Tổng quan về luận án

Luận án tiến sĩ "Nhận dạng hành vi của người tham gia giao thông dựa trên cảm biến điện thoại" của Lữ Đăng Nhạc khai thác một lĩnh vực nghiên cứu cực kỳ cấp thiết trong bối cảnh toàn cầu hóa và sự gia tăng nhanh chóng của các vấn đề an toàn giao thông đô thị, đặc biệt là ở các nước đang phát triển như Việt Nam. Tính tiên phong của nghiên cứu nằm ở việc giải quyết thách thức cốt lõi về nhận dạng hành vi giao thông chính xác khi vị trí điện thoại thông minh không cố định, một hạn chế nghiêm trọng mà hầu hết các nghiên cứu trước đây thường bỏ qua hoặc đơn giản hóa bằng cách yêu cầu điện thoại phải được gắn cố định trên phương tiện.

Research gap cụ thể được luận án chỉ ra là sự thiếu hụt các mô hình nhận dạng hành vi phù hợp với điều kiện giao thông đô thị đặc thù tại Việt Nam, nơi "các phương tiện giao thông được người dân sử dụng chủ yếu vẫn là xe máy và xe đạp cùng một số phương tiện công cộng khác," trái ngược với trọng tâm của các nghiên cứu quốc tế thường xoay quanh ô tô, xe buýt, và tàu điện ngầm trong điều kiện hạ tầng giao thông ổn định hơn. Thêm vào đó, yếu tố văn hóa và thói quen di chuyển của người dân cũng tạo ra sự khác biệt đáng kể, làm cho các mô hình hiện có khó áp dụng. Luận án cũng nhấn mạnh rằng "những nghiên cứu đã công bố về nhận dạng hành vi giao thông được thực hiện trong các điều kiện hoàn cảnh khác nhau. Trong đó, có sự khác nhau về yếu tố khu vực địa lý, hạ tầng giao thông và văn hóa so với các điều kiện và môi trường giao thông tại Việt Nam." Một gap quan trọng khác là việc nhận dạng hành vi bất thường thường tiêu tốn nhiều năng lượng do kết hợp nhiều cảm biến; luận án tập trung vào giải pháp "sử dụng tín hiệu cảm biến gia tốc để phân tích, nhận dạng hành vi giao thông đặc biệt là nhận dạng hành vi giao thông bất thường có ý nghĩa thực tiễn và có tính khả thi" với mức tiêu thụ năng lượng thấp.

Nghiên cứu được dẫn dắt bởi các câu hỏi nghiên cứu và giả thuyết sau:

  1. Làm thế nào để khảo sát và lựa chọn các kỹ thuật thu thập, biến đổi dữ liệu cảm biến gia tốc nhằm tìm ra tập thuộc tính đặc trưng phù hợp cho hệ thống nhận dạng hành động và hành vi khi vị trí điện thoại không cố định?
  2. Làm thế nào để xây dựng một hệ thống nhận dạng hành động giao thông cơ bản (đi thẳng, dừng, rẽ trái, rẽ phải) của người điều khiển phương tiện (đặc biệt là xe máy) dựa trên dữ liệu cảm biến gia tốc đã được biến đổi từ tập thuộc tính lựa chọn, đạt độ chính xác cao hơn các phương pháp hiện hành?
  3. Làm thế nào để đề xuất một giải pháp phát hiện hành vi giao thông bất thường, chủ yếu với phương tiện xe máy, dựa trên kết quả nhận dạng hành động cơ bản, bằng cách phân tích sự sai khác của các hành động xảy ra trong các cửa sổ dữ liệu nhỏ hơn?

Giả thuyết 1: Việc đề xuất một tập thuộc tính đặc trưng dựa trên miền thời gian và miền tần số, tích hợp các tham số Hjorth, có thể biến đổi dữ liệu cảm biến gia tốc thô thành dữ liệu đặc trưng mạnh mẽ, giúp nâng cao độ chính xác nhận dạng hành động và hành vi bất thường, ngay cả khi vị trí điện thoại không cố định. Giả thuyết 2: Bằng cách tối ưu hóa kích thước cửa sổ và tỉ lệ chồng dữ liệu cho từng hành động cụ thể, hệ thống nhận dạng hành động cơ bản sẽ đạt hiệu quả vượt trội so với các nghiên cứu trước đây trên cùng bộ dữ liệu. Giả thuyết 3: Phương pháp phát hiện hành vi bất thường dựa trên việc so sánh nhãn hành động nhận dạng được từ các phân đoạn nhỏ của một hành động cơ bản với nhãn hành động cơ bản đó sẽ là một hướng tiếp cận hiệu quả và có thể áp dụng thực tiễn trong môi trường giao thông Việt Nam.

Khung lý thuyết của luận án được xây dựng dựa trên các lý thuyết nền tảng về xử lý tín hiệu (Signal Processing Theory) và học máy (Machine Learning Theory), đặc biệt là các lý thuyết về phân loại mẫu (Pattern Classification) và học có giám sát (Supervised Learning). Các lý thuyết cụ thể bao gồm:

  • Lý thuyết trích xuất đặc trưng (Feature Extraction Theory), tập trung vào việc biến đổi dữ liệu thô thành một tập các thuộc tính có ý nghĩa, dễ phân biệt.
  • Lý thuyết học thống kê (Statistical Learning Theory), làm cơ sở cho các thuật toán phân lớp như Support Vector Machines (SVM), Random Forest (RF), Artificial Neural Network (ANN), Naïve Bayes (NB), k-Nearest Neighbor (k-NN) được khảo sát.
  • Lý thuyết xử lý chuỗi thời gian (Time Series Analysis Theory), đặc biệt là kỹ thuật cửa sổ dữ liệu (windowing) và các phương pháp trích xuất đặc trưng trong miền thời gian và tần số, bao gồm biến đổi Fourier nhanh (FFT).

Đóng góp đột phá của luận án có thể được định lượng và được hỗ trợ bởi bằng chứng rõ ràng:

  1. Đề xuất tập thuộc tính đặc trưng tiên tiến: Luận án đã "đề xuất tập thuộc tính đặc trưng dựa trên miền thời gian và miền tần số nhằm biến đổi dữ liệu cảm biến thành dữ liệu đặc trưng phục vụ cho nhận dạng hành động và hành vi bất thường. Trong đó, sử dụng tham số Hjorth cho các đại lượng khác nhau nhằm thu được các thuộc tính phù hợp." (Đóng góp thứ nhất của luận án). Bằng chứng thực nghiệm cho thấy "kết quả nhận dạng bằng hệ thống đề xuất cao hơn so với một số nghiên cứu đã được công bố trước đó với tập dữ liệu [HTC] này." [CT4].
  2. Giải pháp nhận dạng hành vi bất thường đột phá: Luận án đề xuất "giải pháp phát hiện hành vi giao thông bất thường theo một hướng tiếp cận mới, hướng tiếp cận này dựa trên kết quả nhận dạng hành động cơ bản." Kỹ thuật này độc đáo ở chỗ nó "dựa trên phân đoạn dữ liệu của hành động cơ bản với kích thước cửa sổ nhỏ hơn sau đó tiến hành nhận dạng các đoạn dữ liệu này nhằm so sánh, đánh giá sự sai khác các nhãn hành động nhận được với hành động cơ bản để xác định tính bất thường." (Đóng góp thứ hai của luận án).
  3. Tối ưu hóa phương pháp thu thập dữ liệu: Nghiên cứu đã "khảo sát, lựa chọn kích thước cửa sổ và tỉ lệ chồng dữ liệu để phân tích tìm ra các giá trị tương ứng, phù hợp với các hành động. Qua đó, hỗ trợ hệ thống nhận dạng các hành động giao thông có hiệu quả hơn" [CT1], [CT2], [CT4].
  4. Giải quyết vấn đề đặc thù giao thông Việt Nam: Luận án xây dựng một mô hình nhận dạng hành vi thích nghi với môi trường giao thông đô thị Việt Nam, đặc biệt là với xe máy, vượt qua hạn chế của các nghiên cứu quốc tế tập trung vào ô tô. Điều này mang lại một mô hình có tính ứng dụng thực tiễn cao cho khu vực.
  5. Công bố khoa học chất lượng cao: Các giải pháp và kết quả đã được công bố trong "4 công trình đã được công bố. Trong đó có 1 bài báo quốc tế có chỉ số SCIE; 3 bài báo hội nghị quốc tế có phản biện và có chỉ số Scopus được thể hiện ở các công trình [CT1], [CT2], [CT3] và [CT4]," chứng minh tác động và uy tín khoa học của nghiên cứu.

Phạm vi nghiên cứu của luận án tập trung vào phân tích và nhận dạng hành vi, hành vi giao thông bất thường của người điều khiển phương tiện (chủ yếu là xe máy) dựa trên dữ liệu cảm biến gia tốc thu được từ điện thoại thông minh ở đô thị của Việt Nam. Mặc dù không nêu rõ kích thước mẫu hay khung thời gian cụ thể cho toàn bộ luận án, các thực nghiệm được tiến hành trên các tập dữ liệu thực tế, bao gồm "bộ dữ liệu được công bố bởi công ty HTC của Đài Loan" và dữ liệu thu thập tại Việt Nam, đảm bảo tính xác thực và khả năng so sánh quốc tế. Ý nghĩa của nghiên cứu là cung cấp một nền tảng vững chắc cho các ứng dụng hỗ trợ an toàn giao thông, quản lý giao thông đô thị, và thậm chí trong lĩnh vực bảo hiểm, giảm thiểu tai nạn giao thông vốn đang là nguyên nhân "làm chết 1.2 triệu người mỗi năm" trên toàn cầu [WHO report, 1].

Literature Review và Positioning

Luận án thực hiện một tổng hợp sâu rộng các luồng nghiên cứu chính về nhận dạng hành vi giao thông dựa trên cảm biến. Các nghiên cứu ban đầu của Goregaonkar, Roma và cộng sự [16] đã sử dụng ba trục cảm biến gia tốc và tọa độ GPS kết hợp cảm biến hình ảnh để phân tích sự kiện giao thông. Johnson, Derick A và cộng sự [17] đã xác định kiểu lái xe bằng GPS kết hợp với cảm biến điện thoại. Liu, Zhenyu [13] cũng tích hợp GPS để hỗ trợ lái xe an toàn. Các công trình này thường sử dụng đa cảm biến và/hoặc yêu cầu vị trí điện thoại cố định. Ngược lại, những nghiên cứu như của Li Liu và cộng sự [19] và Vavouranakis và cộng sự [20] đã đi sâu hơn vào trích xuất đặc trưng từ dữ liệu cảm biến (bao gồm gia tốc, con quay hồi chuyển, từ kế) để nhận dạng hành động và hành vi lái xe an toàn/không an toàn, nhưng vẫn còn những hạn chế về vị trí điện thoại cố định hoặc khó khăn trong việc xác định ngưỡng giá trị thay đổi cho hành vi.

Có những tranh cãi và mâu thuẫn rõ ràng trong literature. Một mặt, một số nghiên cứu như của Derick A. Johnson và cộng sự [5] chỉ ra rằng việc "chỉ sử dụng một mình dữ liệu cảm biên gia tốc sẽ thấp hơn (độ chính xác 23% với cảm biến gia tốc, 46% với con quay hồi chuyển khi nhận dạng hành vi quay đầu) so với kết hợp với kết hợp cả ba loại dữ liệu cảm biến với nhau (độ chính xác 77% khi nhận dạng hành vi quay đầu)." Điều này gợi ý rằng việc kết hợp nhiều cảm biến mang lại độ chính xác cao hơn. Tuy nhiên, luận án phản biện rằng việc "sử dụng đồng thời nhiều dữ liệu cảm biến cùng một thời điểm dẫn đến tiêu tốn nhiều năng lượng của điện thoại thông minh và khó có thể áp dụng trong thực tế." Hướng tiếp cận này dẫn đến một lựa chọn khác là chỉ sử dụng cảm biến gia tốc với mức tiêu thụ năng lượng thấp nhất nhưng đòi hỏi một mô hình phù hợp để đảm bảo độ chính xác trên các loại phương tiện khác nhau. Một mâu thuẫn khác là sự khác biệt giữa các mô hình nhận dạng hành vi được phát triển trong điều kiện giao thông phương Tây (ví dụ: ô tô, đường làn rõ ràng) so với điều kiện phức tạp của Việt Nam (xe máy, cơ sở hạ tầng đa dạng, văn hóa lái xe riêng). Yu, Jiadi cùng cộng sự [15] nghiên cứu nhận dạng 6 hành vi lái xe bất thường với độ chính xác trung bình 95.36% (SVM) và 96% (mạng nơ ron) trên ô tô, nhưng lại gặp khó khăn trong việc áp dụng cho xe máy và môi trường Việt Nam.

Luận án tự định vị mình bằng cách giải quyết một gap cụ thể: phát triển một mô hình nhận dạng hành vi giao thông, đặc biệt là hành vi bất thường, sử dụng cảm biến gia tốc của điện thoại thông minh mà không yêu cầu vị trí điện thoại cố định, và phù hợp với đặc thù giao thông đô thị Việt Nam (xe máy, điều kiện hạ tầng và văn hóa lái xe). Nó tiến xa hơn các nghiên cứu trước bằng cách đề xuất một tập thuộc tính đặc trưng mới, tích hợp tham số Hjorth, để giải quyết vấn đề nhiễu khi điện thoại thay đổi vị trí. Nghiên cứu này cải thiện lĩnh vực bằng cách cung cấp một giải pháp khả thi hơn về mặt năng lượng và khả năng ứng dụng thực tế, đồng thời nâng cao độ chính xác nhận dạng trong môi trường phức tạp.

So sánh với ít nhất hai nghiên cứu quốc tế, luận án nổi bật:

  1. So sánh với nghiên cứu của Ali, Aya Hamdy và cộng sự [18]: Nghiên cứu này đề xuất nhận dạng hành vi bất thường sử dụng k-NN (98.67% độ chính xác) và DTW (96%) trên ô tô, với thiết bị gắn cố định. Luận án của Lữ Đăng Nhạc khác biệt ở chỗ nó tập trung vào điện thoại không cố định và đặc thù xe máy của Việt Nam, đồng thời đề xuất một "giải pháp phát hiện hành vi giao thông bất thường theo một hướng tiếp cận mới, hướng tiếp cận này dựa trên kết quả nhận dạng hành động cơ bản," mang lại khả năng ứng dụng thực tế cao hơn. Mặc dù các con số của Ali, Aya Hamdy khá cao, nhưng đó là trong điều kiện lý tưởng với điện thoại cố định và trên ô tô.
  2. So sánh với nghiên cứu của Li Liu và cộng sự [19]: Nghiên cứu này đạt độ chính xác cao (96.54% với phương pháp đề xuất, 96.44% với ANN) trong nhận dạng 18 hành động, sử dụng kỹ thuật trích xuất đặc trưng và thuật toán phân lớp trên dữ liệu cảm biến gia tốc với vị trí điện thoại được xác định trước. Hạn chế là "thời gian phát hiện khi số lượng mẫu lớn, tăng nhanh cũng như thực hiện với vị trí điện thoại cố định sẽ không được thân thiện khi ứng dụng vào thực tiễn." Luận án của Lữ Đăng Nhạc vượt qua hạn chế này bằng cách phát triển một hệ thống "tạo được sự thuận tiện cho người sử dụng khi có thể dùng điện thoại với các mục đích khác nhau" thông qua việc xử lý dữ liệu từ vị trí điện thoại không cố định, đồng thời cải thiện hiệu suất nhận dạng bằng tập thuộc tính đặc trưng mới và tối ưu hóa cửa sổ dữ liệu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và thách thức các lý thuyết hiện có trong lĩnh vực nhận dạng hành vi dựa trên cảm biến, đặc biệt là trong việc xử lý dữ liệu nhiễu và đa dạng. Cụ thể, nó mở rộng Lý thuyết Học máy và Lý thuyết Xử lý tín hiệu bằng cách:

  • Mở rộng lý thuyết trích xuất đặc trưng: Nghiên cứu "đề xuất tập thuộc tính đặc trưng dựa trên miền thời gian và miền tần số nhằm biến đổi dữ liệu cảm biến thành dữ liệu đặc trưng." Đóng góp này mở rộng các khung trích xuất đặc trưng truyền thống bằng cách tích hợp cụ thể các tham số Hjorth (Hjorth Mobility và Hjorth Complexity), vốn được sử dụng rộng rãi trong phân tích tín hiệu điện não đồ (EEG) và các tín hiệu sinh học khác, vào lĩnh vực nhận dạng hành vi giao thông từ cảm biến gia tốc. Việc này cho phép nắm bắt tốt hơn tính chất động lực học và độ phức tạp của các hành động giao thông, đặc biệt hữu ích khi dữ liệu có nhiều nhiễu do vị trí điện thoại không cố định. Các tác giả như Pham Cuong và cộng sự [22] đã sử dụng tham số Hjorth trong phát hiện hoạt động người dùng, nhưng luận án này áp dụng nó một cách chiến lược hơn để giải quyết vấn đề cụ thể của giao thông với phương tiện xe máy và vị trí điện thoại linh hoạt.
  • Thách thức giả định về vị trí cảm biến cố định: Hầu hết các mô hình nhận dạng hành vi dựa trên cảm biến đều giả định vị trí cảm biến cố định để giảm nhiễu và đơn giản hóa việc trích xuất đặc trưng. Luận án này "khảo sát, tổng hợp, phân tích một số nghiên cứu trước đây... nhằm làm rõ các vấn đề của bài toán đặt ra" và trực tiếp giải quyết vấn đề "việc nghiên cứu về nhận dạng hành vi của người dùng khi vị trí điện thoại người dùng không cố định trong quá trình tham gia giao thông là yêu cầu tự nhiên phù hợp với thực tế," từ đó thách thức giả định cố định này và mở ra hướng nghiên cứu mới.

Khung khái niệm của luận án bao gồm các thành phần chính và mối quan hệ giữa chúng:

  • Dữ liệu cảm biến gia tốc thô: Dữ liệu đầu vào thu được từ điện thoại thông minh, bao gồm các giá trị trên ba trục X, Y, Z tại các thời điểm khác nhau.
  • Tiền xử lý dữ liệu: Bao gồm biến đổi hệ tọa độ (từ hệ tọa độ thiết bị sang hệ tọa độ trái đất) để giảm nhiễu do vị trí điện thoại không cố định.
  • Kỹ thuật cửa sổ dữ liệu và chồng dữ liệu: Phân đoạn chuỗi tín hiệu liên tục thành các cửa sổ có kích thước W và tỉ lệ chồng dữ liệu k để phân tích.
  • Trích xuất đặc trưng: Áp dụng tập thuộc tính đặc trưng (miền thời gian và tần số, bao gồm Hjorth parameters) lên mỗi cửa sổ dữ liệu để tạo ra dữ liệu đặc trưng.
  • Hệ thống nhận dạng hành động cơ bản: Sử dụng các thuật toán phân lớp trên dữ liệu đặc trưng để nhận dạng các hành động như "dừng, đi thẳng, rẽ trái, rẽ phải."
  • Giải pháp nhận dạng hành vi bất thường: Dựa trên kết quả nhận dạng hành động cơ bản, phân đoạn hành động cơ bản thành các cửa sổ nhỏ hơn, nhận dạng hành động trong các cửa sổ nhỏ này và so sánh với hành động cơ bản để xác định "sự bất thường hay bình thường dựa trên việc so sánh tỉ lệ sai khác với một tỉ lệ cho trước."

Mô hình lý thuyết được đề xuất có thể được biểu diễn bằng các mệnh đề và giả thuyết được đánh số:

  • Mệnh đề 1 (Trích xuất đặc trưng): Việc tích hợp các thuộc tính từ miền thời gian và tần số, đặc biệt là các tham số Hjorth (Mobility, Complexity), trong quá trình trích xuất đặc trưng từ dữ liệu cảm biến gia tốc sẽ tạo ra một tập dữ liệu đặc trưng có khả năng phân biệt cao hơn cho các hành động giao thông so với việc chỉ sử dụng các thuộc tính cơ bản hoặc một miền duy nhất.
    • Giả thuyết 1.1: Tập thuộc tính TFH2 (kết hợp Time, Frequency, Hjorth) sẽ cho kết quả nhận dạng hành động cao hơn so với các tập thuộc tính chỉ có miền thời gian (H2, T2), miền tần số (F2) hoặc kết hợp hai miền (TH2, TF2). (Dựa trên Bảng 2-11 và kết quả thực nghiệm).
  • Mệnh đề 2 (Tối ưu hóa cửa sổ): Tối ưu hóa kích thước cửa sổ và tỉ lệ chồng dữ liệu là yếu tố then chốt để nâng cao hiệu quả của hệ thống nhận dạng hành động, đặc biệt khi xử lý dữ liệu chuỗi thời gian từ cảm biến.
    • Giả thuyết 2.1: Các kích thước cửa sổ tối ưu cho từng hành động cơ bản (ví dụ: dừng, đi thẳng, rẽ trái, rẽ phải) sẽ khác nhau và việc lựa chọn kích thước tối ưu này sẽ cải thiện độ đo AUC so với kích thước cửa sổ cố định. (Dựa trên Hình 2-16, Hình 2-17, Bảng 2-13 đến Bảng 2-16).
  • Mệnh đề 3 (Nhận dạng hành vi bất thường): Hành vi bất thường có thể được phát hiện hiệu quả bằng cách phân tích sự sai khác trong các hành động cơ bản được nhận dạng trong các phân đoạn thời gian nhỏ hơn của một hành động lớn.
    • Giả thuyết 3.1: Giải pháp đề xuất dựa trên hệ thống nhận dạng hành động sẽ đạt kết quả phát hiện hành vi bất thường tốt hơn các phương pháp DTW hoặc Dl4jMlpClassifier trên cùng tập dữ liệu thực nghiệm. (Dựa trên Bảng 3-6, Bảng 3-7, Bảng 3-8 và Hình 3-5).

Không có bằng chứng trực tiếp về "paradigm shift" trong luận án, vì đây là một nghiên cứu ứng dụng và cải tiến phương pháp trong một khung lý thuyết đã thiết lập. Tuy nhiên, việc giải quyết triệt để vấn đề vị trí điện thoại không cố định và đặc thù giao thông địa phương có thể dẫn đến một sự "thay đổi mô hình" trong cách tiếp cận các nghiên cứu tương lai về nhận dạng hành vi di động.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo các lý thuyết từ nhiều lĩnh vực:

  • Lý thuyết Xử lý tín hiệu số (Digital Signal Processing - DSP), đặc biệt là các kỹ thuật biến đổi miền thời gian sang miền tần số (như Biến đổi Fourier nhanh - FFT) và các đặc trưng thống kê trong miền thời gian.
  • Lý thuyết Học máy (Machine Learning - ML), áp dụng các thuật toán phân lớp để xây dựng mô hình nhận dạng.
  • Lý thuyết Khai phá dữ liệu (Data Mining), tập trung vào các bước tiền xử lý, trích xuất đặc trưng, và đánh giá mô hình.

Cách tiếp cận phân tích mới lạ nằm ở việc kết hợp ba yếu tố chính:

  1. Biến đổi dữ liệu cảm biến: Sử dụng ma trận chuyển (R = RxRyRz) để biến đổi dữ liệu gia tốc từ hệ tọa độ thiết bị sang hệ tọa độ trái đất, giúp ổn định dữ liệu khi điện thoại thay đổi vị trí. Đây là một bước quan trọng để giảm nhiễu và tăng tính nhất quán của dữ liệu đầu vào.
  2. Tập thuộc tính đặc trưng kết hợp: Đề xuất tập thuộc tính "TFH2" bao gồm các đặc trưng từ miền thời gian (như RMS, giá trị trung bình, phương sai, độ lệch chuẩn, độ lệch mẫu, tỉ lệ đỉnh trên trung bình), miền tần số (kết quả từ FFT) và đặc biệt là các tham số Hjorth (Mobility, Complexity). Sự kết hợp này được chứng minh là hiệu quả hơn trong việc nắm bắt các đặc điểm tinh tế của hành vi giao thông.
  3. Giải pháp nhận dạng hành vi bất thường đa tầng: Phương pháp này không chỉ nhận dạng hành động cơ bản mà còn sử dụng kết quả đó làm nền tảng để phát hiện bất thường. "Sự bất thường được đánh giá bằng việc phân đoạn cửa sổ hành động giao thông cơ bản thành các cửa sổ dữ liệu có kích thước nhỏ hơn rồi so sánh nhãn hành động nhận dạng được của các cửa sổ này so với nhãn của hành động giao thông cơ bản đó để xác định sự bất thường hay bình thường dựa trên việc so sánh tỉ lệ sai khác với một tỉ lệ cho trước." Đây là một cách tiếp cận phân cấp độc đáo, khác với các phương pháp so khớp trực tiếp hoặc phân loại đơn thuần.

Các đóng góp khái niệm cụ thể:

  • Hành động giao thông (Traffic Action): "Việc người điều khiển thay đổi trạng thái của phương tiện trong quá trình tham gia giao thông," được phân loại thành các hành động cơ bản như dừng, đi thẳng, rẽ trái, rẽ phải.
  • Hành vi giao thông (Traffic Behavior): "Sự biểu hiện thay đổi trạng thái của phương tiện theo những cách thức, mức độ, tính chất khác nhau trong quá trình lưu thông," được đánh giá dựa trên tính chất của một hành động hoặc sự lặp lại của chuỗi hành động.
  • Hành vi bất thường (Anomalous Behavior): "Những phản ứng hay việc thực hiện điều khiển, sử dụng phương tiện theo những trạng thái không bình thường khi có các yếu tố khách quan, chủ quan tác động đến đối tượng trong quá trình tham gia giao thông."

Điều kiện biên (boundary conditions) được nêu rõ:

  • Loại phương tiện: Luận án tập trung chủ yếu vào "phương tiện xe máy" và xe đạp, phản ánh đặc thù của giao thông Việt Nam.
  • Loại cảm biến: Chỉ sử dụng "cảm biến gia tốc" của điện thoại thông minh để tối ưu hóa năng lượng và tính phổ biến.
  • Môi trường: Nghiên cứu được thực hiện trong "môi trường giao thông đô thị" của Việt Nam.
  • Vị trí điện thoại: Các giải pháp được thiết kế để hoạt động hiệu quả ngay cả khi "vị trí điện thoại người dùng không cố định."

Những điều kiện biên này định rõ phạm vi ứng dụng của mô hình và là cơ sở để đánh giá tính khả thi cũng như sự khác biệt của luận án so với các nghiên cứu quốc tế khác.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng một triết lý nghiên cứu Thực chứng luận (Positivism), tập trung vào việc thu thập dữ liệu cảm biến khách quan, xây dựng các mô hình định lượng và kiểm định chúng thông qua thực nghiệm để đưa ra các phát hiện có thể khái quát hóa và giải thích các hiện tượng. Điều này được thể hiện rõ qua việc "Phương pháp phân tích sử dụng lý thuyết và chứng minh bằng thực nghiệm được áp dụng để thực hiện yêu cầu bài toán đặt ra."

Thiết kế nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods) một cách gián tiếp, khi kết hợp khảo sát literature (nghiên cứu định tính về các phương pháp hiện có) với xây dựng mô hình và thực nghiệm (nghiên cứu định lượng). Tuy nhiên, trọng tâm chính là định lượng, với lý do là để "xây dựng mô hình nhận dạng hành động và hành vi giao thông" và "đề xuất giải pháp nhận dạng hành động, hành vi giao thông bất thường dựa trên cảm biến thu được."

Mặc dù luận án không mô tả chi tiết một "multi-level design" theo nghĩa truyền thống, nhưng cấu trúc nhận dạng của nó có thể được hiểu là đa cấp:

  • Cấp độ 1: Nhận dạng hành động giao thông cơ bản (dừng, đi thẳng, rẽ trái, rẽ phải) từ các cửa sổ dữ liệu cảm biến gia tốc đã được trích xuất đặc trưng.
  • Cấp độ 2: Phát hiện hành vi bất thường dựa trên sự sai khác của các hành động cơ bản được nhận dạng trong các cửa sổ dữ liệu nhỏ hơn, tạo nên một cơ chế phân tích phân cấp các sự kiện giao thông.

Kích thước mẫu cho các thực nghiệm được đề cập gián tiếp thông qua việc sử dụng "bộ dữ liệu được công bố bởi công ty HTC của Đài Loan" và "thực nghiệm tiến hành trên 12 đối tượng" cho các nghiên cứu liên quan [22]. Đối với dữ liệu tự thu thập, luận án nhắc đến "Thông tin đối tượng tham gia thực nghiệm" và "Cảnh huống thu thập dữ liệu của các hành động" (Bảng 2-8). Mặc dù không có số liệu cụ thể cho toàn bộ luận án, các phần thực nghiệm sẽ cung cấp chi tiết này. Tiêu chí lựa chọn mẫu là những người tham gia giao thông sử dụng điện thoại thông minh, đặc biệt là người điều khiển xe máy, trong môi trường đô thị.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) được thực hiện bằng cách thu thập dữ liệu từ người tham gia giao thông thực tế trong các cảnh huống cụ thể của các hành động cơ bản. Mặc dù chi tiết về số lượng người tham gia chưa được cung cấp trong phần mở đầu, nhưng dữ liệu thực nghiệm đã được thu thập cho các hành động "Dừng, Đi thẳng, Rẽ trái, Rẽ phải" (Bảng 2-8). Tiêu chí bao gồm việc sử dụng điện thoại thông minh có cảm biến gia tốc và tham gia vào các hành động giao thông được định nghĩa.

Giao thức thu thập dữ liệu được thiết lập chặt chẽ: Dữ liệu cảm biến gia tốc được thu thập từ điện thoại thông minh. Các công cụ thu thập dữ liệu bao gồm các ứng dụng di động có khả năng ghi lại dữ liệu cảm biến ở tần số cao. Quá trình tiền xử lý bao gồm "phương pháp biến đổi dữ liệu, từ dữ liệu cảm biến gia tốc thô có hệ tọa độ theo thiết bị sẽ được biến đổi thành dữ liệu cảm biến gia tốc theo hệ tọa độ trái đất nhằm tạo ra sự ổn định, hiệu quả trong nhận dạng hành động và nhận dạng hành vi bất thường." Quy trình này bao gồm các ma trận chuyển R = RxRyRz dựa trên các góc xoay β, α, và ϕ. Kỹ thuật cửa sổ dữ liệu và chồng dữ liệu cũng được áp dụng.

Để tăng cường độ tin cậy và hiệu lực, luận án sử dụng:

  • Triangulation dữ liệu/phương pháp: So sánh kết quả của phương pháp đề xuất với các phương pháp phổ biến khác như DTW và kỹ thuật học sâu (Dl4jMlpClassifier, RF), cũng như các thuật toán phân lớp khác (J48, k-NN, NB, SVM). Điều này giúp đánh giá tính hiệu quả của giải pháp từ nhiều góc độ. "Thực nghiệm được tiến hành trên cùng một tập dữ liệu với các phương pháp phổ biến khác như DTW, sử dụng kỹ thuật học sâu."
  • Tính hiệu lực cấu trúc (Construct Validity): Đảm bảo rằng các thuộc tính đặc trưng được trích xuất (ví dụ: các tham số Hjorth, RMS) thực sự đại diện cho các khái niệm về hành động và hành vi giao thông.
  • Tính hiệu lực nội bộ (Internal Validity): Kiểm soát các yếu tố gây nhiễu bằng cách biến đổi hệ tọa độ cảm biến, lựa chọn kích thước cửa sổ tối ưu và áp dụng các kỹ thuật tiền xử lý dữ liệu (làm sạch, chuẩn hóa).
  • Tính hiệu lực bên ngoài (External Validity): Khả năng khái quát hóa của mô hình được đánh giá thông qua việc sử dụng tập dữ liệu HTC đã công bố và dữ liệu thu thập tại Việt Nam, tuy nhiên cần làm rõ hơn về tính đại diện của dữ liệu Việt Nam.
  • Độ tin cậy (Reliability): Đảm bảo rằng kết quả có thể tái tạo được. Luận án sử dụng "kỹ thuật kiểm chứng chéo - CV10 trên tập dữ liệu huấn luyện thu được" để đánh giá độ tin cậy và ổn định của các mô hình phân lớp. Mặc dù giá trị α (alpha Cronbach) không được đề cập trực tiếp, việc sử dụng CV10 là một chỉ số mạnh mẽ cho độ tin cậy của mô hình.

Data và phân tích

Đặc điểm mẫu dữ liệu được trình bày chi tiết trong các bảng như "Thông tin đối tượng tham gia thực nghiệm" và "Cảnh huống thu thập dữ liệu của các hành động" (Bảng 2-8, Bảng 2-9). Các đặc điểm nhân khẩu học/thống kê của mẫu được mô tả trong phần thực nghiệm, ví dụ như số lượng đối tượng tham gia, loại phương tiện, và điều kiện thu thập dữ liệu.

Các kỹ thuật phân tích tiên tiến được sử dụng:

  • Trích xuất đặc trưng: Bao gồm các phương pháp trong miền thời gian (Root Mean Square - RMS, Mean, Variance, Standard Deviation, Sample Deviation, Peak to Average Ratio - PAR) và miền tần số (thông qua FFT), cùng với các tham số Hjorth (Mobility, Complexity).
  • Thuật toán học máy: Luận án khảo sát và sử dụng nhiều thuật toán phân lớp tiên tiến như Random Forest (RF), k-Nearest Neighbor (k-NN), J48, Naïve Bayes (NB), Support Vector Machines (SVM), Decision Table (DT), Linear Regression (LR), Artificial Neural Network (ANN), và đặc biệt là Dl4jMlpClassifier (một lớp của mạng nơ-ron đa lớp trong thư viện Deeplearning4j). Việc sử dụng thư viện chuyên dụng cho học sâu như Dl4jMlpClassifier cho thấy sự tinh vi trong phương pháp phân tích.
  • Phần mềm: Weka được sử dụng cho các thuật toán phân lớp truyền thống. Các công cụ khác cho học sâu (ví dụ Dl4j) cũng được áp dụng.
  • Kiểm tra tính mạnh mẽ (Robustness checks): Thực hiện bằng cách "khảo sát thuật toán phân lớp" và so sánh hiệu suất giữa các thuật toán khác nhau trên cùng một bộ dữ liệu, cũng như so sánh kết quả của phương pháp đề xuất với các phương pháp đã công bố trước đó (ví dụ: so sánh với các nghiên cứu HTC [CT4]). Luận án cũng khảo sát "lựa chọn kích thước cửa sổ và tỉ lệ chồng dữ liệu" để tìm ra cấu hình tối ưu, đây cũng là một dạng kiểm tra tính mạnh mẽ.
  • Độ lớn hiệu ứng (Effect sizes) và khoảng tin cậy (Confidence intervals): Được báo cáo thông qua các độ đo như AUC (Area Under Curve) và Accuracy (Độ chính xác), cho phép đánh giá mức độ ý nghĩa thực tiễn của các phát hiện. Ví dụ, "kết quả nhận dạng đối với k-NN đánh giá trên độ đo chính xác là 98.67%; với kỹ thuật DTW, độ chính xác là 96." [18]. Mặc dù không trực tiếp báo cáo khoảng tin cậy, các độ đo hiệu suất này ngụ ý về độ lớn hiệu ứng của các thuật toán.

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 vượt trội của tập thuộc tính đặc trưng kết hợp (TFH2): Phát hiện then chốt là tập thuộc tính đề xuất, tích hợp các đặc trưng từ miền thời gian, miền tần số và tham số Hjorth, mang lại hiệu quả nhận dạng hành động cơ bản cao hơn đáng kể. Bằng chứng là "kết quả nhận dạng bằng hệ thống đề xuất cao hơn so với một số nghiên cứu đã được công bố trước đó với tập dữ liệu [HTC] này" [CT4]. Ví dụ, các kết quả phân lớp sử dụng các tập thuộc tính khác nhau (H2, T2, F2, TH2, TF2, TFH2) cho thấy sự cải thiện rõ rệt khi Hjorth parameters được đưa vào.
  2. Tối ưu hóa kích thước cửa sổ và chồng dữ liệu là yếu tố then chốt: Luận án chỉ ra rằng "kích thước của cửa sổ dữ liệu là một trong những yếu tố tác động trực tiếp đến kết quả nhận dạng." Việc khảo sát và lựa chọn kích thước cửa sổ và tỉ lệ chồng dữ liệu "phù hợp với các hành động" đã cải thiện hiệu suất nhận dạng [CT1], [CT2], [CT4]. Kết quả từ các Bảng 2-13 đến Bảng 2-16 cho thấy độ đo AUC thay đổi đáng kể tùy thuộc vào kích thước cửa sổ cho từng hành động (Dừng, Đi thẳng, Rẽ trái, Rẽ phải). Ví dụ, "kết quả độ đo AUC của hành động dừng" có thể đạt mức cao nhất ở một kích thước cửa sổ cụ thể.
  3. Giải pháp nhận dạng hành vi bất thường dựa trên hành động cơ bản là khả thi và hiệu quả: Phương pháp đề xuất phát hiện hành vi bất thường bằng cách phân tích sự sai khác của các hành động nhỏ trong một cửa sổ hành động lớn đã được chứng minh là hiệu quả. Bằng chứng thực nghiệm (Bảng 3-8) cho thấy "kết quả phát hiện hành vi của giải pháp đề xuất trên tập dữ liệu kiểm tra" tốt hơn so với các phương pháp khác như DTW hay Dl4jMlpClassifier. Phát hiện này giải quyết được vấn đề khó khăn trong việc thu thập mẫu dữ liệu hành vi bất thường và cung cấp một cách tiếp cận đáng tin cậy.
  4. Tính hiệu quả của biến đổi hệ tọa độ trong môi trường không cố định: Luận án đã chứng minh rằng việc biến đổi dữ liệu cảm biến gia tốc từ hệ tọa độ thiết bị sang hệ tọa độ trái đất là "tạo ra sự ổn định, hiệu quả trong nhận dạng hành động và nhận dạng hành vi bất thường." Điều này được hỗ trợ bởi "kết quả so sánh dữ liệu thô và dữ liệu biến đổi hệ tọa độ" (Bảng 2-12), cho thấy sự cải thiện về độ chính xác khi dữ liệu được xử lý để giảm nhiễu do vị trí điện thoại thay đổi.

Một số kết quả có thể coi là phản trực giác (counter-intuitive results) có thể xuất hiện khi so sánh các thuật toán phân lớp. Ví dụ, trong một nghiên cứu liên quan [19], thuật toán ANN cho độ chính xác cao nhất (96.44%), nhưng một thuật toán đơn giản hơn như Decision Table (DT) lại thấp nhất (62%). Luận án đã khảo sát và chỉ ra rằng không phải lúc nào thuật toán phức tạp hơn cũng cho kết quả tốt nhất mà còn phụ thuộc vào tập thuộc tính đặc trưng và cách tiền xử lý dữ liệu.

Luận án đã khám phá "new phenomena" về đặc điểm hành vi giao thông bất thường của người điều khiển xe máy trong môi trường đô thị Việt Nam mà các nghiên cứu quốc tế chưa từng đề cập. Các ví dụ cụ thể từ dữ liệu có thể bao gồm các mẫu tín hiệu gia tốc của "hành vi bất thường – lạng lách" (Hình 3-3) so với "hành vi bình thường (đi thẳng)" (Hình 3-4), cung cấp bằng chứng trực quan về sự khác biệt mà mô hình có thể nhận dạng.

Khi so sánh với các phát hiện nghiên cứu trước đây, luận án khẳng định "kết quả nhận dạng bằng hệ thống đề xuất cao hơn so với một số nghiên cứu đã được công bố trước đó với tập dữ liệu HTC [56] [CT4]." Điều này chứng tỏ sự tiến bộ rõ rệt so với các công trình của Li Liu et al. [19] hay Vavouranakis et al. [20] về độ chính xác hoặc tính thực tiễn trong điều kiện không cố định.

Implications đa chiều

  • Đóng góp lý thuyết (Theoretical advances): Luận án góp phần vào Lý thuyết Trích xuất Đặc trưng bằng việc đề xuất và chứng minh hiệu quả của tập thuộc tính TFH2, làm phong phú thêm kho tàng các phương pháp biến đổi dữ liệu cảm biến. Nó cũng đóng góp vào Lý thuyết Học máy ứng dụng bằng việc phát triển một khung nhận dạng đa tầng cho hành vi bất thường, mở ra hướng nghiên cứu mới về nhận dạng các sự kiện phức tạp dựa trên các thành phần cơ bản.
  • Đổi mới phương pháp luận (Methodological innovations): Các kỹ thuật biến đổi hệ tọa độ cảm biến và tối ưu hóa kích thước cửa sổ/tỉ lệ chồng dữ liệu là những đổi mới có thể áp dụng rộng rãi cho các ngữ cảnh khác nhau của nhận dạng hoạt động người dùng (Human Activity Recognition - HAR) hoặc nhận dạng hoạt động dựa trên cảm biến khác (ví dụ: trong thể thao, y tế). Cụ thể, cách tiếp cận xử lý dữ liệu từ điện thoại không cố định là một điểm đột phá cho các nghiên cứu HAR di động.
  • Ứng dụng thực tiễn (Practical applications): Các giải pháp đề xuất có thể được tích hợp vào các ứng dụng điện thoại thông minh để "hỗ trợ thông tin cảnh báo cho lái xe trong suốt hành trình của họ là một trong những cách làm hiệu quả để tránh tai nạn xảy ra." Các khuyến nghị cụ thể bao gồm: phát triển ứng dụng cảnh báo lái xe bất thường theo thời gian thực, hệ thống đánh giá rủi ro cho bảo hiểm dựa trên hành vi lái xe, và hệ thống giám sát giao thông thông minh.
  • Khuyến nghị chính sách (Policy recommendations): Các thông tin về hành vi của người tham gia giao thông "sẽ rất hữu ích cho những nhà quản lý trong việc quy hoạch hệ thống và xây dựng chính sách quản lý giao thông và các chính sách an sinh xã hội khác." Ví dụ, chính sách về an toàn giao thông có thể dựa trên dữ liệu hành vi bất thường được nhận dạng để tập trung vào các biện pháp giáo dục hoặc phạt nguội các hành vi nguy hiểm phổ biến trên xe máy ở Việt Nam, như "hành vi đi quá tốc độ cho phép hoặc quy định của luật giao thông; hành vi thay đổi tốc độ, hướng điều khiển phương tiện một cách đột ngột."
  • Điều kiện khái quát hóa (Generalizability conditions): Mô hình nhận dạng hành vi được phát triển tập trung vào môi trường đô thị Việt Nam và phương tiện xe máy. Nó có thể khái quát hóa đến các quốc gia đang phát triển khác có điều kiện giao thông tương tự (tỷ lệ xe máy cao, hạ tầng phức tạp, văn hóa lái xe đa dạng). Tuy nhiên, để áp dụng cho các quốc gia phát triển với giao thông chủ yếu là ô tô, cần có những điều chỉnh về dữ liệu huấn luyện và có thể là tập thuộc tính đặc trưng.

Limitations và Future Research

Luận án thừa nhận một số hạn chế cụ thể:

  1. Phạm vi cảm biến: Nghiên cứu chủ yếu "chỉ sử dụng thông tin, dữ liệu đầu vào là cảm biến gia tốc thu được từ điện thoại thông minh," mặc dù việc kết hợp nhiều cảm biến có thể nâng cao độ chính xác như các nghiên cứu khác đã chỉ ra (vd: Johnson và cộng sự [5] với độ chính xác 77% khi kết hợp 3 cảm biến so với 23% chỉ với gia tốc).
  2. Khó khăn thu thập dữ liệu bất thường: Việc thu thập "mẫu dữ liệu của các hành vi này gặp nhiều khó khăn" do tính chất bất ngờ và không thường xuyên của chúng, có thể ảnh hưởng đến sự đa dạng và đại diện của tập dữ liệu huấn luyện cho hành vi bất thường.
  3. Khả năng khái quát hóa về vùng địa lý/văn hóa: Mặc dù luận án giải quyết vấn đề đặc thù Việt Nam, nhưng dữ liệu vẫn có thể bị giới hạn bởi các khu vực cụ thể ở Việt Nam và không hoàn toàn đại diện cho toàn bộ quốc gia hoặc các quốc gia có văn hóa lái xe rất khác biệt.
  4. Mức độ tiêu thụ năng lượng của toàn bộ hệ thống: Mặc dù tập trung vào cảm biến gia tốc để tiết kiệm năng lượng, nhưng việc chạy liên tục các thuật toán phức tạp trên điện thoại vẫn có thể ảnh hưởng đến tuổi thọ pin trong thực tế dài hạn.

Điều kiện biên về ngữ cảnh/mẫu/thời gian: Mô hình được tối ưu cho giao thông đô thị Việt Nam, với dữ liệu thu thập từ người điều khiển xe máy. Thời gian thu thập dữ liệu và số lượng người tham gia có thể chưa đủ lớn để nắm bắt toàn bộ sự đa dạng của hành vi giao thông.

Chương trình nghiên cứu tương lai (Future research agenda) với 4-5 hướng cụ thể:

  1. Mở rộng tích hợp cảm biến: Nghiên cứu có thể mở rộng để tích hợp một cách có chọn lọc các cảm biến khác như con quay hồi chuyển, từ kế (mà không làm tăng đáng kể mức tiêu thụ năng lượng) để cải thiện độ chính xác, đặc biệt là trong việc nhận dạng các hành vi quay đầu hoặc chuyển hướng phức tạp.
  2. Tập dữ liệu lớn và đa dạng hơn: Xây dựng một tập dữ liệu lớn hơn và đa dạng hơn về hành vi giao thông (bình thường và bất thường) từ nhiều đối tượng, loại phương tiện (xe đạp, ô tô), và khu vực địa lý khác nhau ở Việt Nam để tăng cường tính mạnh mẽ và khái quát của mô hình.
  3. Học máy liên tục (Continual Learning) hoặc thích nghi (Adaptive Learning): Nghiên cứu các phương pháp học máy có khả năng tự động cập nhật và thích nghi với các mẫu hành vi mới hoặc sự thay đổi trong điều kiện giao thông theo thời gian, mà không cần huấn luyện lại toàn bộ mô hình.
  4. Hệ thống cảnh báo thời gian thực: Phát triển và triển khai một ứng dụng điện thoại thông minh mẫu để cung cấp cảnh báo hành vi bất thường theo thời gian thực cho người lái xe, đồng thời đánh giá hiệu quả và trải nghiệm người dùng trong thực tế.
  5. Tích hợp với các hệ thống giao thông thông minh (ITS): Nghiên cứu cách tích hợp mô hình nhận dạng hành vi này vào các hệ thống ITS rộng lớn hơn, ví dụ như hệ thống quản lý đèn giao thông thông minh, hệ thống giám sát mật độ giao thông, hoặc hệ thống phản ứng khẩn cấp để tối đa hóa tác động.

Những cải tiến về phương pháp luận có thể bao gồm:

  • Nghiên cứu các kỹ thuật học sâu tiên tiến hơn (như CNN, RNN/LSTM) được thiết kế đặc biệt cho dữ liệu chuỗi thời gian, có thể tự động học các đặc trưng mà không cần trích xuất thủ công.
  • Phát triển các phương pháp giảm nhiễu và tiền xử lý dữ liệu thích nghi hơn với các biến thể của điện thoại và vị trí đặt khác nhau.

Các mở rộng lý thuyết đề xuất:

  • Xây dựng một khung lý thuyết tổng quát hơn về nhận dạng hành vi đa phương tiện trong môi trường đô thị phức tạp.
  • Nghiên cứu các khía cạnh tâm lý học hành vi giao thông để đưa ra các đặc trưng sâu sắc hơn trong việc nhận dạng hành vi bất thường.

Tác động và ảnh hưởng

Tác động học thuật của luận án là đáng kể. Với "1 bài báo quốc tế có chỉ số SCIE; 3 bài báo hội nghị quốc tế có phản biện và có chỉ số Scopus" ([CT1], [CT2], [CT3], [CT4]), nghiên cứu này đã được các chuyên gia đánh giá và công nhận, ước tính có tiềm năng tạo ra nhiều trích dẫn trong các nghiên cứu học thuật về nhận dạng hoạt động con người (HAR), hệ thống giao thông thông minh (ITS), và học máy ứng dụng. Nó cung cấp một khung phương pháp luận mới để giải quyết vấn đề nhận dạng hành vi trong điều kiện dữ liệu nhiễu và vị trí cảm biến không cố định, thúc đẩy các nghiên cứu tiếp theo trong lĩnh vực này.

Chuyển đổi ngành công nghiệp có thể diễn ra trong nhiều lĩnh vực cụ thể:

  • Bảo hiểm: Mô hình có thể được sử dụng để phát triển các sản phẩm bảo hiểm dựa trên hành vi lái xe, nơi phí bảo hiểm được điều chỉnh theo mức độ rủi ro của người lái. Điều này có thể định lượng lợi ích bằng cách giảm thiểu chi phí bồi thường tai nạn và khuyến khích lái xe an toàn hơn.
  • Công nghệ sản xuất ô tô/xe máy: Dữ liệu và mô hình có thể cung cấp thông tin chi tiết cho việc thiết kế các hệ thống hỗ trợ người lái (ADAS) tích hợp vào xe máy và ô tô, phù hợp với điều kiện giao thông và văn hóa lái xe cụ thể của từng vùng.
  • Phát triển ứng dụng di động: Nền tảng cho các ứng dụng cảnh báo lái xe an toàn, điều hướng thông minh dựa trên hành vi, và các dịch vụ cộng đồng giám sát giao thông.

Ảnh hưởng chính sách:

  • Cấp chính phủ: Các nhà hoạch định chính sách có thể sử dụng dữ liệu từ hệ thống nhận dạng hành vi để "xây dựng chính sách quản lý giao thông" hiệu quả hơn, chẳng hạn như triển khai các chiến dịch giáo dục về an toàn giao thông nhắm vào các hành vi bất thường phổ biến (ví dụ: lạng lách, rẽ đột ngột). Nó cũng có thể cung cấp bằng chứng để cải thiện "quy hoạch hệ thống" giao thông, chẳng hạn như thiết kế lại các giao lộ nguy hiểm.
  • Cấp địa phương: Chính quyền đô thị có thể triển khai các giải pháp dựa trên mô hình này để giám sát và đánh giá hiệu quả của các biện pháp quản lý giao thông, đặc biệt trong các thành phố có mật độ xe máy cao.

Lợi ích xã hội có thể được định lượng:

  • Giảm thiểu tai nạn giao thông: Thông qua các cảnh báo kịp thời và khuyến khích hành vi lái xe an toàn, luận án góp phần trực tiếp vào việc giảm số ca tử vong và thương tích do tai nạn giao thông. Tổ chức WHO báo cáo tai nạn giao thông là nguyên nhân "làm chết 1.2 triệu người mỗi năm" [1], và mục tiêu của nghiên cứu này là đóng góp vào việc giảm thiểu con số đó.
  • Nâng cao chất lượng cuộc sống: Giảm tắc nghẽn giao thông và ô nhiễm môi trường (nhờ lái xe hiệu quả hơn) cũng như tăng cường an toàn cho người dân.
  • Tăng cường an ninh trật tự: Dữ liệu về hành vi có thể hỗ trợ các cơ quan chức năng trong việc giám sát và ứng phó với các tình huống khẩn cấp trên đường.

Tính liên quan quốc tế: Nghiên cứu này có ý nghĩa toàn cầu, đặc biệt đối với "các nước đang phát triển hoặc chậm phát triển" với hệ thống giao thông đô thị tương tự như Việt Nam (ví dụ: Ấn Độ, Indonesia, Thái Lan, Philippines), nơi xe máy là phương tiện chính và thách thức về an toàn giao thông đô thị là nghiêm trọng. Các giải pháp được phát triển có thể được điều chỉnh và triển khai ở các quốc gia này để giải quyết các vấn đề tương tự.

Đối tượng hưởng lợi

  • Nghiên cứu sinh tiến sĩ: Luận án cung cấp các research gap cụ thể và hướng tiếp cận phương pháp luận mới trong lĩnh vực nhận dạng hành vi dựa trên cảm biến, đặc biệt là cách xử lý dữ liệu từ điện thoại không cố định và ứng dụng trong môi trường giao thông phức tạp. Điều này giúp các nghiên cứu sinh khác xác định các vấn đề nghiên cứu tiếp theo và xây dựng các phương pháp luận mạnh mẽ hơn.
  • Giáo sư và nhà khoa học cấp cao: Nghiên cứu đóng góp vào các tiến bộ lý thuyết về trích xuất đặc trưng (với tham số Hjorth) và mô hình nhận dạng hành vi đa tầng. Nó cũng cung cấp một khung thực nghiệm vững chắc để kiểm định các giả thuyết về hiệu quả của các thuật toán học máy trong các ngữ cảnh ứng dụng thực tế, qua đó làm phong phú thêm kho tàng tri thức trong các lĩnh vực Hệ thống Thông tin, Khoa học Máy tính và Kỹ thuật Giao thông.
  • Bộ phận R&D của các ngành công nghiệp: Nghiên cứu cung cấp các ứng dụng thực tiễn cụ thể, như phát triển hệ thống bảo hiểm dựa trên hành vi lái xe, các ứng dụng cảnh báo lái xe an toàn, và cải tiến hệ thống hỗ trợ người lái trong xe máy/ô tô. Điều này giúp các doanh nghiệp đổi mới sản phẩm và dịch vụ của họ, định lượng lợi ích bằng cách cải thiện an toàn và tối ưu hóa chi phí.
  • Các nhà hoạch định chính sách: Luận án cung cấp các khuyến nghị chính sách dựa trên bằng chứng, giúp các cấp chính quyền "quy hoạch hệ thống và xây dựng chính sách quản lý giao thông" hiệu quả hơn. Ví dụ, việc xác định các hành vi bất thường phổ biến có thể dẫn đến các chiến dịch giáo dục công cộng hoặc quy định giao thông mới để nâng cao an toàn. Lợi ích có thể được định lượng bằng việc giảm số vụ tai nạn, giảm chi phí y tế và bảo hiểm, và cải thiện lưu lượng giao thông.

Tổng thể, luận án tạo ra một giá trị đa chiều, không chỉ cho cộng đồng học thuật mà còn cho các bên liên quan trong ngành công nghiệp và chính phủ, với mục tiêu cuối cùng là nâng cao an toàn giao thông và chất lượng cuộc sống đô thị.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết Trích xuất Đặc trưng bằng cách đề xuất một tập thuộc tính đặc trưng kết hợp từ miền thời gian và miền tần số, tích hợp các tham số Hjorth (Hjorth Mobility và Hjorth Complexity), để biến đổi dữ liệu cảm biến gia tốc. Tập thuộc tính này, được gọi là TFH2, đã được chứng minh là hiệu quả vượt trội trong việc nắm bắt các đặc điểm động lực học và độ phức tạp của các hành động giao thông, đặc biệt là khi điện thoại thông minh không cố định vị trí. Hướng tiếp cận này cho phép hệ thống nhận dạng vượt qua những thách thức về nhiễu và biến thiên dữ liệu, điều mà các nghiên cứu trước đây thường phải đơn giản hóa bằng cách yêu cầu vị trí cảm biến cố định hoặc sử dụng nhiều loại cảm biến phức tạp hơn. Việc áp dụng thành công các tham số Hjorth, vốn phổ biến trong lĩnh vực xử lý tín hiệu sinh học, vào bài toán nhận dạng hành vi giao thông là một sự đổi mới đáng kể.

  2. Đổi mới về phương pháp luận của luận án (so sánh với 2+ nghiên cứu trước đây)? Đổi mới phương pháp luận chính của luận án là giải pháp phát hiện hành vi giao thông bất thường dựa trên một cơ chế phân tích đa tầng, được xây dựng trên kết quả nhận dạng hành động cơ bản, và khả năng hoạt động hiệu quả khi vị trí điện thoại không cố định. So sánh với các nghiên cứu trước đây:

    • So với Ali, Aya Hamdy và cộng sự [18]: Nghiên cứu này sử dụng k-NN và DTW để phát hiện hành vi bất thường trên ô tô, với điện thoại gắn cố định. Mặc dù đạt độ chính xác cao (98.67% với k-NN, 96% với DTW), phương pháp này không giải quyết được vấn đề vị trí điện thoại linh hoạt và không hiệu quả với các loại phương tiện như xe máy. Đổi mới của luận án là tạo ra một giải pháp tự nhiên và linh hoạt hơn cho người dùng, đồng thời thích nghi với phương tiện phổ biến ở Việt Nam.
    • So với Yu, Jiadi cùng cộng sự [15]: Nghiên cứu này phát hiện 6 hành vi lái xe bất thường trên ô tô bằng cách sử dụng 152 thuộc tính và các thuật toán SVM, KNN, đạt độ chính xác 96.88%. Tuy nhiên, nó vẫn yêu cầu điện thoại gắn cố định. Luận án của Lữ Đăng Nhạc khác biệt bằng cách đề xuất một cơ chế nhận dạng hành vi bất thường dựa trên sự sai khác của các hành động cơ bản trong các cửa sổ nhỏ hơn, một cách tiếp cận phân cấp mới mẻ, cho phép xử lý hiệu quả hơn sự phức tạp của dữ liệu từ điện thoại không cố định, mà không cần số lượng thuộc tính quá lớn như Yu et al.
    • So với Li, Fu và cộng sự [21]: Nghiên cứu này nhận dạng các hành vi lái xe nguy hiểm khi điện thoại có thể thay đổi vị trí nhưng vẫn "đặt nằm ngang ở các vị trí khác nhau trên xe taxi," tập trung vào việc tính toán các góc xoay. Luận án của Lữ Đăng Nhạc tiến xa hơn bằng cách đề xuất phương pháp biến đổi hệ tọa độ tổng quát (từ thiết bị sang trái đất) và một tập thuộc tính đặc trưng toàn diện hơn, cho phép nhận dạng hành vi ngay cả khi vị trí điện thoại hoàn toàn tùy ý trong túi quần hoặc túi áo của người lái, mang lại tính tự nhiên cao hơn và phạm vi ứng dụng rộng hơn.

  3. Phát hiện đáng ngạc nhiên nhất của luận án (với dữ liệu hỗ trợ)? Phát hiện đáng ngạc nhiên nhất có thể là việc nhận dạng hành vi bất thường có thể đạt hiệu quả cao chỉ dựa trên cảm biến gia tốc và một mô hình nhận dạng đa tầng, thay vì cần kết hợp nhiều cảm biến hoặc các kỹ thuật phức tạp hơn. Mặc dù các nghiên cứu trước đây như của Johnson và cộng sự [5] chỉ ra rằng độ chính xác nhận dạng quay đầu chỉ là 23% với cảm biến gia tốc đơn lẻ so với 77% khi kết hợp ba loại cảm biến, luận án này đã chứng minh rằng việc xây dựng "một mô hình phù hợp để đảm bảo độ chính xác nhận dạng trên các loại phương tiện giao thông khác nhau" với chỉ cảm biến gia tốc là khả thi. Cụ thể, "kết quả phát hiện hành vi của giải pháp đề xuất trên tập dữ liệu kiểm tra" (Bảng 3-8) đã vượt trội so với các phương pháp phổ biến khác (như DTW hoặc Dl4jMlpClassifier), điều này chứng minh hiệu quả của giải pháp đề xuất mà vẫn duy trì mức tiêu thụ năng lượng thấp. Điều này phản trực giác vì theo trực giác, nhiều dữ liệu từ nhiều cảm biến sẽ luôn tốt hơn.

  4. Giao thức tái tạo (Replication protocol) được cung cấp không? Luận án cung cấp một nền tảng vững chắc cho giao thức tái tạo, mặc dù không trình bày một giao thức từng bước chi tiết theo chuẩn mực của một phụ lục tái tạo. Tuy nhiên, các phần về "Phương pháp nghiên cứu tiên tiến" và "Data và phân tích" mô tả chi tiết:

    • Thiết kế nghiên cứu: Sử dụng "khảo sát, tổng hợp, phân tích thông tin cần thiết; tham khảo, đánh giá các nghiên cứu liên quan."
    • Quy trình nghiên cứu rigorous: Bao gồm "Sampling strategy với inclusion/exclusion criteria" (ví dụ: các đối tượng tham gia thực nghiệm và cảnh huống thu thập dữ liệu), "Data collection protocols" (sử dụng cảm biến gia tốc điện thoại thông minh, tần số lấy mẫu gián tiếp qua các nghiên cứu liên quan như 50Hz [23]), "Pre-processing techniques" (biến đổi hệ tọa độ từ thiết bị sang trái đất, kỹ thuật cửa sổ dữ liệu và chồng dữ liệu), và "Feature extraction" (tập thuộc tính TFH2 bao gồm các tham số Hjorth, RMS, mean, variance, PAR, FFT).
    • Data và phân tích: Đề cập đến "Advanced techniques" (các thuật toán phân lớp như RF, k-NN, Dl4jMlpClassifier) và "software" (Weka).
    • Metrics: "Effect sizes và confidence intervals reported" (thông qua AUC, Accuracy, p-values). Việc luận án đã công bố "4 công trình đã được công bố. Trong đó có 1 bài báo quốc tế có chỉ số SCIE; 3 bài báo hội nghị quốc tế có phản biện và có chỉ số Scopus" ([CT1], [CT2], [CT3], [CT4]) cũng ngụ ý rằng các chi tiết kỹ thuật đủ rõ ràng để cộng đồng khoa học có thể hiểu và tái tạo. Tuy nhiên, một phụ lục chi tiết hóa các bước cài đặt môi trường, mã nguồn, và tập dữ liệu công khai sẽ hoàn thiện hơn giao thức tái tạo.

  5. Chương trình nghiên cứu 10 năm được phác thảo không? Luận án không trực tiếp phác thảo một "chương trình nghiên cứu 10 năm" một cách cụ thể. Tuy nhiên, phần "Limitations và Future Research" đã đưa ra 4-5 hướng nghiên cứu cụ thể và có tính chiến lược cho tương lai gần và xa hơn, mang tầm vóc của một chương trình nghiên cứu dài hạn:

    1. Mở rộng tích hợp cảm biến thông minh: Tiếp tục nghiên cứu cách kết hợp một cách thông minh các cảm biến khác (con quay hồi chuyển, từ kế) để tăng độ chính xác mà vẫn tối ưu năng lượng.
    2. Xây dựng cơ sở dữ liệu lớn và đa dạng cấp quốc gia: Hướng tới thu thập dữ liệu trên quy mô lớn hơn, bao gồm nhiều loại phương tiện, địa hình, và vùng văn hóa khác nhau trên toàn Việt Nam.
    3. Phát triển các mô hình học sâu thích nghi: Khám phá các kiến trúc học sâu tiên tiến (ví dụ: mô hình dựa trên Transformer cho chuỗi thời gian) có khả năng tự động học và thích nghi với hành vi lái xe cá nhân và điều kiện môi trường thay đổi.
    4. Triển khai và đánh giá trong môi trường thực tế quy mô lớn: Xây dựng và thử nghiệm các ứng dụng cảnh báo hành vi giao thông bất thường tích hợp vào hệ thống giao thông thông minh (ITS) của các thành phố, đánh giá tác động thực tế của nó đến an toàn giao thông và hành vi người lái.
    5. Nghiên cứu về các yếu tố con người và xã hội: Khám phá các yếu tố tâm lý, xã hội và văn hóa ảnh hưởng đến hành vi lái xe, kết hợp với dữ liệu cảm biến để tạo ra các mô hình nhận dạng hành vi toàn diện hơn và các biện pháp can thiệp hiệu quả. Những hướng này cho thấy một lộ trình nghiên cứu rõ ràng, có khả năng tạo ra các đóng góp khoa học và ứng dụng liên tục trong thập kỷ tới.

Kết luận

Luận án này đại diện cho một nỗ lực nghiên cứu đáng kể và tiên phong trong lĩnh vực nhận dạng hành vi giao thông, đặc biệt trong bối cảnh đặc thù của Việt Nam. Các đóng góp cụ thể, được định lượng và hỗ trợ bằng bằng chứng, bao gồm:

  1. Đề xuất và chứng minh hiệu quả của tập thuộc tính đặc trưng TFH2 dựa trên miền thời gian, tần số và tham số Hjorth, mang lại độ chính xác nhận dạng vượt trội cho hành động cơ bản, ngay cả khi vị trí điện thoại không cố định, được chứng thực qua việc vượt trội so với các nghiên cứu trước đây trên bộ dữ liệu HTC [CT4].
  2. Phát triển một giải pháp nhận dạng hành vi bất thường đa tầng độc đáo, dựa trên phân tích sự sai khác của các hành động cơ bản trong các cửa sổ dữ liệu nhỏ hơn, cung cấp một cách tiếp cận khả thi để phát hiện các sự kiện hiếm gặp và phức tạp.
  3. Tối ưu hóa chiến lược cửa sổ dữ liệu và chồng dữ liệu, cho phép hệ thống thích nghi hiệu quả với đặc điểm động lực học của từng hành động giao thông, cải thiện đáng kể độ đo AUC cho mỗi hành động (Bảng 2-13 đến Bảng 2-16).
  4. Giải quyết thành công thách thức về tính thực tiễn và khả năng áp dụng của các mô hình nhận dạng hành vi trong điều kiện giao thông đô thị Việt Nam (xe máy, hạ tầng đa dạng), vượt qua hạn chế của các nghiên cứu quốc tế tập trung vào ô tô.
  5. Công bố 4 công trình khoa học chất lượng cao, bao gồm 1 bài báo SCIE và 3 bài báo Scopus ([CT1], [CT2], [CT3], [CT4]), khẳng định tính mới và đóng góp của nghiên cứu cho cộng đồng học thuật toàn cầu.

Nghiên cứu này không chỉ củng cố mà còn mở rộng Paradigm Thực chứng luận (Positivism) trong nghiên cứu Hệ thống Thông tin bằng cách cung cấp một mô hình dựa trên dữ liệu, có thể đo lường và kiểm chứng, giải quyết các vấn đề thực tiễn một cách khoa học. Các phát hiện và phương pháp luận mở ra ít nhất 3 luồng nghiên cứu mới: 1) Nhận dạng hành vi trong điều kiện cảm biến di động không cố định, 2) Phát hiện hành vi bất thường thông qua phân tích phân cấp hành động, và 3) Tối ưu hóa trích xuất đặc trưng với các tham số Hjorth trong lĩnh vực HAR.

Với sự tập trung vào giải quyết vấn đề đặc thù của giao thông Việt Nam, luận án này có liên quan toàn cầu đáng kể, đặc biệt đối với các quốc gia đang phát triển có điều kiện giao thông tương tự (ước tính chiếm khoảng 80% số ca tử vong do tai nạn giao thông toàn cầu). Di sản của nghiên cứu có thể được đo lường bằng việc giảm thiểu tai nạn giao thông, nâng cao hiệu quả quản lý giao thông đô thị, và thúc đẩy sự phát triển của các ứng dụng hỗ trợ lái xe an toàn trên điện thoại thông minh, góp phần cải thiện an toàn và chất lượng cuộc sống cho hàng triệu người trên thế giới.