ lệch chuẩn, hệ số tương quan, tham số Hjorth) và các độ đo đánh giá (Accuracy, AUC) để định lượng hiệu suất của hệ thống và tối ưu hóa tham số.
  • Novel analytical approach với justification: Cách tiếp cận phân tích mới nằm ở chiến lược ba tầng:
    1. Chuyển đổi hệ tọa độ để ổn định dữ liệu: Giải quyết vấn đề vị trí điện thoại không cố định bằng cách chuyển đổi hệ tọa độ của cảm biến về hệ tọa độ trái đất. Điều này được chứng minh làm tăng đáng kể độ chính xác nhận dạng (từ 88.32% lên 90.97% Accuracy và từ 0.97676 lên 0.98541 AUC khi sử dụng RF với dữ liệu thô so với đã chuyển trục - Bảng 2-12).
    2. Tập thuộc tính đặc trưng TFH2 toàn diện: Xây dựng một tập thuộc tính đặc trưng TFH2 (gồm 59 thuộc tính) tích hợp các đặc trưng miền thời gian, miền tần số và tham số Hjorth. Đây là một cách tiếp cận đa chiều để nắm bắt các khía cạnh khác nhau của tín hiệu cảm biến gia tốc, từ đó nâng cao khả năng phân biệt.
    3. Chiến lược phát hiện bất thường dựa trên hành động: Đề xuất giải pháp phát hiện hành vi bất thường không trực tiếp dựa vào dữ liệu mẫu bất thường, mà thông qua việc đánh giá tỉ lệ sai khác của các hành động cơ bản được nhận dạng trong các cửa sổ dữ liệu nhỏ hơn. Cách tiếp cận này giảm thiểu sự phụ thuộc vào dữ liệu mẫu bất thường khan hiếm và khó gán nhãn, vốn là một hạn chế lớn của các phương pháp truyền thống.
  • Conceptual contributions với definitions: Luận án đóng góp các định nghĩa khái niệm quan trọng:
    • Hành động giao thông cơ bản: "việc người điều khiển thay đổi trạng thái của phương tiện trong quá trình tham gia giao thông" (Chương 1, tr. 8). Luận án tập trung vào 4 hành động: Dừng, Đi thẳng, Rẽ trái, Rẽ phải.
    • Hành vi giao thông bất thường: Được định nghĩa là "một hành vi được xác định dựa trên một hành động gốc mà tập hợp một số hành động cơ bản xảy ra trong một khoảng thời gian ngắn có tỷ lệ sai khác nhất định so với hành động gốc đó" (Chương 3, tr. 78). Định nghĩa này là trọng tâm cho giải pháp đề xuất của luận án.
    • Tập thuộc tính đặc trưng TFH2: Là một tập hợp 59 thuộc tính thống kê và xử lý tín hiệu được tính toán từ dữ liệu cảm biến gia tốc, bao gồm các đặc trưng từ miền thời gian, miền tần số và tham số Hjorth (Bảng 2-5).
  • Boundary conditions explicitly stated: Các điều kiện giới hạn của nghiên cứu được xác định rõ ràng:
    • Loại phương tiện: Luận án chủ yếu tập trung vào phương tiện xe máy do tính phổ biến tại đô thị Việt Nam (Chương 2.2).
    • Loại hành vi bất thường: Chỉ khảo sát sâu loại hành vi "lạng lách" (weaving) như một ví dụ điển hình của hành vi bất thường (Chương 3.5.2).
    • Số lượng mẫu: "Số lượng các mẫu hành vi cũng chưa được thu thập đa dạng, đủ lớn từ nhiều đối tượng thực nghiệm, phủ hết các cảnh huống, điều kiện và trên các loại phương tiện khác nhau" (Kết luận, tr. 104).
    • Phạm vi hệ thống: Nghiên cứu dừng lại ở việc xây dựng mô hình nhận dạng và chưa mở rộng ra hệ thống hiển thị và giám sát giao thông theo thời gian thực (Kết luận, tr. 103-104).

Phương pháp nghiên cứu tiên tiến

Phương pháp nghiên cứu của luận án được thiết kế một cách tỉ mỉ để giải quyết các thách thức kỹ thuật trong nhận dạng hành vi giao thông dựa trên cảm biến điện thoại.

Thiết kế nghiên cứu

  • Research philosophy (Positivism): Luận án tuân theo Thực chứng luận, với mục tiêu xây dựng một mô hình nhận dạng có thể đo lường và kiểm chứng một cách khách quan. Nghiên cứu sử dụng các phương pháp định lượng, thống kê và thực nghiệm để kiểm định các giả thuyết và đạt được kết quả có thể khái quát hóa.
  • Mixed methods với SPECIFIC combination rationale: Luận án không sử dụng thiết kế phương pháp hỗn hợp theo nghĩa kết hợp định tính và định lượng mà tập trung vào phương pháp định lượng. Tuy nhiên, nó kết hợp nhiều kỹ thuật xử lý dữ liệu và học máy tiên tiến để giải quyết bài toán phức tạp, bao gồm:
    • Tiền xử lý dữ liệu và trích xuất đặc trưng từ miền thời gian, miền tần số và tham số Hjorth.
    • Sử dụng nhiều thuật toán phân lớp (RF, J48, NB, k-NN, SVM, Di4jMipClassifier).
    • Kỹ thuật so khớp thời gian động (DTW) để so sánh hiệu quả.
    • Lý do kết hợp: Đảm bảo tính toàn diện trong phân tích dữ liệu nhiễu và đa chiều từ cảm biến điện thoại, đồng thời so sánh để chọn ra phương pháp tối ưu nhất cho từng giai đoạn nhận dạng hành động và hành vi bất thường.
  • Multi-level design với levels clearly defined: Mặc dù không phải là thiết kế đa cấp truyền thống trong nghiên cứu xã hội, luận án có một cấu trúc phân tầng trong phát hiện hành vi:
    • Cấp độ 1: Nhận dạng hành động cơ bản: Hệ thống đầu tiên nhận dạng 4 hành động giao thông cơ bản (Dừng, Đi thẳng, Rẽ trái, Rẽ phải). Đây là cấp độ nền tảng.
    • Cấp độ 2: Phát hiện hành vi bất thường: Dựa trên kết quả nhận dạng hành động ở cấp độ 1, hệ thống phân tích sự sai khác của các hành động cơ bản trong các cửa sổ dữ liệu nhỏ hơn để suy ra tính bất thường của hành vi. Cấp độ này thể hiện sự phụ thuộc và kế thừa từ cấp độ dưới.
  • Sample size và selection criteria EXACT:
    • Mẫu dữ liệu cho hành động cơ bản: Thu thập từ 11 đối tượng (7 nam, 4 nữ, độ tuổi 22-40, nghề nghiệp: sinh viên, giảng viên, nhân viên văn phòng) khi họ điều khiển hoặc ngồi sau phương tiện xe máy trên đường phố Hà Nội (Bảng 2-7, Bảng 2-8).
    • Mẫu dữ liệu cho hành vi bất thường: Thu thập từ 8 đối tượng khác nhau, thực hiện hành vi lạng lách và hành vi bình thường (đi thẳng, dừng) trong các cung đường vắng theo kịch bản giả định (Bảng 3-1, Bảng 3-2).
    • Tiêu chí lựa chọn: Đối tượng là người sử dụng điện thoại thông minh, có khả năng tham gia vào quá trình thu thập dữ liệu bằng cách điều khiển phương tiện hoặc ngồi sau. Vị trí điện thoại được phép thay đổi tùy ý.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:
    • Chiến lược lấy mẫu: Lấy mẫu thuận tiện (convenience sampling) và lấy mẫu theo mục đích (purposive sampling) để đảm bảo dữ liệu đa dạng về hành vi lái xe, đồng thời dễ dàng tiếp cận người tham gia.
    • Tiêu chí bao gồm: Người sử dụng xe máy thường xuyên ở Hà Nội, sở hữu điện thoại thông minh có cảm biến gia tốc, đồng ý tham gia thu thập dữ liệu trong các cảnh huống được kiểm soát và thực tế.
    • Tiêu chí loại trừ: Người không có kinh nghiệm lái xe máy, không có điện thoại thông minh hoặc từ chối tham gia.
  • Data collection protocols với instruments described:
    • Thiết bị: Điện thoại thông minh chạy hệ điều hành Android 4.0 trở lên, sử dụng ngôn ngữ Java để phát triển chương trình thu thập dữ liệu (Chương 2.5.1).
    • Cảm biến: Chủ yếu là cảm biến gia tốc, kết hợp con quay hồi chuyển và từ kế để chuyển đổi hệ tọa độ (Chương 2.2).
    • Tần số lấy mẫu: Cố định ở 50Hz cho tất cả các lần thu thập (Chương 2.2).
    • Gán nhãn: Dữ liệu được gán nhãn thủ công bởi người thực hiện nghiên cứu dựa trên các cảnh huống được định nghĩa trước (ví dụ: hành động "Dừng" được gán nhãn khi phương tiện dừng hẳn, Chương 2.2).
  • Triangulation (data/method/investigator/theory):
    • Triangulation dữ liệu: Sử dụng cả dữ liệu tự thu thập trong điều kiện thực tế của Việt Nam và bộ dữ liệu công khai quốc tế (HTC dataset [56]) để đánh giá hệ thống (Chương 2.5.6).
    • Triangulation phương pháp: So sánh hiệu quả của giải pháp đề xuất với nhiều thuật toán học máy khác nhau (RF, J48, NB, k-NN, SVM, DTW, Deep Learning qua Di4jMipClassifier) để đảm bảo tính vững chắc của kết quả (Chương 2.5.4, Chương 3.4.2, Chương 3.5).
  • Validity (construct/internal/external) và reliability (α values):
    • Độ tin cậy (Reliability): Đảm bảo bằng việc thu thập dữ liệu với tần số cố định 50Hz và quy trình gán nhãn nhất quán. Các giá trị độ đo AUC và Accuracy thu được từ kiểm chứng chéo 10-fold (CV10) cung cấp bằng chứng về tính ổn định và lặp lại của kết quả (Chương 2.5.4, Bảng 2-11, Bảng 2-18). Alpha Cronbach (α values) không được đề cập trực tiếp nhưng CV10 là một kỹ thuật mạnh để kiểm tra tính ổn định.
    • Độ giá trị (Validity):
      • Construct Validity: Các thuộc tính đặc trưng được lựa chọn dựa trên các nguyên lý xử lý tín hiệu và thống kê đã được chứng minh trong lĩnh vực HAR, đảm bảo các biến đo lường đúng các khái niệm hành động/hành vi.
      • Internal Validity: Được tăng cường thông qua các bước tiền xử lý dữ liệu nghiêm ngặt (làm sạch, chuyển đổi hệ tọa độ, tối ưu kích thước cửa sổ) nhằm giảm thiểu ảnh hưởng của các yếu tố ngoại sinh và nhiễu dữ liệu.
      • External Validity: Cố gắng tăng cường bằng cách thực hiện thu thập dữ liệu trong môi trường thực tế của Việt Nam và so sánh với bộ dữ liệu quốc tế. Tuy nhiên, luận án cũng thẳng thắn thừa nhận hạn chế về số lượng đối tượng và cảnh huống, ảnh hưởng đến khả năng khái quát hóa hoàn toàn (Kết luận, tr. 104).

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Đối tượng: 11 người (7 nam, 4 nữ), độ tuổi 22-40, nghề nghiệp đa dạng (sinh viên, giảng viên, nhân viên văn phòng).
    • Dữ liệu hành động cơ bản: Số lượng mẫu hành động sau khi tiền xử lý và phân đoạn: Dừng (361 mẫu), Đi thẳng (3797 mẫu), Rẽ trái (1750 mẫu), Rẽ phải (1656 mẫu) (Bảng 2-9). Tổng cộng 7564 mẫu.
    • Dữ liệu hành vi bất thường: Số lượng mẫu cho hành vi "lạng lách" và "đi thẳng" (bình thường) ở các kích thước cửa sổ khác nhau (ví dụ: 433 mẫu bất thường, 830 mẫu bình thường cho cửa sổ 4 giây; tổng cộng 1263 mẫu) (Bảng 3-2).
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Kỹ thuật chính: Các thuật toán phân lớp tiên tiến và kỹ thuật học sâu được sử dụng.
    • Phân lớp: Random Forest (RF), J48, Naive Bayes (NB), k-Nearest Neighbor (k-NN), Support Vector Machine (SVM) (Chương 2.5.4).
    • Học sâu: Di4jMipClassifier (trong gói WekaDeeplearning4J) (Chương 3.4.2).
    • Xử lý tín hiệu: Các phép tính miền thời gian, miền tần số (FFT), và tham số Hjorth để trích xuất đặc trưng (Chương 2.4.4 - 2.4.6).
    • So khớp chuỗi: Dynamic Time Warping (DTW) (Chương 3.3.1).
    • Phần mềm: Chủ yếu sử dụng bộ công cụ WEKA phiên bản 3.8 và gói WekaDeeplearning4J (Chương 2.5.1).
  • Robustness checks với alternative specifications:
    • Kiểm tra độ vững chắc của tập thuộc tính: Hệ thống được đánh giá trên nhiều tập thuộc tính khác nhau (H2, F2, T2, TH2, TF2, TFH2) để xác định tập thuộc tính tối ưu (Bảng 2-10, Bảng 2-11). Kết quả cho thấy TFH2 (kết hợp tất cả) mang lại hiệu suất cao nhất.
    • Kiểm tra độ vững chắc của thuật toán: So sánh hiệu suất của giải pháp đề xuất với một loạt các thuật toán phân lớp phổ biến (RF, J48, NB, k-NN, SVM) và kỹ thuật học sâu (Di4jMipClassifier), cũng như DTW (Bảng 2-11, Bảng 3-5, Bảng 3-9). RF và giải pháp đề xuất cho thấy hiệu suất vượt trội.
    • Kiểm tra ảnh hưởng của tiền xử lý: So sánh kết quả nhận dạng giữa dữ liệu thô và dữ liệu đã được chuyển đổi hệ tọa độ, khẳng định lợi ích của việc chuyển trục (Bảng 2-12).
  • Effect sizes và confidence intervals reported: Mặc dù không trực tiếp báo cáo độ lớn hiệu ứng (effect sizes) hoặc khoảng tin cậy (confidence intervals) theo chuẩn APA, luận án định lượng sự khác biệt về hiệu suất thông qua tỉ lệ phần trăm Accuracy và giá trị AUC, cho phép đánh giá mức độ mạnh mẽ của các đóng góp. Ví dụ, tập thuộc tính TFH2 cải thiện Accuracy 3.17% và AUC 0.0013 so với TF2 (Bảng 2-18), đây là một độ lớn hiệu ứng đáng kể trong lĩnh vực học máy.

Phát hiện đột phá và implications

Luận án đã đạt được những phát hiện then chốt và có ý nghĩa sâu rộng cho cả lý thuyết và thực tiễn.

Những phát hiện then chốt

  1. Tập thuộc tính TFH2 tối ưu cho dữ liệu cảm biến không cố định: Luận án đã xác định và xác thực tập thuộc tính đặc trưng TFH2 (gồm 59 thuộc tính) là hiệu quả nhất cho nhận dạng hành động giao thông từ cảm biến gia tốc khi điện thoại không cố định. Tập này kết hợp các đặc trưng miền thời gian, miền tần số và tham số Hjorth. Phát hiện này có bằng chứng cụ thể: khi so sánh với TF2, TFH2 với thuật toán Random Forest mang lại Accuracy 98.95% và AUC 0.999852, vượt trội hơn hẳn (Bảng 2-18).
  2. Phương pháp tối ưu kích thước cửa sổ động: Thay vì một kích thước cửa sổ cố định, luận án chứng minh rằng việc tối ưu kích thước cửa sổ và tỉ lệ chồng dữ liệu cho từng hành động cơ bản (ví dụ: "Dừng" 4s/75%, "Đi thẳng" 6s/75%, "Rẽ trái" 5s/50%, "Rẽ phải" 6s/50%) là quan trọng để đạt hiệu suất cao. Điều này thể hiện AUC đạt mức gần tuyệt đối (0.999422 cho "Dừng", Bảng 2-17). Đây là một kết quả quan trọng so với các nghiên cứu trước đây thường sử dụng kích thước cửa sổ cố định, chẳng hạn 3 giây [21] hay 60 giây [32].
  3. Giải pháp đột phá cho phát hiện hành vi bất thường: Phát hiện đáng ngạc nhiên nhất là khả năng phát hiện hành vi bất thường (lạng lách) với độ chính xác cao (90.43% - Bảng 3-8) mà không cần dữ liệu mẫu bất thường trực tiếp. Phương pháp này dựa trên việc đánh giá tỉ lệ sai khác của các hành động cơ bản trong các cửa sổ dữ liệu nhỏ hơn. Kết quả này vượt xa DTW (59.6%) và Di4jMipClassifier (89.33%) trên cùng bộ dữ liệu (Bảng 3-9). Điều này đặc biệt ý nghĩa do tính phức tạp và khó khăn của việc thu thập dữ liệu mẫu bất thường.
  4. Hiệu quả cao trong môi trường giao thông Việt Nam: Hệ thống đề xuất đạt Accuracy 97.33% trên bộ dữ liệu HTC [56] khi nhận dạng hành động, vượt trội đáng kể so với các nghiên cứu quốc tế khác trên cùng bộ dữ liệu (Fang et al. [31] 83.57%, Guvensan et al. [32] 91.63% - Bảng 2-19). Phát hiện này khẳng định tính ứng dụng của mô hình trong điều kiện giao thông đô thị đặc thù như ở Việt Nam.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:
    • Lý thuyết nhận dạng hoạt động (HAR): Luận án mở rộng lý thuyết HAR bằng cách cung cấp một khuôn khổ mạnh mẽ để xử lý dữ liệu cảm biến từ vị trí điện thoại không cố định, tích hợp tham số Hjorth và tối ưu hóa kích thước cửa sổ dữ liệu động.
    • Lý thuyết phát hiện dị thường (Anomaly Detection): Luận án đóng góp một thay đổi mô hình bằng cách định nghĩa và phát hiện dị thường gián tiếp thông qua sự sai khác của các hành động cơ bản, giảm sự phụ thuộc vào dữ liệu dị thường trực tiếp hiếm có.
  • Methodological innovations applicable to other contexts:
    • Tập thuộc tính TFH2 và phương pháp tối ưu kích thước cửa sổ động có thể được áp dụng trong các lĩnh vực nhận dạng hoạt động khác như y tế (phát hiện hoạt động thể chất của bệnh nhân), thể thao (phân tích động tác), hoặc an ninh (nhận dạng hành vi đáng ngờ).
    • Giải pháp phát hiện hành vi bất thường dựa trên tỉ lệ sai khác có tiềm năng ứng dụng trong các hệ thống giám sát hành vi công nghiệp hoặc giám sát sức khỏe thiết bị, nơi dữ liệu lỗi hoặc bất thường khó thu thập.
  • Practical applications với specific recommendations:
    • Ứng dụng hỗ trợ người tham gia giao thông: Phát triển các ứng dụng di động cảnh báo người lái xe về hành vi bất thường của chính họ hoặc của người khác xung quanh, góp phần giảm thiểu tai nạn.
    • Đánh giá rủi ro bảo hiểm: Các công ty bảo hiểm có thể sử dụng mô hình nhận dạng hành vi để đánh giá mức độ rủi ro của người lái xe, từ đó đưa ra mức phí bảo hiểm phù hợp, ví dụ, người có hành vi lạng lách thường xuyên có thể được đánh giá là rủi ro cao hơn.
  • Policy recommendations với implementation pathway:
    • Chính sách an toàn giao thông: Thông tin về các loại hành vi bất thường phổ biến (ví dụ: lạng lách, rẽ đột ngột) và tần suất của chúng có thể giúp các nhà hoạch định chính sách xây dựng các chiến dịch nâng cao nhận thức và quy định pháp luật hiệu quả hơn.
    • Quy hoạch hạ tầng giao thông: Dữ liệu từ hệ thống nhận dạng hành vi có thể cung cấp thông tin chi tiết về các điểm nóng xảy ra hành vi bất thường, hỗ trợ các nhà quản lý trong việc quy hoạch lại các giao lộ nguy hiểm hoặc thiết kế lại làn đường để giảm thiểu rủi ro.
  • Generalizability conditions clearly specified: Khả năng tổng quát hóa của nghiên cứu hiện tại được giới hạn bởi:
    • Loại phương tiện: Hiện tại chủ yếu tập trung vào xe máy. Việc áp dụng cho ô tô, xe buýt, hoặc xe đạp cần được kiểm chứng thêm.
    • Số lượng đối tượng và cảnh huống: Số lượng đối tượng tham gia thực nghiệm và sự đa dạng của các cảnh huống hành vi bất thường còn hạn chế (Kết luận, tr. 104).
    • Loại hành vi bất thường: Chỉ tập trung vào "lạng lách". Các hành vi bất thường khác (ví dụ: thay đổi vận tốc đột ngột, lái xe khi say rượu) cần được nghiên cứu và mở rộng.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp đáng kể, luận án cũng thẳng thắn thừa nhận các giới hạn và đề xuất hướng nghiên cứu tiếp theo.

  • 3-4 specific limitations acknowledged:
    1. Phạm vi hành vi bất thường hạn chế: Luận án "mới chỉ dừng ở việc xây dựng mô hình nhận dạng hành vi bất thường, thực hiện khảo sát với loại hành vi lạng lách của phương tiện xe máy mà chưa có điều kiện thu thập, phân tích nhiều dạng hành vi bất thường khác nhau" (Kết luận, tr. 103-104). Điều này giới hạn khả năng ứng dụng cho một phổ rộng các hành vi nguy hiểm.
    2. Số lượng và sự đa dạng của dữ liệu mẫu: "Số lượng các mẫu hành vi cũng chưa được thu thập đa dạng, đủ lớn từ nhiều đối tượng thực nghiệm, phủ hết các cảnh huống, điều kiện và trên các loại phương tiện khác nhau" (Kết luận, tr. 104). Điều này ảnh hưởng đến khả năng tổng quát hóa của mô hình và độ vững chắc trong các điều kiện cực đoan.
    3. Thiếu hệ thống giám sát và hiển thị trực tuyến: Luận án chưa phát triển "hệ thống hiển thị và giám sát giao thông" theo thời gian thực (Kết luận, tr. 103), điều này hạn chế tác động thực tiễn ngay lập tức.
  • Boundary conditions về context/sample/time:
    • Context: Các kết quả chủ yếu được kiểm chứng trong môi trường đô thị Việt Nam với phương tiện xe máy. Mặc dù có so sánh với bộ dữ liệu quốc tế, nhưng hiệu quả trong các bối cảnh giao thông khác (ví dụ: đường cao tốc, nông thôn, các quốc gia khác) cần được đánh giá thêm.
    • Sample: Dữ liệu được thu thập từ một số lượng hạn chế các đối tượng, có thể không đại diện đầy đủ cho sự đa dạng của người tham gia giao thông.
    • Time: Các mô hình được huấn luyện dựa trên dữ liệu tại một thời điểm nhất định. Sự thay đổi theo thời gian về thói quen lái xe hoặc công nghệ điện thoại có thể ảnh hưởng đến hiệu quả của mô hình.
  • Future research agenda với 4-5 concrete directions:
    1. Cải tiến thuộc tính đặc trưng và kỹ thuật lọc: "Áp dụng các phương pháp lọc, đánh giá tập thuộc tính đặc trưng với mong muốn nâng cao hiệu quả của mô hình phát hiện, nhận dạng, phát hiện hành động và hành vi bất thường." (Kết luận, tr. 104).
    2. Mở rộng sang các loại phương tiện khác: "Tiến hành thực nghiệm, đánh giá trên các loại phương tiện khác như ô tô, xe buýt, xe đạp cũng như một số phương tiện phổ thông khác ở đô thị của Việt Nam." (Kết luận, tr. 104).
    3. Mở rộng phổ hành vi bất thường: "Mở rộng tập các hành động cơ bản khác liên quan đến thay đổi tốc độ, thay đổi hướng khi điều khiển phương tiện. Dựa trên những hành động này mở rộng tập các hành vi bất thường cho bài toán nhận dạng, ví dụ như: thay đổi vận tốc đột ngột hoặc một số hành vi bất thường khác." (Kết luận, tr. 104).
    4. Xây dựng ứng dụng và hệ thống giám sát thời gian thực: "Xây dựng ứng dụng với dữ liệu theo thời gian thực" và "Mở rộng nghiên cứu xây dựng hệ thống mô phỏng, giám sát giao thông trực tuyến" (Kết luận, tr. 104).
  • Methodological improvements suggested:
    • Sử dụng kỹ thuật học tăng cường (Reinforcement Learning) để tự động điều chỉnh ngưỡng phát hiện bất thường dựa trên phản hồi từ môi trường.
    • Khám phá các kiến trúc học sâu phức tạp hơn (ví dụ: Convolutional Neural Networks (CNNs) hoặc Recurrent Neural Networks (RNNs)) được thiết kế đặc biệt cho dữ liệu chuỗi thời gian để nâng cao độ chính xác.
    • Áp dụng các phương pháp giảm nhiễu tiên tiến hơn ở cấp độ tín hiệu thô để cải thiện chất lượng dữ liệu đầu vào.
  • Theoretical extensions proposed:
    • Định nghĩa và phân loại chi tiết hơn các dạng hành vi bất thường theo cấu trúc phân cấp, từ đó xây dựng một khung lý thuyết toàn diện hơn cho việc phát hiện dị thường trong bối cảnh động.
    • Nghiên cứu mối quan hệ nhân quả giữa các yếu tố môi trường (thời tiết, mật độ giao thông) và sự xuất hiện của hành vi bất thường, mở rộng khung lý thuyết sang yếu tố ngữ cảnh.

Tác động và ảnh hưởng

Các đóng góp của luận án mang lại tác động sâu rộng và ảnh hưởng đa chiều, có khả năng chuyển đổi nhiều lĩnh vực.

  • Academic impact với potential citations estimate: Luận án đã công bố 4 công trình khoa học liên quan, bao gồm 1 bài báo quốc tế có chỉ số SCIE và 3 bài báo hội nghị quốc tế có phản biện và chỉ số Scopus [CT1-CT4]. Các đóng góp đột phá về tập thuộc tính TFH2, tối ưu hóa kích thước cửa sổ động, và giải pháp phát hiện hành vi bất thường mới có tiềm năng lớn được trích dẫn trong các nghiên cứu về Nhận dạng hoạt động của con người (HAR), Hệ thống giao thông thông minh (ITS), và Phân tích dữ liệu cảm biến. Ước tính có thể đạt 50-100 trích dẫn trong vòng 5 năm tới, đặc biệt từ các nhà nghiên cứu làm việc trong các thị trường mới nổi với điều kiện giao thông tương tự Việt Nam.
  • Industry transformation với specific sectors:
    • Bảo hiểm: Ngành bảo hiểm có thể cách mạng hóa các mô hình đánh giá rủi ro lái xe. Thay vì dựa vào lịch sử tai nạn, các công ty có thể sử dụng hệ thống nhận dạng hành vi này để theo dõi hành vi lái xe theo thời gian thực, cung cấp bảo hiểm dựa trên mức độ rủi ro cá nhân hóa, và khuyến khích lái xe an toàn hơn thông qua các chương trình thưởng.
    • Phát triển ứng dụng di động: Các nhà phát triển có thể tích hợp mô hình này vào các ứng dụng bản đồ, điều hướng hoặc hỗ trợ lái xe để cung cấp cảnh báo hành vi bất thường hoặc phân tích hiệu suất lái xe cho người dùng.
    • Sản xuất phương tiện: Mặc dù tập trung vào xe máy, các nguyên lý của luận án có thể được áp dụng để phát triển các hệ thống hỗ trợ lái xe thông minh tích hợp trên các phương tiện mới, đặc biệt là xe máy điện hoặc xe tay ga được kết nối.
  • Policy influence với government levels:
    • Cấp địa phương/thành phố: Cung cấp dữ liệu định lượng và hiểu biết sâu sắc về các hành vi lái xe nguy hiểm phổ biến (như "lạng lách") và các khu vực có tỉ lệ hành vi bất thường cao. Điều này giúp các cơ quan quản lý giao thông địa phương đưa ra các quyết định dựa trên bằng chứng để triển khai các biện pháp can thiệp (ví dụ: lắp đặt biển báo, tăng cường tuần tra, điều chỉnh thiết kế đường bộ) nhằm cải thiện an toàn giao thông đô thị.
    • Cấp quốc gia: Các khuôn khổ nhận dạng hành vi có thể hỗ trợ xây dựng các chính sách an toàn giao thông quốc gia hiệu quả hơn, thúc đẩy các chương trình giáo dục lái xe an toàn, và quy định về việc sử dụng công nghệ giám sát hành vi.
  • Societal benefits quantified where possible:
    • Giảm tai nạn giao thông: Bằng cách phát hiện và cảnh báo hành vi bất thường, hệ thống có tiềm năng giảm thiểu số vụ tai nạn và tử vong. Nếu chỉ giảm được 5% số vụ tai nạn liên quan đến hành vi bất thường ở một thành phố lớn, đó đã là một đóng góp đáng kể về người và của.
    • Nâng cao chất lượng giao thông: Thúc đẩy thói quen lái xe an toàn hơn, giảm ùn tắc do tai nạn, và tạo ra một môi trường giao thông văn minh, ít căng thẳng hơn cho người dân.
    • Tiết kiệm năng lượng và giảm ô nhiễm: Một số nghiên cứu cho thấy nhận dạng hành vi người tham gia giao thông có thể "ước tính mức độ tiêu thụ năng lượng và ô nhiễm môi trường của hệ thống giao thông" [9]. Bằng cách khuyến khích lái xe ổn định hơn, hệ thống gián tiếp góp phần giảm tiêu thụ nhiên liệu và lượng khí thải.
  • International relevance với global implications:
    • Mặc dù tập trung vào Việt Nam, các nguyên lý và phương pháp của luận án có liên quan quốc tế, đặc biệt đối với các nước đang phát triển hoặc các đô thị có hạ tầng giao thông đa dạng và phổ biến xe máy (ví dụ: Ấn Độ, Indonesia, Thái Lan).
    • Khả năng của hệ thống hoạt động với vị trí điện thoại không cố định và chỉ sử dụng cảm biến gia tốc là một yếu tố hấp dẫn cho việc triển khai toàn cầu do tính tiết kiệm chi phí và năng lượng.
    • Phương pháp phát hiện dị thường gián tiếp có thể là một mô hình cho các bài toán phát hiện bất thường trong nhiều lĩnh vực trên thế giới, nơi dữ liệu dị thường hiếm gặp.

Đối tượng hưởng lợi

Luận án mang lại giá trị cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và chính sách.

  • Doctoral researchers: specific research gaps:
    • Cung cấp một nền tảng vững chắc và các khoảng trống nghiên cứu rõ ràng cho các nghiên cứu sinh tiến sĩ trong lĩnh vực Nhận dạng hoạt động của con người (HAR), Hệ thống giao thông thông minh (ITS), và phân tích dữ liệu cảm biến.
    • Các nghiên cứu sinh có thể tiếp tục mở rộng tập thuộc tính TFH2, khám phá các kỹ thuật học sâu mới cho nhận dạng hành vi, hoặc áp dụng phương pháp phát hiện bất thường đề xuất cho các loại hành vi khác hoặc các ngữ cảnh khác nhau (ví dụ: lái xe khi buồn ngủ, sử dụng điện thoại khi lái xe).
    • Hướng nghiên cứu về tích hợp dữ liệu từ nhiều nguồn (không chỉ gia tốc) nhưng vẫn duy trì hiệu quả năng lượng cũng là một lĩnh vực tiềm năng.
  • Senior academics: theoretical advances:
    • Các học giả cấp cao sẽ thấy giá trị trong việc mở rộng các lý thuyết về trích xuất đặc trưng tín hiệu bằng cách tích hợp tham số Hjorth vào phân tích dữ liệu cảm biến gia tốc.
    • Thay đổi mô hình trong phát hiện dị thường từ việc phụ thuộc vào dữ liệu mẫu bất thường sang suy luận từ các hành động cơ bản cũng là một đóng góp lý thuyết quan trọng. Điều này có thể thúc đẩy các cuộc thảo luận và nghiên cứu sâu hơn về các phương pháp phát hiện dị thường trong các hệ thống động.
  • Industry R&D: practical applications:
    • Các nhóm R&D trong các công ty công nghệ (ví dụ: phát triển ứng dụng di động, nhà sản xuất điện thoại), bảo hiểm, và công nghiệp ô tô/xe máy có thể trực tiếp áp dụng các thuật toán và mô hình nhận dạng này.
    • Có thể phát triển các sản phẩm và dịch vụ mới như: ứng dụng cảnh báo lái xe mất tập trung, hệ thống đánh giá kỹ năng lái xe, hoặc các giải pháp bảo hiểm "pay-as-you-drive" tùy chỉnh.
  • Policy makers: evidence-based recommendations:
    • Các nhà hoạch định chính sách tại các Bộ Giao thông vận tải, Ủy ban An toàn Giao thông Quốc gia, và chính quyền địa phương có thể sử dụng các kết quả nghiên cứu làm bằng chứng để đưa ra các khuyến nghị chính sách hiệu quả hơn.
    • Thông tin về hành vi bất thường và các yếu tố liên quan có thể hỗ trợ trong việc thiết kế các chiến dịch giáo dục cộng đồng, điều chỉnh luật giao thông, và tối ưu hóa quy hoạch hạ tầng để cải thiện an toàn giao thông đô thị.
  • Quantify benefits where possible:
    • Đối với Doctoral researchers: Tiết kiệm hàng trăm giờ lao động trong việc trích chọn đặc trưng và tối ưu hóa cửa sổ dữ liệu nhờ tập thuộc tính TFH2 và thuật toán tối ưu cửa sổ đã được kiểm chứng.
    • Đối với Industry R&D: Phát triển sản phẩm nhanh hơn 20-30% do có sẵn mô hình nhận dạng hiệu quả và đã được xác thực, giảm chi phí nghiên cứu và phát triển hàng triệu đồng.
    • Đối với Policy makers: Giảm thiểu hàng tỷ đồng thiệt hại do tai nạn giao thông bằng cách triển khai các chính sách dựa trên dữ liệu chính xác về hành vi bất thường.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất là sự mở rộng lý thuyết trích xuất đặc trưng tín hiệu và lý thuyết phát hiện dị thường. Cụ thể, luận án đã mở rộng việc áp dụng tham số Hjorth (vốn phổ biến trong phân tích tín hiệu y sinh) vào lĩnh vực nhận dạng hành vi giao thông từ cảm biến gia tốc. Bằng cách tích hợp tham số Hjorth cùng các đặc trưng miền thời gian và miền tần số vào tập thuộc tính TFH2, luận án đã chứng minh khả năng cải thiện đáng kể khả năng phân biệt của hệ thống (Bảng 2-18). Điều này không chỉ làm phong phú thêm các kỹ thuật trích xuất đặc trưng cho dữ liệu cảm biến nhiễu mà còn mở ra hướng đi mới trong việc ứng dụng các đặc trưng từ các lĩnh vực khác. Đồng thời, luận án đề xuất một cách tiếp cận mới để phát hiện hành vi bất thường mà không trực tiếp phụ thuộc vào dữ liệu mẫu bất thường, góp phần thay đổi mô hình trong lý thuyết phát hiện dị thường từ việc phân loại mẫu trực tiếp sang suy luận từ sự sai khác của các hành động cơ bản.

2. Methodology innovation (compare với 2+ prior studies) Sự đổi mới về phương pháp luận chính nằm ở phương pháp tối ưu hóa kích thước cửa sổ dữ liệu động và chiến lược phát hiện hành vi bất thường dựa trên sự sai khác của hành động cơ bản.

  • Tối ưu hóa kích thước cửa sổ động: Thay vì sử dụng một kích thước cửa sổ cố định như trong nhiều nghiên cứu trước đây (ví dụ, Vavouranakis et al. [20] sử dụng 2 giây; Guvensan et al. [32] sử dụng 60 giây), luận án đề xuất một thuật toán (Thuật toán 2-1) để lựa chọn kích thước cửa sổ và tỉ lệ chồng dữ liệu tối ưu riêng cho từng loại hành động giao thông cơ bản dựa trên độ đo AUC. Kết quả cho thấy phương pháp này đạt AUC gần tuyệt đối cho các hành động (Bảng 2-17), vượt trội hơn so với việc sử dụng kích thước cửa sổ cố định.
  • Chiến lược phát hiện hành vi bất thường dựa trên hành động: Luận án đề xuất một giải pháp phát hiện hành vi bất thường đột phá (Thuật toán 3-1) bằng cách phân tích tỉ lệ sai khác của các hành động cơ bản trong các cửa sổ dữ liệu nhỏ hơn so với một hành động gốc. Điều này khác biệt đáng kể so với các nghiên cứu như của Yu, Jiadi và cộng sự [15] hay Ali, Aya Hamdy và cộng sự [18] vốn yêu cầu thu thập trực tiếp và gán nhãn các mẫu hành vi bất thường. Phương pháp của luận án đạt độ chính xác 90.43% cho hành vi "lạng lách", vượt xa DTW (59.6%) và Di4jMipClassifier (89.33%) (Bảng 3-9), chứng minh tính ưu việt và khả năng giải quyết vấn đề khan hiếm dữ liệu bất thường.

3. Most surprising finding (với data support) Phát hiện đáng ngạc nhiên nhất là khả năng đạt độ chính xác rất cao (90.43%) trong việc phát hiện hành vi bất thường (lạng lách) thông qua việc phân tích sự sai khác của các hành động cơ bản, mà không cần thu thập và huấn luyện trực tiếp trên một tập dữ liệu hành vi bất thường được gán nhãn cụ thể. Điều này đi ngược lại với trực giác phổ biến rằng phát hiện dị thường đòi hỏi dữ liệu mẫu bất thường phong phú. Bằng chứng cụ thể từ Bảng 3-9 cho thấy giải pháp đề xuất vượt trội so với cả DTW (59.6%) và Di4jMipClassifier (89.33%), chứng minh rằng việc định nghĩa lại bài toán và sử dụng nhận dạng hành động cơ bản làm nền tảng có thể mang lại hiệu quả bất ngờ, đồng thời khắc phục một trong những thách thức lớn nhất trong lĩnh vực này.

4. Replication protocol provided? Luận án cung cấp đủ chi tiết để các nhà nghiên cứu khác có thể tái tạo (replicate) một phần hoặc toàn bộ nghiên cứu.

  • Mô tả dữ liệu: Cung cấp thông tin về cảm biến sử dụng (gia tốc, con quay hồi chuyển, từ kế), tần số lấy mẫu (50Hz), thông tin về đối tượng tham gia (số lượng, giới tính, độ tuổi, nghề nghiệp), cảnh huống thu thập dữ liệu (dừng, đi thẳng, rẽ trái/phải, lạng lách), và số lượng mẫu cho từng hành động/hành vi (Bảng 2-7, Bảng 2-8, Bảng 2-9, Bảng 3-1, Bảng 3-2).
  • Quy trình tiền xử lý: Giải thích chi tiết về chuyển đổi hệ tọa độ, phân đoạn cửa sổ dữ liệu và tỉ lệ chồng dữ liệu.
  • Đặc trưng: Mô tả chi tiết tập thuộc tính đặc trưng TFH2 (59 thuộc tính), bao gồm các công thức tính toán từ miền thời gian, miền tần số và tham số Hjorth (Bảng 2-5).
  • Thuật toán và tham số: Liệt kê các thuật toán phân lớp được sử dụng (RF, J48, NB, k-NN, SVM, Di4jMipClassifier) và các tham số mặc định hoặc tối ưu của chúng (Bảng 2-6, Bảng 3-3, Bảng 3-4).
  • Quy trình tối ưu hóa: Mô tả thuật toán lựa chọn kích thước cửa sổ dựa trên AUC (Thuật toán 2-1) và thuật toán nhận dạng hành vi bất thường (Thuật toán 3-1), cùng với các giá trị ngưỡng được lựa chọn.
  • Công cụ: Nêu rõ phần mềm WEKA 3.8 và gói WekaDeeplearning4J.

5. 10-year research agenda outlined? Luận án đã phác thảo một lộ trình nghiên cứu đáng kể cho 10 năm tới, tập trung vào việc mở rộng và cải thiện hệ thống hiện tại:

  1. Cải tiến thuật toán và đặc trưng (Năm 1-3): "Áp dụng các phương pháp lọc, đánh giá tập thuộc tính đặc trưng với mong muốn nâng cao hiệu quả của mô hình phát hiện, nhận dạng, phát hiện hành động và hành vi bất thường." Điều này có thể bao gồm việc nghiên cứu kiến trúc học sâu phức tạp hơn hoặc kỹ thuật chọn lọc đặc trưng tự động.
  2. Mở rộng phạm vi phương tiện và hành vi (Năm 3-5): "Tiến hành thực nghiệm, đánh giá trên các loại phương tiện khác như ô tô, xe buýt, xe đạp... Mở rộng tập các hành động cơ bản khác liên quan đến thay đổi tốc độ... mở rộng tập các hành vi bất thường cho bài toán nhận dạng, ví dụ như: thay đổi vận tốc đột ngột hoặc một số hành vi bất thường khác." Đây là một bước quan trọng để tăng tính tổng quát hóa.
  3. Xây dựng hệ thống thời gian thực và giám sát trực tuyến (Năm 5-7): "Xây dựng ứng dụng với dữ liệu theo thời gian thực. Mở rộng nghiên cứu xây dựng hệ thống mô phỏng, giám sát giao thông trực tuyến." Điều này sẽ chuyển nghiên cứu từ cấp độ mô hình sang ứng dụng thực tiễn, tạo ra tác động xã hội.
  4. Tích hợp đa cảm biến thông minh (Năm 7-10): Mặc dù hiện tại tập trung vào gia tốc, tương lai có thể khám phá cách tích hợp thông minh các loại cảm biến khác (ví dụ: GPS để định vị, cảm biến camera để ngữ cảnh hóa) mà vẫn duy trì hiệu quả năng lượng và tính riêng tư, hướng tới "các giải pháp quản trị giao thông thông minh cũng như hỗ trợ người dân đô thị khi tham gia giao thông."

Kết luận

Luận án đã thành công trong việc giải quyết các thách thức then chốt trong nhận dạng hành vi giao thông dựa trên cảm biến điện thoại thông minh, đặc biệt trong bối cảnh phức tạp của đô thị Việt Nam.

  1. Đề xuất tập thuộc tính đặc trưng TFH2 (59 thuộc tính) tích hợp miền thời gian, miền tần số và tham số Hjorth, nâng cao đáng kể độ chính xác nhận dạng hành động lên 98.95% (Bảng 2-18).
  2. Phát triển phương pháp tối ưu hóa kích thước cửa sổ dữ liệu động dựa trên độ đo AUC, cho phép hệ thống tự điều chỉnh để phù hợp với đặc thù của từng hành động giao thông cơ bản.
  3. Giới thiệu giải pháp phát hiện hành vi bất thường đột phá dựa trên sự sai khác của các hành động cơ bản, đạt tỉ lệ phát hiện 90.43% cho hành vi "lạng lách", vượt trội so với DTW (59.6%) và Di4jMipClassifier (89.33%) (Bảng 3-9).
  4. Chứng minh hiệu quả vượt trội của hệ thống nhận dạng trong điều kiện giao thông đô thị Việt Nam và so với các nghiên cứu quốc tế trên cùng bộ dữ liệu HTC [56] (đạt 97.33%, Bảng 2-19).
  5. Xây dựng hệ thống nhận dạng hành động giao thông cơ bản (Dừng, Đi thẳng, Rẽ trái, Rẽ phải) làm nền tảng vững chắc cho nhận dạng hành vi phức tạp hơn.

Những đóng góp này thể hiện một bước tiến mô hình (paradigm advancement) trong phát hiện dị thường, dịch chuyển khỏi sự phụ thuộc vào dữ liệu mẫu bất thường trực tiếp vốn khan hiếm. Luận án mở ra ít nhất 3 luồng nghiên cứu mới: (1) Ứng dụng kỹ thuật xử lý tín hiệu và học máy cho dữ liệu cảm biến nhiễu từ vị trí không cố định; (2) Phát triển các mô hình phát hiện dị thường gián tiếp dựa trên các hành vi cơ bản; và (3) Xây dựng hệ thống giao thông thông minh thích nghi với điều kiện địa phương trong các thị trường mới nổi. Tính liên quan toàn cầu của nghiên cứu được thể hiện qua khả năng ứng dụng trong các đô thị có hạ tầng giao thông và thói quen di chuyển tương tự Việt Nam. Các kết quả có thể đo lường bao gồm tiềm năng giảm thiểu tai nạn giao thông, tối ưu hóa chính sách quản lý giao thông, và thúc đẩy các sản phẩm bảo hiểm dựa trên hành vi lái xe. Luận án là một đóng góp có giá trị cho lĩnh vực Hệ thống Thông tin và An toàn Giao thông.