CN108431880A - 监测交通流量 - Google Patents

监测交通流量 Download PDF

Info

Publication number
CN108431880A
CN108431880A CN201680077141.0A CN201680077141A CN108431880A CN 108431880 A CN108431880 A CN 108431880A CN 201680077141 A CN201680077141 A CN 201680077141A CN 108431880 A CN108431880 A CN 108431880A
Authority
CN
China
Prior art keywords
traffic
magnitude
vehicle
flow
traffic flow
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201680077141.0A
Other languages
English (en)
Inventor
R.马丁
G.布鲁斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qinetiq Ltd
Optasense Holdings Ltd
Original Assignee
Qinetiq Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qinetiq Ltd filed Critical Qinetiq Ltd
Publication of CN108431880A publication Critical patent/CN108431880A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
    • G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles

Abstract

本申请涉及用于交通监测的设备和方法，尤其是用于使用光纤分布式声感测监测道路交通流量的设备和方法。所述方法涉及：使用合适的探询器单元(103)执行分布式声感测(DAS)以提供来自第一长度的感测光纤(102)的多个感测部分中的每个感测部分的测量信号，其中第一长度的感测光纤在具有多个车道的道路(101)旁边延伸。来自感测部分的测量信号被处理以检测在道路上行进的车辆(104)并且确定至少一个检测到的交通流量性质。所述方法还涉及：使用交通流量模型将检测到的流量性质与建模的流量性质相关，其中交通流量模型被配置为建模将会被分布式声感测漏掉的车辆检出，即存在于道路上但未被DAS传感器检测到的车辆的指示。

Description

监测交通流量
本申请涉及用于交通监测的设备和方法，尤其是用于使用分布式声学光纤感测来监测道路交通流量的设备和方法。
存在希望沿着一个或多个道路监测交通流量的各种应用。例如，可能希望确定道路网络的给定部分上的交通量和/或该网络的该部分上的交通流量。实现自适应交通管理技术可能需要这种信息。例如，根据给定路段上的交通的量和流量，可设置可变速度限制。基于在所述网络的各个部分处交通流量的知识，可控制交通灯或其它信号控制装置的操作，所述交通灯或其它信号控制装置用于控制对道路的给定区段的访问。基于这种信息，可激活或控制逆流系统或其它车道控制装置。
附加或者替代地，即使道路网络或其各部分不具有有效交通管理系统用于提供数据来允许对针对通常交通管理的任何改进（诸如例如速度限制的永久变更或道路标记或标志的变化）进行建模，关于道路网络的各个部分上的交通的量和流量的信息也将会有助于交通管理者。关于在任何变化之前以及之后的交通流量的数据的集合也将会有助于确定任何变化已如何影响交通流量。关于交通流量的数据也将会有助于规划者规划道路网络的任何升级或添加，并且还可有助于事件管理，例如在基于交通模式开放和/或关闭各种改道路线方面。
负责维护道路网络的那些人可能也对关于在道路网络的各区段上行进的交通量的数据感兴趣以允许基于可能的磨损做出关于定期维护的决定。
存在各种类型的道路交通监测系统。
基于压力或应变的传感器(例如，基于压电传感器或压气软管)可跨车行道被铺设或嵌入，并且被监测以检测穿越传感器的车辆的重量。这种传感器将会有效地用作轴计数器，并且能够被布置为监测在给定点的交通量和流率，并且还通常估计车辆的类型。这种传感器是有用的并且相对比较简单，但多车道公路的每个车道将会需要它自己的传感器，并且沿着交通网络在不同点将会需要多个传感器以便能够沿着网络监测交通。跨道路的表面铺设的传感器带或软管也将会经受相对比较严重的磨损，从而需要强健的传感器和/或定期维护。嵌入在公路内的传感器将会较少暴露，但通常将会需要更多工作以便安装并且为了修理或维护的访问困难得多。
能够使用电感传感器，电感传感器基于嵌入在车行道内的电感回路。车辆的通过产生能够被检测的涡流。电感回路交通传感器被广泛地用在许多应用中，并且能够提供关于交通量和流量的信息以及车辆类型的估计。然而，再一次，必须为多车道公路的每个车道提供单独的电感回路，并且沿着道路的多个传感器必须被用于提供关于沿着网络的通常交通流量的信息，从而限制了总体分辨率。这些传感器被嵌入在车行道内，带来关联的成本和安装的不便以及维护的困难。使用嵌入式磁检测器的磁传感器也已被提出，但具有与电感传感器类似的问题。
基于雷达的传感器(例如，微波雷达)也已被使用。雷达系统可被安装在高架机架或桥上以沿着车行道的车道传送辐射脉冲。能够检测来自车辆的返回信号，并且根据多普勒频移或通过跟踪沿着车道的移动能够检测车辆的速度。基于激光雷达的系统(例如，基于IR的激光雷达)可使用相似的方案，或者可简单地针对在扫描区域下方穿过的车辆进行扫描。然而，这种传感器可能相对比较昂贵，并且需要在具有待监测的道路的良好视野的情况下被安装，如已经提到的，这可能需要存在高架结构——在网络的各种部分中高架结构可能不可用。
视频处理正被越来越多地用于交通监测。道路网络的视频图像可被控制人员观测以得到当前交通状况的直觉印象，从而允许做出控制决定，但自动图像处理还可允许自动检测交通的量和流量。图像处理技术(诸如，图案识别和边缘检测)可被用于识别并且跟踪车辆，并且可能对车辆的类型进行分类。另外，自动车牌识别可被应用于识别车辆的车牌/牌照。这能够允许在交通网络各处对个体车辆的更复杂的跟踪，并且利用对车辆登记的数据库的访问，能够通过识别车牌来识别车辆的类型。然而，再一次，这需要在具有待监测的道路的良好视野的情况下布置的多个相对较高质量的照相机。
基于GPS的交通监测也已被提出，该构思是：至少一些车辆装备有GPS跟踪器和传送器以便将关于它们的位置和速度的信息传送给中央服务器。在理论上，GPS装备可能是每个车辆的需求，但在实践中，该系统也许可能使用驾驶员可能拥有的任何GPS装置(诸如，导航辅助器或智能电话)，或将专用GPS装备仅提供给在感兴趣的道路网络上定期行进的一定比例的车辆。在足够车辆传送数据的情况下，将可以监测该网络的各个部分上的交通的通常流率。然而，这种方法可能在低交通量中具有有限用途，可能无法提供足够的准确性以确定多车道道路的车道使用率，并且可能在GPS信号可能丢失的隧道或山区中艰难地进行。这种方案还可能要求车辆所有者同意被跟踪，并且数据可被与管理道路网络的实体不同的实体收集。
本发明的实施例涉及至少缓解至少一些上述缺点的交通监测系统，尤其涉及道路交通监测系统。
因此，根据本发明，提供一种方法，所述方法包括：
执行分布式声感测以提供来自第一长度的感测光纤的多个感测部分中的每个感测部分的测量信号，其中所述第一长度的感测光纤在具有多个车道的道路旁边延伸；
处理来自所述感测部分的测量信号以检测在道路上行进的车辆并且确定至少一个检测到的交通流量性质；以及
使用交通流量模型将检测到的流量性质与建模的流量性质相关，
其中交通流量模型被配置为建模将会被分布式声感测漏掉的车辆检出。
本发明的这个方面的方法因此使用一交通流量模型，该交通流量模型计及将会预期被DAS传感器漏掉的检出。如以下将更详细描述的，通过计及可预期将会被DAS传感器漏掉的检出，本公开的方法能够确定DAS传感器装置运转得有多好和/或校正漏掉的检出以提供真实流量的估计值。
在一些实施例中，所述交通流量模型可包括观测概率，观测概率是一个车道中对车辆的检出将会或将不会被处于更接近感测光纤的不同车道中的车辆在声学方面掩蔽的可能性。所述观测概率可基于交通流量状况而被确定。在一些示例中，车道的观测概率可基于更接近感测光纤的车道中的平均车辆间隔而被确定，其中车道中的平均车辆间隔根据第一函数和第二函数而被确定，第一函数将所述车道中的平均速度与总交通流量相关，第二函数将所述车道到车道中的通车车道与总交通流量相关。所述第一和第二函数可基于历史流量数据。
在一些实例中，所述车道的观测概率可附加或者替代地基于与和感测光纤靠近的车道中的车辆关联的掩蔽窗口而被确定。不同车辆可被分类为不同种类，每个种类与不同大小的掩蔽窗口关联。在这种情况下，交通流量模型可为至少一个车道确定每个种类的车辆的比例。
在一些实例中，当交通流量模型包括检出概率时，检出概率可包括未被在声学方面掩蔽的给定车道中的车辆将会或将不会被分布式声感测检测到的可能性。所述检出概率可基于测试数据，该测试数据通过在低交通量时在相关车道中沿着道路的相关区段驾驶测试车辆而获得。
所述至少一个检测到的交通流量性质可包括总检测到的流量值。附加或者替代地，所述至少一个检测到的交通流量性质可包括检测到的平均车辆速度和/或检测到的车辆速度的范围。
在一些实施例中，所述方法还可包括：使用第二不同交通监测系统监测交通流量。在这种情况下，使用交通流量模型将检测到的流量性质与建模的流量性质相关可包括：基于监测到的交通流量和交通流量模型获得流量性质的预测值作为建模的流量性质；以及比较预测的流量性质和检测到的流量性质。
换句话说，可在第二不同交通监测系统旁边使用DAS监测系统，第二不同交通监测系统可例如是仅在一个或多个位置监测道路的交通监测系统，但其不遭受DAS监测系统的掩蔽问题。DAS监测系统被用于监测交通流量，并且提供检测到的流量性质，例如检测到的交通流量的指示。基于由第二交通监测系统检测到的交通流量和用于DAS感测的交通流量模型，能够确定DAS交通监测系统的预测响应的指示。预测响应能够被与实际响应进行比较，例如DAS交通监测系统和/或交通流量模型的性能的评估或校准的一部分。
所述第二不同交通监测系统可包括基于视频的交通监测系统。
所述第二不同交通监测系统可仅被暂时地（例如在DAS传感器的校准时间段期间）部署。
在一些实施例中，交通流量模型的一个或多个参数可基于所述比较(即，实际和预测性能的比较)而被调整。
在一些实施例中，所述方法可使用交通流量模型基于检测到的流量性质来提供流量性质的真实值的估计值作为建模的流量性质，其中所述流量性质的真实值的估计值补偿漏掉的检出。换句话说，DAS交通监测系统可确定检测到的流量性质(例如，检测到的交通流量)，并且所述模型可随后有效地被用于将检测到的流量性质转换成真实流量值的估计值。所述模型可因此计及在当前流量状况下可能的漏掉的检出，从而提供真实流量的估计值。
所述方法可因此包括基于以下各项中的至少一项估计流量状况：检测到的交通流量值、检测到的平均交通速度、检测到的交通速度的范围，其中交通流量模型基于检测到的流量性质和估计的流量状况获得流量性质的真实值的估计值。
本发明的各方面还涉及用于监测交通流量的设备。因此，根据另一方面，提供一种用于确定交通流量的设备，所述设备被配置为：
接收第一数据集，第一数据集与来自第一长度的感测光纤的多个感测部分中的每个感测部分的分布式声感测测量信号对应，其中所述第一长度的感测光纤在具有多个车道的道路旁边延伸；
处理来自所述感测部分的测量信号以检测在道路上行进的车辆并且确定至少一个检测到的交通流量性质；以及
使用交通流量模型将检测到的流量性质与建模的流量性质相关，
其中交通流量模型被配置为建模将会被分布式声感测漏掉的车辆检出。
所述设备因此响应于合适的DAS传感器。所述设备可被布置为处理所述数据集以提供如以上讨论的任何变型中所讨论的方法。
所述设备还可包括DAS传感器。因此，所述设备可包括第一长度的感测光纤和分布式声感测探询器单元，所述分布式声感测探询器单元被配置为探询第一长度的感测光纤以获得设置的第一数据集。所述设备可以是交通管理系统的一部分。这种交通管理系统可包括如上所述的用于确定交通流量的设备，所述设备被配置为提供交通流量的估计值，并且这种交通管理系统还可包括控制器，所述控制器用于基于交通流量的所述估计值产生用于控制至少一个道路信号的控制信号。
以上讨论的技术可被用于评估或校准DAS交通监测系统。因此，在另一方面，提供一种评估分布式声传感器交通监测系统的方法，所述分布式声传感器交通监测系统具有感测光纤，所述感测光纤被部署为在具有多个车道的道路的第一区段旁边延伸，所述方法包括：
使用分布式声传感器交通监测系统监测道路的第一区段上的交通流量以提供DAS检测值；
使用第二不同类型的交通监测系统监测道路的第一区段的至少一部分上的交通流量以提供车辆流量的指示；
将交通流量模型应用于车辆流量的指示以提供预期DAS检测值的估计值；以及
其中交通流量模型被配置为建模将会被分布式声传感器漏掉的车辆检出。
这个方面的方法可被实现在以上结合第一方面描述的任何合适的变型中。
以上讨论的技术可被用于校正或改进DAS交通监测系统的输出。因此，在另一方面，提供一种监测交通的方法，所述方法包括：
使用分布式声传感器交通监测系统提供检测到的流量值；以及
将交通流量模型应用于检测到的流量值以提供真实流量值的估计值；
其中交通流量模型被配置为建模将会被分布式声传感器漏掉的车辆检出。
这个方面的方法可被实现在以上结合第一方面描述的任何合适的变型中。
所述方法也适用于由合适的DAS传感器远程获取的数据。因此，在又另一方面，提供一种方法，所述方法包括：
接收第一数据集，第一数据集与由获得的来自第一长度的感测光纤的多个感测部分中的每个感测部分的分布式声感测测量信号对应，其中所述第一长度的感测光纤在具有多个车道的道路旁边延伸；
处理来自所述感测部分的测量信号以检测在道路上行进的车辆并且确定至少一个检测到的交通流量性质；以及
使用交通流量模型将检测到的流量性质与建模的流量性质相关，
其中交通流量模型被配置为建模将会被分布式声感测漏掉的车辆检出。
现在将相对于下面的附图仅作为示例描述本发明，其中：
图1图示由DAS系统监测的多车道道路的区段；
图2图示针对沿着道路行进的车辆的来自DAS传感器的响应的原理；
图3图示从沿着道路的受监测区段行进的测试车辆获得的DAS数据；
图4a和4b图示交通流量和平均速度可如何在多车道道路的车道之间随着总体交通量变化；
图5图示DAS传感器；和
图6图示真实流量到预测流量的映射的一个示例。
本发明的实施例涉及监测交通流量，并且具体地讲，涉及使用感测光纤上的分布式声感测提供道路(尤其是具有多个车道的道路)的区段上的总交通流量的指示，所述感测光纤被部署为沿着道路的路径(例如，通常平行于道路)延伸。
分布式声感测(DAS)是已知类型的感测，其中光纤被部署作为感测光纤并且被利用电磁辐射反复地探询以提供对沿着它的长度的声活动的感测。通常，辐射的一个或多个输入脉冲被发射到光纤中。通过分析从光纤内反向散射的辐射，光纤能够有效地被划分为多个分立感测部分，所述多个分立感测部分可以是(但并不必然是)邻接的。在每个分立感测部分内，光纤的机械干扰(例如，由于入射声波而导致的应变)引起从该部分反向散射的辐射的性质的变化。这种变化能够被检测和分析并且用于给出在该感测部分的光纤的干扰强度的量度。因此，DAS传感器有效地用作光纤的声感测部分的线性感测阵列。光纤的感测部分的长度通过探询辐射的特性和应用于反向散射信号的处理确定，但通常可使用几米到几十米的数量级的感测部分。
如本说明书中所使用的，术语“分布式声感测”或“DAS”将会被理解为表示通过以光学方式探询光纤来执行感测以提供沿着光纤纵向分布的多个分立声感测部分，并且术语“分布式声传感器”应被相应地解释。术语“声”应表示可导致光纤上的应变变化的任何类型的压力波或机械干扰，并且为了避免困惑，术语“声”应被理解为包括超声波和次声波以及地震波。
能够对高达40 km左右或更大长度数量级的感测光纤执行DAS。为了交通监测，感测光纤能够被部署为通常沿着感兴趣的道路的路径延伸，例如被部署在道路旁边。因为感测光纤可以是标准光纤(诸如，常规用于电信的单模光纤)，所以光纤不贵并且能够被以相对永久的方式安装。感测光纤可被掩埋在待监测的道路旁边或者以其它方式部署在待监测的道路旁边，并且在使用中不经受光纤上方的交通移动的磨损，并且安装和维护不需要访问道路本身。因为感测功能依赖于将辐射发射到感测光纤的第一端中并且还检测反向散射到所述第一端的辐射，并且因此仅在光纤的一端需要探询器单元，并且沿着光纤的长度不需要功率或数据链路，仅在探询器单元处需要。DAS因此具有用于交通感测的几个优点。
在一些实施例中，感测光纤可被掩埋在道路的路径旁边，使得感测光纤通常(局部地)平行于正被监测的道路。这能够有效地沿着道路的相当大的长度提供声传感器的线性阵列。道路上车辆的移动产生声信号/振动，所述声信号/振动传播到感测光纤并且能够被DAS传感器检测到。因为DAS传感器能够沿着感测光纤的长度提供多个邻接的感测部分，这能够允许跟踪沿着道路的受监测区段的车辆移动。
这种DAS传感器能够被用于确定平均交通速度测量值，并且提供行程时间估计，并且还提供排队和堵塞检测。
然而，已理解，对于具有多个车道的道路，感测光纤在道路旁边延伸的任何实用DAS系统可能难以清楚地检测在与DAS感测光纤相距更远的车道中行进的车辆，尤其是在较高交通流量情况下。
本发明的一些实施例因此涉及DAS交通传感器系统的测试和/或校准以提供系统性能的指示，并且可允许调谐系统的各方面以提高性能。在这种实施例中，实际系统性能可被与基于道路的相关区段的交通流量模型的建模的性能(即，在观测的交通状况期间的预测性能)进行比较。
附加或者替代地，在一些实施例中，DAS交通传感器可通过确定检测到的流量值(例如，在某个时间帧中通过的检测到的车辆的数量的实际测量计数)来提供交通流量值(即，交通流量的估计值)，然后使用道路的相关区段的交通流量模型基于检测到的计数提供估计的真实流量值。
如稍后将更详细描述的，交通流量模型包括基于交通状况的可能漏掉的检出的指示，即存在于道路上但未被DAS传感器检测到的车辆的指示。
图1图示根据本发明的实施例的道路交通监测系统100。图1图示希望监测交通流量的道路101的区段。图1中图示的道路101的区段具有用于车辆沿相同方向(通常由在附图的顶部的箭头指示)行进的多个车道。在这个示例中，存在主要车行道的三个车道101-1、101-2和101-3，并且还存在应急车道或区域，例如硬质路肩101-0。
在道路101旁边部署的是感测光纤102，感测光纤102在一端耦合到DAS探询器单元103。DAS探询器单元103(将在以下更详细地描述DAS探询器单元103的示例)利用光学辐射探询感测光纤，并且检测和处理从感测光纤内反向散射的辐射以确定感测光纤的多个感测部分中的每个感测部分的测量信号，所述测量信号指示作用于光纤的该感测部分的环境干扰具体地讲，诸如通过入射压力/声波或其它引起的振动而导致的动态应变。
感测光纤的路径可通常跟随道路的路径，例如感测光纤可基本上局部平行于道路的路径。然而，将会理解，在一些实施例中，感测光纤的至少一部分可被部署为相对于平行于道路偏离。为了计及感测光纤相对于局部平行于道路的任何变化，DAS传感器的个体通道(即，感测部分)可被映射到受监测的车行道上的最近点，由此提供相对于交通移动成线性的比例尺。
在图1中图示的示例中，感测光纤被部署为在道路101旁边延伸，并且因此，被处于任何正常车辆车道101-1 - 101-3的区域之外。在这个实施例中，感测光纤也被部署在应急车道101-0的区域之外。以这种方式，感测光纤不需要被形成在道路101的材料内，并且不经受由于道路表面上方的交通的通过而导致的显著应力。对感测光纤的访问(例如，为了修理或维护)将会因此不需要访问道路表面本身，并且同样地，道路表面的任何维护不必担心感测光纤的存在。感测光纤(其通常将会是光纤电缆结构的一部分)可因此被部署在道路附近，并且可在道路旁边(例如，沿着路边边缘等)相对较浅地掩埋。掩埋感测光纤可帮助保护它免受损害和环境影响(诸如，风、雨等)以及经土地提供良好的声耦合。
然而，将会理解，在一些情况下，感测光纤的至少一部分可被掩埋或嵌入在应急车道101-0内(如果存在应急车道101-0的话)。也将会理解，感测光纤102能够被部署在道路的另一侧，即部署在道路的与任何应急车道101-0相对的一侧。
车辆104将会通常在标记的车道中(除非改变车道)沿着道路行进。如上所述，由车辆沿着道路的行进产生的噪声/振动将会产生声信号，所述声信号能够被由感测光纤102和探询器单元103形成的DAS传感器检测到。例如，考虑沿着道路行进的第一车辆104a。这将会在车辆附近在环境背景噪声上产生可检测的噪声特征。当车辆沿着道路移动时，噪声特征将会沿着感测光纤跟踪，如图2中所示。图2图示瀑布类型绘图的简化原理，其中随着时间过去为多个感测通道(即，在不同位置的感测光纤的感测部分)中的每个感测通道标绘声强。绘图201a指示：可从车辆104a检测到相对较强的声信号，当车辆沿着道路行进时，所述声信号沿着声通道跟踪。与道路和车辆速度相比，声信号在各个通道中前进的速率将会取决于感测光纤的部署。假设感测光纤通常平行于道路而延伸，如图1中所示，则能够从绘图201a的梯度确定车辆速度。然而，如上所述，通常，DAS传感器的通道可被映射到道路上的局部最近点。因此，传感器的通道的宽度和/或间隔可变化，但映射的比例尺相对于车辆的传播成线性。因此，能够沿着DAS通道的重新映射的比例尺从车辆跟踪的梯度计算车辆的速度。
在道路上行进的其它车辆可同样地引起类似的声信号。例如，在道路上可能位于车辆104a前面的车辆104b也可在由绘图201b图示的其它感测部分中产生可检测声信号。从图2能够看出：与车辆104b对应的绘图201b的梯度比车辆201a的绘图201a更陡峭，从而指示车辆104b正移动得比车辆104a慢。
处理器105可因此将以这种方式沿着感测光纤102的几个感测部分跟踪的声干扰识别为指示车辆沿着道路行进。处理器可因此采用跟踪算法将这种跟踪识别为检测到的车辆。因此能够看出：通过检测与在道路上移动的车辆关联的声信号，可检测车辆的存在。通过监测车辆的跟踪，还可确定车辆的速度，并且因此提供道路上的车辆的平均速度的指示，并且因此提供行程时间的估计值。也将会理解，与来自小型车辆的声信号相比，来自大型车辆的声信号通常也将会影响更多感测光纤的邻接感测部分。如图2中所示，来自车辆104a(车辆104a可以是小汽车)的声学绘图201a可具有比来自车辆104b(车辆104b可以是重型货车)的声学绘图201b的宽度小的宽度。因此也可能可以按照这种方式对车辆的类型进行分类。
如果能够识别针对在道路上行进的每个车辆的不同声信号，则能够确定在道路的给定区段上行进的车辆的数量的总数，并且确定基于每单位时间检测到的计数的流量值(例如，比如每分钟的车辆)。
然而，已理解，当车辆流量增加时，对于具有多个车道的道路，使用这种DAS系统检测来自每个车辆的不同声信号可能是不现实的。
首先，在真实世界系统中，在光纤的感测部分处在背景噪声水平以上可能可检测到来自沿着道路行进的给定车辆的信号的程度可能取决于许多问题。
在每个位置处对交通活动的光纤灵敏度可例如取决于感测光纤本身的性质、光纤和移动交通之间的声耦合以及由交通产生的土地中的声信号。
感测光纤的相关性质可包括光纤中信号损失率(即，光纤质量)、由诸如劣质光纤接头之类的特征引起的任何显著反射或非反射事件和光纤长度。通常，可使用没有接头或类似物的良好质量的感测光纤，并且感测光纤的长度可被控制以确保可接受的感测性能，因此光纤性能问题可能是最小的。
然而，光纤和移动交通之间的声耦合可取决于光纤的掩埋状况(例如，管道中、直接掩埋、缝形掏槽等)、光纤位置(例如，中央分隔带或路边)以及光纤和交通的每个车道之间的对应偏移距离以及来自交通的声信号所通过的介质(包括不同土地介质之间的任何边界)。
由交通产生的土地中的声信号可取决于车辆的大小和类型、通常交通量和平均车辆速度，并且还取决于诸如道路表面和任何道路结构(诸如，桥或隧道)之类的因素。
通常，在背景噪声相对较低的低交通流量状况下，影响由于车辆的通过而在给定感测部分中引起的信号的主要因素可主要取决于车辆的类型(例如，是小汽车还是重型货车)以及车辆正在哪个车道中行进(即，与光纤的偏移距离)。然而，在不同位置，道路表面的任何变化或光纤的掩埋状况可导致不同感测部分之间的灵敏度变化。
可能无法从使用通常在多车道道路旁边(例如，平行于多车道道路)延伸的感测光纤的DAS系统实际地预期道路上车辆的真实总数的第二原因在于：更接近光纤的车辆可能在声学方面掩蔽沿着所述光纤处于相同距离处的车辆。返回参照图1，能够看出，车辆104a正在沿着最接近感测光纤102的正常车辆车道101-1行进。这将会有效地在声学方面掩蔽车道101-2和101-3的区域106。在这个被掩蔽的区域106中产生并且由感测光纤102检测到的任何声信号将不会不同于由车辆104a产生的声信号。因此，仅基于由DAS传感器检测到的声信号，将无法确定绘图201a例如是由单个车辆引起还是由通常并排行进的两个车辆引起。图1图示了例如车辆104b可能正在掩蔽来自车辆104c的任何不同信号。
这种掩蔽效应发生的程度将会取决于车辆的类型。将会清楚的是，由于小汽车(比如，车辆104a)而导致的被掩蔽区域可小于由于重型货车104b而导致的被掩蔽区域。掩蔽效应将会也取决于掩蔽车辆正在什么车道中行进。能够看出，在车道101-1中行进的车辆可以有可能掩蔽车道101-2中的车辆和/或车道101-3中的车辆。然而，对于这种三车道道路示例，在车道101-2中行进的车辆(其本身未被掩蔽)可仅掩蔽车道101-3中的车辆，并且在车道101-3中行进的车辆(其本身未被掩蔽)在它自己的车行道上不提供掩蔽，但仍可掩蔽来自相对车行道的信号。
本发明的实施例因此使用交通流量模型，所述交通流量模型对一程度进行建模：所述程度是针对各种流量状况利用在多车道道路旁边延伸的感测光纤的DAS感测应该检测到在道路的车道上行进的车辆的程度。
在一些实施例中，这种交通流量模型可被用于比照建模的性能评估DAS传感器的性能，这可允许调谐传感器。附加或者替代地，这种交通流量模型可被与来自DAS传感器的实际检测数据一起使用以提供真实流量性质的至少一个估计值，诸如估计真实总流量值(例如，单位时间中车辆的估计的真实计数)。
所述模型可基于两个命题：
1)每个车道中一定比例的车辆将会在声学方面被道路上的其它车辆从DAS传感器掩蔽，阻止它们的检出。这将取决于光纤的位置、道路上车辆的类型(例如，HGV的数量)和每个车道中交通的密度；和
2)对于未在声学方面被掩蔽的每个车道中的车辆，每个车辆将会具有它们将会被DAS传感器检测到的一定概率。这个概率取决于由光纤接收的声信号的强度，该强度受到如下各项的影响：车辆的大小、车辆正在行进的速度、光纤和与道路的接触点之间的声耦合以及任何其它噪声源。
该方法可因此使用适合于正被监测的道路的区段的交通模型将检测到的流量值FD(例如，每单位时间检测到的车辆的数量)与每个车道中的实际流量相关。
能够根据下面的方程确定将会预期被DAS传感器检测到的检测到的流量值FD和每个车道中的实际流量之间的关系：
方程(1)
其中PDL是车道L中车辆检出的概率，ObsL是车道L中可观测到(即，未被掩蔽)的车辆的份额（fraction），并且FL是车道L中的实际交通流量(每单位时间车辆的数量)，并且其中n是车道的总数。
如上所述，给定车道中车辆检出的概率PDL将会通常取决于车辆的类型，并且也取决于在感兴趣的道路部分处与感测光纤的声耦合以及取决于通常交通流量。因此，对于不同车辆类型，给定车道中的车辆检出的概率可能是不同的。
在一些实施例中，车辆检出的概率可基于传感器的灵敏度分布，可通过使用至少一个车辆类型测试DAS传感器来获得所述灵敏度分布。测试过程可涉及一个或多个测试运行，其中在已知时间沿着正被DAS监测的道路的区段驾驶已知类型的测试车辆，使得能够根据已知测试车辆通过来处理检测到的DAS响应信号，以确定DAS传感器的灵敏度。例如，可在道路的低使用率时间(例如，在夜晚或当道路为了维护或某种其它原因而被封闭时)执行测试运行，并且校准运行可涉及在定义的车道中按照定义的速度尽可能远地驾驶测试车辆。可执行多个测试运行，该多个测试运行可涉及不同车辆类型、不同速度和/或不同车道中的行进。测试车辆可被某种位置测量系统(例如，GPS跟踪器或类似物)跟踪，使得随着时间的过去测试车辆在道路的所述区段上的位置能够与由DAS检测到的声信号关联。
图3图示通过沿利用DAS监测的道路的一区段驾驶测试车辆而获得的测试数据。在这种情况下，测试车辆安装有GPS跟踪器，并且被按照多车道道路的基本上恒定的速度驾驶。来自GPS跟踪器的位置信息被用于识别针对测试车辆的DAS传感器响应中的相关声信号，并且确定能够多么清楚地识别来自这种测试运行的声信号。根据这种数据，为针对测试车辆的响应确定指示的信噪比(SNR)。
如上所述，多个测试运行可被执行以提供关于不同车道中、按照不同速度和/或针对不同车辆类型的灵敏度的数据。还可在较高量交通时间执行这种测试运行，在这种情况下，测试车辆还可具有用于确定测试车辆何时可能在声学方面被其它车道上的车辆掩蔽的设备，例如，测试车辆和感测光纤之间的（一个或多个）车道中任何交通的带有时间戳的视频能够被记录并且用于识别测试车辆可能已在声学方面被掩蔽的时间。在测试运行期间获得的DAS数据能够被分析以在测试车辆应该可观测的时间段期间确定测试车辆是否在来自DAS传感器的声响应中实际上清楚地可观测，并且确定SNR。
根据这种灵敏度测量值，检出概率的指示能够被确定，检出概率的指示可以是道路的给定区段的相关车道的车辆检出的概率。对于不同车辆类型和/或不同流量状况，能够确定不同的检出概率。
在一个示例中，在大约20km数量级长度的给定路段的至少一部分上执行一系列测试运行。在这种情况下作为平均大小的旅行车的相同测试车辆被用在每个校准运行中，但在测试运行中在各种不同车道中并且按照不同速度行进。在每一种情况下，由测试车辆在正确车道中并且按照基本上正确的速度在道路的所述区段上行进的总距离被确定，并且DAS输出被分析以确定这个有效测试距离的量，其中测试车辆被DAS传感器正确地跟踪。这被用于产生被正确跟踪的所行进的有效测试距离的百分比的一系列值。针对各种车道的值随后被聚合以给出针对每个车道中测试车辆的一般检出概率。在这个特定的测试集合中，针对车道1(即，图1中的车道101-1)的检出概率是大约86%，针对车道2和3的检出概率分别是大约81%和65%。
附加或者替代地，可通过下面的方式来确定检出概率：运行DAS传感器以对在掩蔽效应将可忽略的低流量状况期间在每个车道中通过特定位置的每个类型的车辆的数量进行计数，并且还由可在DAS测试阶段期间暂时被使用的某种其它计数构件(例如，基于视频的车辆计数器)单独地对车辆的数量进行计数。这将实现由DAS传感器成功地检测的每个车道中的每个类型的车辆的百分比的确定。
如前所述，车辆可能无法被检测到的另一原因可能是因为来自车辆的不同信号被有效地掩蔽。车道L中的可观测(即，未被掩蔽)的车辆的份额ObsL通常将会取决于交通状况。
例如，在低流量的状况下，多数车辆可在车道101-1中行进，并且在其它车道中行进的任何车辆被掩蔽的时间比例可能相对较低。当交通流量增加时，其它车道中车辆的数量可增加，并且车道101-2或101-3中的车辆被掩蔽的时间的比例可增加。
交通流量模型可因此被用于估计在指定交通状况期间被掩蔽的车辆的百分比。
用于确定掩蔽的交通流量模型可基于许多模型参数。在一些实施例中，模型参数可包括下面各项中的至少一些参数：
a)在不同交通状况期间道路的相关区段的每个车道中的车辆分布。通过从已有或临时流量传感器在足够大量的状况下(例如，在某个时间段期间，比如至少24小时期间)收集交通流量数据，可测量这种分布。图4a图示从道路的给定区段获得的流量数据，示出三车道道路的每个车道中的流量(每分钟的车辆)以及它如何随着总体流量而变化。能够看出，在总体流量和每个个体车道中的流量之间存在通常很稳固的关系；和
b)在不同交通流量状况期间在每个车道中车辆的平均速度。再一次，可通过监测道路的相关区段来确定这一点。图4b图示通过使用车道内交通传感器进行测量而获得的一些数据，所述数据指示平均速度如何按照车道并且随着总体流量而变化，并且再一次，能够看出，在平均速度和总流量之间存在非常清楚的关系，但在非常低的流率处，可存在更大的可变性。
每个车道中车辆的平均速度VL可被与该车道中流量的指示FL一起使用以例如通过下面的方程来计算每个车道中交通的平均密度或间隔SL：
SL = VL / FL 方程(2)。
该模型还可计及在一些交通状况期间在每个车道中每个类型的车辆的近似比例和针对每个车辆类型的声掩蔽窗口的估计大小。使用对所记录的DAS传感器数据的SNR分析，能够例如确定掩蔽窗口的大小。
如上所述，通过在某个时间段期间可能使用某一其它类型的交通流量测量系统在DAS传感器校准阶段期间监测道路的相关区段，可确定交通流量模型的至少一些相关参数。然而，在一些情况中，至少一些参数可能已基于具有类似性质（即与道路弯曲/倾斜等的接头/程度的入口或出口接头/间隔接近）的道路各区段的典型流量模式的知识。
交通流量模型可因此依赖于关于交通的行为的一些假设。所述假设可包括下面各项中的一些假设：
1)每个车道中的交通分布是在该位置处在车行道上的总交通流量的直接函数，例如图4a中图示的关系成立。基于收集的数据的各种源，对于至少一些位置，这种关系确实似乎是事实；
2)在相对自由流动状况(即，非堵塞状况)下，每个车道中交通的速度直接与总交通流量相关，例如图4b中图示的关系成立；
3)每个车道中的车辆可具有由交通密度确定的平均间距(基于每个车道中的流量和平均速度能够计算所述交通密度)，但两个相邻车辆的间距能够变化直至指定最小间距(由于紧随行进等)；
4)对于非堵塞状况，以上讨论的交通模型的参数的行为(作为总流量的函数)并不随着时间过去而显著变化，例如每个车道中的交通的密度可随着总流量而变化，但将会随着时间过去随着流量以相同方式变化。
交通模型可因此被用于计算特定车道中的车辆将不会被掩蔽(并且因此，可能可检测)的概率，该概率是车行道上总交通流量的函数。换句话说，交通模型可基于交通流量的估计值为道路的每个车道确定ObsL的值。车道中车辆检出的概率PDL还可被用于提供与每个车道的预期检出的数量相关的因数。
因此能够看出：方程(1)的变量FL和ObsL都与交通流量相关。变量PDL也能够被定义为随着流量而具有至少一些变化，但针对道路的给定区段针对给定类型的车辆将PDL定义为常数可以是可接受的。
在一些实施例中，针对道路的一区段从DAS交通传感器系统实际获得的数据可被与该系统的建模的性能进行比较。针对道路的该给定区段，这可用于评估DAS交通传感器系统的性能和/或测试交通模型的有效性。
在这种实施例中，可使用某种可靠的交通流量传感器监测关于道路的相关区段的每个车道中的流量的数据，即针对各个车道的值FL能够由提供高置信度流量值的某种其它系统(例如，视频检测或电感回路)直接测量。这种其它交通流量监测系统可在DAS传感器的调谐/校准阶段期间被暂时部署。来自DAS传感器的数据也被检测，并且用于提供实际检测到的DAS流量计数FD。
基于交通流量模型，可确定基于实际检测到的流量的预测DAS传感器计数FD_predict。这提供将会在理想情况下预期的每单位时间车辆的数量的指示，该数量可被与由DAS传感器在实践中在一些不同流量状况下实际检测到的车辆数量进行比较。这可有助于在安装期间调谐DAS传感器以提供最佳性能，和/或可允许视需要改进模型参数，使得所述模型提供所述关系的准确表示。
图6图示三车道道路的三个车道中的测量流量可如何映射到预测在这种状况下被检测到的流量的一个示例。绘图的区域601示出车道1的预测流量检出，区域602对应于车道2的预测流量检出，并且区域603对应于车道3的预测流量检出。能够看出，在相对较低的流率处，多数车辆将会处于车道1中或可能在车道2中，并且将会预测DAS传感器检测到这些车辆中的相当大的数量。然而，在相对较高的流率处，将会预期车道1中的流量将会掩蔽除了在车道2中行进的少量车辆之外的在车道2中行进的全部车辆的检出。在中间流率处，可存在跨车道的车辆分布，但分布式感测将会主要检测到车道1或车道2中的车辆，并且很少的来自车道3的检出将被预测。
在一些实施例中，可能在模型已被确认为足够准确之后，该模型可在实践中被使用以改进由DAS传感器在使用中收集的数据。
DAS传感器可因此被用于检测道路的受监测区段的交通流量。声信号可如以上所讨论的那样由处理器105分析以将跟踪算法应用于该数据从而检测到个体车辆。处理器可因此获得检测到的流量值FD。DAS传感器还可确定平均速度和检测到的车辆的速度范围，并且在一些情况中，还可将车辆分类成至少两个种类(诸如，重型货车或其它)。
处理器105可随后使用交通流量模型确定一个或多个真实流量性质的估计值，例如真实流量值的估计值。
检测到的流量值FD和在一些情况中诸如平均车辆速度和/或检测到的速度范围和/或每个种类车辆的比例之类的数据可被用于确定可能的流量状况。有效地，所述模型被与前面刚刚描述的内容相反地使用以确定如下流量状况：在给定针对那些流量状况的检出概率和预期掩蔽的情况下，该流量状况将会为检测到的实际数据提供最佳拟合并且因此提供每个车道中真实流量的指示。
根据这一点，可确定真实流量值的估计值(包括漏掉的检出)。另外，平均速度值可被修改以提供真实平均速度的估计值。将会理解，由于掩蔽效应并且也由于增加的检出概率，DAS传感器将会优先检测到最接近感测光纤的车道中的车辆。因此，与原本情况相比，针对总体平均值，来自这个车道的贡献可被给予更大权重。另外，能够从相应的检出概率值获得朝向HGV的检出的偏置。通过使用交通模型，真实流量状况的估计值能够被获得，并且具有真实平均速度的估计值。
如上所述的方法将会因此允许预测将会最佳地被DAS系统在不同交通状况期间检测到的车辆数量。如上所述，这可被用作一可重复方法的一部分，所述可重复方法用于在安装阶段期间针对最佳性能调谐所述系统。在这种情况下，针对特定位置和时间段，将会搜集流量参数和检出概率值以及DAS传感器数据。DAS流量检测算法参数将会随后被反复变更以实现输出，所述输出根据给定性能度量与由所述模型针对给定数据集预测的值最好地匹配。另外，能够基于这些预测设置定量性能度量，该定量性能度量能够被用作新DAS装置的准则以示出系统正在像能够预期的情况一样好地执行。
系统输出(平均速度、行程时间)朝向某些车道和车辆类型的偏置能够被计算并且校正(如果必要的话)。这将会提高系统输出的总体准确性。
该方法还允许由DAS系统检测到的流量数据被用于提供真实总流量的估计值。已知总流量是各种基础设施管理组织在分析交通模式以及规划道路封闭和对所述网络的未来改进中所使用的关键度量(以及平均速度/行程时间)。
交通流量数据能够与排队和堵塞检测算法一起使用以提供检测在某些情况下发生的事件(例如，在光纤灵敏度较低的位置处积累队列)的能力。通过针对邻近接头之间的各区段上总体流量的变化进行监测，能够实现这一点。
因此，通常，在本发明的一些实施例中，DAS交通传感器系统可通过确定与能够被检测到的车辆对应的不同声信号的数量来确定一个或多个流量性质。一个流量性质可以是在道路的该区段上行进的车辆数量的检测到的计数。这个检测到的计数(或如果按照每单位时间的计数表示，则为流量值)是实际测量的计数或流量值。附加或者替代地，流量性质可以是基于检测到的车辆跟踪的平均速度和/或速度的范围的指示。该方法还可涉及确定交通状况以及确定与漏掉的检出相关的至少一个因素。与漏掉的检出相关的所述至少一个因素可包括在道路的特定车道中行进的车辆的一般检出概率的指示和/或车辆的检出被另一车辆掩蔽的可能性的指示。交通状况可包括实际检测到的交通流量或计数和/或与平均车辆速度和/或车辆速度的范围和/或不同车辆检出之间的间距相关的数据。随后可基于与漏掉的检出相关的所述至少一个因素而调整检测到的流量值以提供真实流量值的估计值，例如每单位时间通过的车辆的真实计数。
图5示出传统分布式光纤感测装置500的示意图。如以上所讨论的，直接通过某种合适的可移除连接或在一些情况中间接地(例如，经中间光纤或类似物)，感测光纤102在一端以光学方式耦合到探询器单元103。来自探询器单元103的输出被传递给处理器105并且可选地传递给用户接口/图形显示器504，处理器105可与探询器位于同一地点或形成探询器的一部分或者可远离探询器，用户接口/图形显示器504在实践中可由合适指定的PC实现。用户接口可与信号处理器位于同一地点，或者可远离信号处理器。
如上所述，感测光纤102能够在长度方面是几千米，并且能够在长度方面是例如40km或更大。感测光纤可以是标准的未修改的单模光纤，诸如通常用在电信应用中，而不需要故意引入的反射位置，诸如光纤Bragg光栅或类似物。使用未修改长度的标准光纤提供感测的能力表示：可使用低成本的容易获得的光纤。然而，在一些实施例中，所述光纤可包括已被制造或布置为尤其对传入的振动敏感的光纤。
在操作中，探询器单元103将探询电磁辐射(所述探询电磁辐射可例如包括具有选择的频率模式的一系列光学脉冲)发射到感测光纤中。光学脉冲可具有如英国专利公开GB2,442,745中所述的频率模式(该专利公开的内容由此通过引用被合并于此)，但依赖于单探询脉冲的DAS传感器也是已知的并且可被使用。需要注意的是，如这里所使用的，术语“光学”不限于可见光谱，并且光学辐射包括红外辐射和紫外辐射。如GB2,442,745中所述，Rayleigh反向散射的现象导致输入到光纤中的光的某个部分被反射回至探询器，在探询器，所述反射的光被检测以提供代表光纤附近的声干扰的输出信号。探询器单元因此合宜地包括至少一个激光器501和至少一个光学调制器502，用于产生由已知光学频率差分开的多个光学脉冲。探询器还包括至少一个光电检测器503，所述至少一个光电检测器503被布置为检测从光纤102内的固有散射位置Rayleigh反向散射的辐射。Rayleigh反向散射DAS传感器在本发明的实施例中非常有用，但基于Brillouin或Raman散射的系统也是已知的并且能够被用在本发明的实施例中。
来自光电检测器的信号由信号处理器504处理。信号处理器基于光学脉冲之间的频率差合宜地解调返回的信号，例如如GB2,442,745中所述。信号处理器还可应用相位展开算法，如GB2,442,745中所述。来自光纤的各个区段的反向散射的光的相位能够因此被监测。光纤的给定区段内的有效光程长度的任何变化(诸如，将由入射压力波在光纤上引起应变而导致)能够因此被检测到。
光学输入的形式和检测的方法允许单个连续光纤在空间上分解成分立纵向感测部分。也就是说，能够基本上独立于在邻近部分感测到的信号来提供在一个感测部分处感测到的声信号。这种传感器可被视为完全分布式或本征传感器，因为它使用光纤中固有的处理的本征散射，并且因此，遍及整个光纤分布感测功能。光纤的感测部分的空间分辨率可例如是大约10m，对于比如40km数量级的光纤的连续长度，光纤的感测部分提供沿着40km的光纤部署的大约4000个独立声通道。在具有不同通道宽度的情况下，更多通道能够被布置光纤上。
应该注意的是，上述实施例说明本发明，而非限制本发明，并且本领域技术人员将会能够在不脱离所附权利要求的范围的情况下设计许多替代实施例。除了明确地另外指示的情况之外，来自各个实施例的特征可被组合并且一起使用。词语“包括”不排除存在除在权利要求中列出的那些元件或步骤之外的元件或步骤，“一”或“一个”不排除多个，并且单个特征或其它单元可实现在权利要求中叙述的几个单元的功能。权利要求中的任何参考标记或标签不应被解释为限制其范围。

Claims (25)

1.一种方法，包括：
执行分布式声感测以提供来自第一长度的感测光纤的多个感测部分中的每个感测部分的测量信号，其中所述第一长度的感测光纤在具有多个车道的道路旁边延伸；
处理来自所述感测部分的测量信号以检测在道路上行进的车辆并且确定至少一个检测到的交通流量性质；以及
使用交通流量模型将检测到的流量性质与建模的流量性质相关，
其中交通流量模型被配置为建模将会被分布式声感测漏掉的车辆检出。
2.如权利要求1所述的方法，其中所述交通流量模型包括观测概率，观测概率是一个车道中对车辆的检出将会或将不会被处于更接近感测光纤的不同车道中的车辆在声学方面掩蔽的可能性。
3.如权利要求2所述的方法，其中所述观测概率基于交通流量状况而被确定。
4.如权利要求2或权利要求3所述的方法，其中所述车道的观测概率基于更接近感测光纤的车道中的平均车辆间隔而被确定，其中车道中的平均车辆间隔根据第一函数和第二函数被确定，所述第一函数将所述车道中的平均速度与总交通流量相关，所述第二函数将所述车道到车道中的通车车道与总交通流量相关。
5.如权利要求3或权利要求4所述的方法，其中所述第一函数和第二函数基于历史流量数据。
6.如权利要求2至5中任一项所述的方法，其中所述车道的观测概率基于掩蔽窗口而被确定，所述掩蔽窗口与和感测光纤靠近的车道中的车辆相关联。
7.如权利要求6所述的方法，其中不同车辆被分类为不同种类，其中每个种类与不同大小的掩蔽窗口关联。
8.如权利要求7所述的方法，其中所述交通流量模型为至少一个车道确定每个种类的车辆的比例。
9.如权利要求2至8中任一项所述的方法，其中所述交通流量模型包括检出概率，所述检出概率是未被在声学方面掩蔽的给定车道中的车辆将会或将不会被分布式声感测检测到的可能性。
10.如权利要求9所述的方法，其中所述检出概率基于通过以下方式获得的测试数据：在低交通量时间在相关车道中沿着道路的相关区段驾驶测试车辆。
11.如任一前面权利要求所述的方法，其中所述至少一个检测到的交通流量性质包括总检测到的流量值。
12.如任一前面权利要求所述的方法，其中所述至少一个检测到的交通流量性质包括检测到的平均车辆速度。
13.如任一前面权利要求所述的方法，其中所述至少一个检测到的交通流量性质包括检测到的车辆速度的范围。
14.如任一前面权利要求所述的方法，还包括：
使用第二不同交通监测系统监测交通流量；
其中使用交通流量模型将检测到的流量性质与建模的流量性质相关包括：
基于监测到的交通流量和交通流量模型获得流量性质的预测值作为所述建模的流量性质；以及
比较预测的流量性质和检测到的流量性质。
15.如权利要求14所述的方法，其中所述第二不同交通监测系统包括基于视频的交通监测系统。
16.如权利要求14或权利要求15所述的方法，其中所述第二不同交通监测系统在DAS传感器的校准时间段期间被暂时地部署。
17.如权利要求14至16中任一项所述的方法，其中所述方法包括基于所述比较修改交通流量模型的一个或多个参数。
18.如权利要求1至13中任一项所述的方法，其中使用交通流量模型将检测到的流量性质与建模的流量性质相关包括：
使用交通流量模型基于检测到的流量性质提供流量性质的真实值的估计值作为所述建模的流量性质，其中所述流量性质的真实值的估计值补偿漏掉的检出。
19.如权利要求18所述的方法，其中所述方法包括基于下面各项中的至少一项估计流量状况：检测到的交通流量值、检测到的平均交通速度、检测到的交通速度的范围，其中交通流量模型基于检测到的流量性质和估计的流量状况获得流量性质的真实值的估计值。
20.一种用于确定交通流量的设备，所述设备被配置为：
接收与来自第一长度的感测光纤的多个感测部分中的每个感测部分的分布式声感测测量信号对应的第一数据集，其中所述第一长度的感测光纤在具有多个车道的道路旁边延伸；
处理来自所述感测部分的测量信号以检测在所述道路上行进的车辆并且确定至少一个检测到的交通流量性质；以及
使用交通流量模型将检测到的流量性质与建模的流量性质相关，
其中交通流量模型被配置为建模将会被分布式声感测漏掉的车辆检出。
21.如权利要求20所述的设备，还包括所述第一长度的感测光纤和分布式声感测探询器单元，所述分布式声感测探询器单元被配置为探询所述第一长度的感测光纤以获得设置的第一数据集。
22.一种交通管理系统，包括：如权利要求20或权利要求21所述的用于确定交通流量的设备，被配置为提供交通流量的估计值；和控制器，用于基于所述交通流量的估计值产生用于控制至少一个道路信号的控制信号。
23.一种评估分布式声传感器交通监测系统的方法，所述布式声传感器交通监测系统具有感测光纤，所述感测光纤部署为在具有多个车道的道路的第一区段旁边延伸，所述方法包括：
使用分布式声传感器交通监测系统监测道路的第一区段上的交通流量以提供DAS检测值；
使用第二不同类型的交通监测系统监测道路的第一区段的至少一部分上的交通流量以提供车辆流量的指示；
将交通流量模型应用于车辆流量的指示以提供预期DAS检测值的估计值；以及
其中交通流量模型被配置为建模将会被分布式声传感器漏掉的车辆检出。
24.一种监测交通的方法，包括：
使用分布式声传感器交通监测系统提供检测到的流量值；以及
将交通流量模型应用于检测到的流量值以提供真实流量值的估计值；
其中交通流量模型被配置为建模将会被分布式声传感器漏掉的车辆检出。
25.一种方法，包括：
接收第一数据集，第一数据集与由获得的来自第一长度的感测光纤的多个感测部分中的每个感测部分的分布式声感测测量信号对应，其中所述第一长度的感测光纤在具有多个车道的道路旁边延伸；
处理来自所述感测部分的测量信号以检测在所述道路上行进的车辆并且确定至少一个检测到的交通流量性质；以及
使用交通流量模型将检测到的流量性质与建模的流量性质相关，
其中交通流量模型被配置为建模将会被分布式声感测漏掉的车辆检出。
CN201680077141.0A 2015-10-30 2016-10-26 监测交通流量 Pending CN108431880A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GBGB1519202.4A GB201519202D0 (en) 2015-10-30 2015-10-30 Monitoring traffic flow
GB1519202.4 2015-10-30
PCT/GB2016/053330 WO2017072505A1 (en) 2015-10-30 2016-10-26 Monitoring traffic flow

Publications (1)

Publication Number Publication Date
CN108431880A true CN108431880A (zh) 2018-08-21

Family

ID=55130453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680077141.0A Pending CN108431880A (zh) 2015-10-30 2016-10-26 监测交通流量

Country Status (7)

Country Link
US (1) US10431077B2 (zh)
EP (1) EP3369085B1 (zh)
CN (1) CN108431880A (zh)
AU (1) AU2016344513A1 (zh)
CA (1) CA3003322A1 (zh)
GB (1) GB201519202D0 (zh)
WO (1) WO2017072505A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508631A (zh) * 2018-09-12 2019-03-22 上海电科智能系统股份有限公司 一种基于分布式光纤传感技术的交通流模型构建方法
CN110009908A (zh) * 2019-03-27 2019-07-12 招商局重庆交通科研设计院有限公司 基于道路交通管控时间与区域计算的交通道路长度控制方法
CN111540212A (zh) * 2020-07-08 2020-08-14 浙江浙能天然气运行有限公司 一种用于分布式光纤的高速公路干扰估计系统及方法
CN113260833A (zh) * 2018-12-03 2021-08-13 日本电气株式会社 道路监视系统、道路监视设备、道路监视方法和非暂时性计算机可读介质
CN113366545A (zh) * 2018-12-06 2021-09-07 日本电气株式会社 道路监视系统、道路监视设备、道路监视方法和非暂时性计算机可读介质
CN113554876A (zh) * 2021-09-18 2021-10-26 苏州映赛智能科技有限公司 多毫米波雷达域控制系统
CN113724486A (zh) * 2021-07-12 2021-11-30 重庆市市政设计研究院有限公司 一种rfid-das的断面交通量动态感知算法及装置
CN115331455A (zh) * 2022-06-29 2022-11-11 北京见合八方科技发展有限公司 一种公路车辆车道级定位与车辆境况监测方法和系统
CN115410403A (zh) * 2022-04-19 2022-11-29 北京见合八方科技发展有限公司 基于无源感知的公路车辆定位追踪方法、装置及可读介质
CN115625723A (zh) * 2022-12-22 2023-01-20 北京国安广传网络科技有限公司 一种基于yolo算法的社交距离监控机器人
CN116798237A (zh) * 2023-03-24 2023-09-22 浪潮智慧科技有限公司 一种交通流量监测方法及设备

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3020223A1 (en) 2016-04-07 2017-10-12 Bp Exploration Operating Company Limited Detecting downhole sand ingress locations
BR112018070577A2 (pt) 2016-04-07 2019-02-12 Bp Exploration Operating Company Limited detecção de localizações de ingresso de areia de fundo de poço
US10810883B1 (en) * 2016-06-03 2020-10-20 Uber Technologies, Inc. Travel time estimation
DE102016225287A1 (de) * 2016-12-16 2018-06-21 Volkswagen Aktiengesellschaft Verfahren, Vorrichtung und computerlesbares Speichermedium mit Instruktionen zur Verarbeitung von durch ein Kraftfahrzeug erfassten Daten
US10254121B2 (en) 2017-01-23 2019-04-09 Uber Technologies, Inc. Dynamic routing for self-driving vehicles
ES2858448T3 (es) * 2017-02-01 2021-09-30 Kapsch Trafficcom Ag Un procedimiento para predecir un comportamiento del tráfico en un sistema de carreteras
EP3583296B1 (en) 2017-03-31 2021-07-21 BP Exploration Operating Company Limited Well and overburden monitoring using distributed acoustic sensors
CA3073623A1 (en) 2017-08-23 2019-02-28 Bp Exploration Operating Company Limited Detecting downhole sand ingress locations
CN111771042A (zh) 2017-10-11 2020-10-13 英国石油勘探运作有限公司 使用声学频域特征来检测事件
CN108597219B (zh) * 2018-05-04 2020-04-21 山东理工大学 一种基于机器视觉的路段行人过街控制方法
US10836309B1 (en) * 2018-06-18 2020-11-17 Alarm.Com Incorporated Distracted driver detection and alert system
US11359927B2 (en) * 2018-07-16 2022-06-14 Toyota Research Institute, Inc. Mapping of temporal roadway conditions
EP3936697A1 (en) 2018-11-29 2022-01-12 BP Exploration Operating Company Limited Event detection using das features with machine learning
GB201820331D0 (en) 2018-12-13 2019-01-30 Bp Exploration Operating Co Ltd Distributed acoustic sensing autocalibration
JP7156502B2 (ja) * 2019-03-26 2022-10-19 日本電気株式会社 構造物劣化検知システム及び構造物劣化検知方法
JP7164027B2 (ja) * 2019-04-16 2022-11-01 日本電気株式会社 光ファイバセンサ、監視システム、センシング位置補正方法、及び、センシング位置補正プログラム
WO2021001889A1 (en) * 2019-07-01 2021-01-07 Nec Corporation Traffic prediction apparatus, system, method, and non-transitory computer readable medium
US11249480B2 (en) * 2019-08-08 2022-02-15 Toyota Motor North America, Inc. Autonomous vehicle positioning system
WO2021038695A1 (ja) 2019-08-26 2021-03-04 日本電気株式会社 光ファイバセンシングシステム、道路監視方法、及び光ファイバセンシング機器
WO2021073741A1 (en) 2019-10-17 2021-04-22 Lytt Limited Fluid inflow characterization using hybrid das/dts measurements
WO2021073740A1 (en) 2019-10-17 2021-04-22 Lytt Limited Inflow detection using dts features
WO2021093974A1 (en) 2019-11-15 2021-05-20 Lytt Limited Systems and methods for draw down improvements across wellbores
US11521487B2 (en) * 2019-12-09 2022-12-06 Here Global B.V. System and method to generate traffic congestion estimation data for calculation of traffic condition in a region
CN111179597A (zh) * 2020-01-10 2020-05-19 大连交通大学 城市路网级联失效负载再分配方法
JP7416263B2 (ja) 2020-01-27 2024-01-17 日本電気株式会社 交通監視装置、システム、交通監視方法及びプログラム
US11276302B2 (en) * 2020-01-30 2022-03-15 Nec Corporation Traffic monitoring apparatus and method of using the same
US11783452B2 (en) * 2020-04-07 2023-10-10 Nec Corporation Traffic monitoring using distributed fiber optic sensing
US11619541B2 (en) * 2020-04-14 2023-04-04 Nec Corporation Vehicle speed, direction, and size measurement using temporal distributed fiber optic sensing
CA3180595A1 (en) 2020-06-11 2021-12-16 Lytt Limited Systems and methods for subterranean fluid flow characterization
EP4168647A1 (en) 2020-06-18 2023-04-26 Lytt Limited Event model training using in situ data
CA3193676A1 (en) * 2020-09-28 2022-03-31 Mark Andrew Englund Fibre optic sensing method and system for generating a dynamic digital representation of objects and events in an area
TWI758903B (zh) * 2020-10-14 2022-03-21 中華電信股份有限公司 估計車流混亂程度的方法及伺服器
US11948454B2 (en) * 2020-10-30 2024-04-02 Honda Research Institute Europe Gmbh Method and system for enhancing traffic estimation using top view sensor data
JP7424511B2 (ja) 2020-11-10 2024-01-30 日本電気株式会社 距離補正装置及び距離補正方法
WO2022117977A1 (en) * 2020-12-04 2022-06-09 Fotech Group Limited Distributed acoustic sensing of traffic
JP2024507530A (ja) * 2021-02-19 2024-02-20 ファイバー センス リミテッド 分散的光ファイバ検知システム、装置、及び方法
WO2023039620A1 (de) * 2021-09-17 2023-03-23 AIT Austrian Institute of Technology GmbH Verfahren zur messung der verkehrsstärke mit das
CN114280322A (zh) * 2021-12-28 2022-04-05 武汉烽理光电技术有限公司 基于光栅阵列传感器的车辆定位测速系统及方法
WO2023228299A1 (ja) * 2022-05-25 2023-11-30 日本電気株式会社 走行車検出装置、走行車検出方法、及び非一時的なコンピュータ可読媒体
WO2024018621A1 (en) * 2022-07-22 2024-01-25 Nec Corporation Classifying apparatus, classifying method, and non-transitory computer-readable storage medium
WO2024053069A1 (ja) * 2022-09-08 2024-03-14 日本電信電話株式会社 堆積物推定システム及び堆積物推定方法
WO2024059911A1 (en) * 2022-09-21 2024-03-28 Fiber Sense Limited Acoustic method and system for tracking objects and identifying trends in tracks of tracked objects for behavioural and relationship information
CN116343488B (zh) * 2023-05-31 2023-07-28 山东高速信息集团有限公司 一种公路收费广场的上游流量调节方法、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6204778B1 (en) * 1998-05-15 2001-03-20 International Road Dynamics Inc. Truck traffic monitoring and warning systems and vehicle ramp advisory system
WO2002065426A1 (en) * 2001-02-15 2002-08-22 Qinetiq Ltd Traffic monitoring
CN101706997A (zh) * 2009-08-17 2010-05-12 昆山敏通光纤传感技术研发中心有限公司 分布式光纤车辆综合信息检测系统及其处理方法
US20100158431A1 (en) * 2008-12-24 2010-06-24 At&T Intellectual Property I, L.P. Optical Fiber Surveillance Topology
CN202304825U (zh) * 2011-10-14 2012-07-04 上汽通用五菱汽车股份有限公司 基于灰度的数字摄影测量自动配光系统
CN103353280A (zh) * 2013-07-01 2013-10-16 长安大学 用于高速公路寿命监测的地下传感器网络及其部署方法
GB2513399A (en) * 2013-04-26 2014-10-29 Optasense Holdings Ltd Traffic monitoring
CN106600979A (zh) * 2016-12-20 2017-04-26 浙江中电智能科技有限公司 基于分布式光纤传感器的交通状况监测系统及监测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5194847A (en) * 1991-07-29 1993-03-16 Texas A & M University System Apparatus and method for fiber optic intrusion sensing
JP3528435B2 (ja) * 1996-06-27 2004-05-17 トヨタ自動車株式会社 路上物体検出装置
GB0103666D0 (en) * 2001-02-15 2001-03-28 Secr Defence Road traffic monitoring system
GB2442745B (en) * 2006-10-13 2011-04-06 At & T Corp Method and apparatus for acoustic sensing using multiple optical pulses
US9109944B2 (en) * 2009-12-23 2015-08-18 Shell Oil Company Method and system for enhancing the spatial resolution of a fiber optical distributed acoustic sensing assembly
CN201886628U (zh) 2010-04-23 2011-06-29 紫光捷通科技股份有限公司 一种基于光纤光栅技术的车辆检测系统
CA2809660C (en) * 2010-09-01 2016-11-15 Schlumberger Canada Limited Distributed fiber optic sensor system with improved linearity
GB201201727D0 (en) 2012-02-01 2012-03-14 Qinetiq Ltd Indicating locations
US9582999B2 (en) * 2013-10-31 2017-02-28 Here Global B.V. Traffic volume estimation
EP3158547B1 (en) * 2014-06-17 2020-10-07 King Abdullah University Of Science And Technology System and method for traffic signal timing estimation
CN104700624B (zh) * 2015-03-16 2017-07-07 电子科技大学 基于相敏光时域反射仪的车流量在线监测系统的监测方法
US10055981B2 (en) * 2015-06-11 2018-08-21 Here Global B.V. Traffic speed modeling
US20170091350A1 (en) * 2015-09-24 2017-03-30 Alexander Bauer Near real-time modeling of pollution dispersion

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6204778B1 (en) * 1998-05-15 2001-03-20 International Road Dynamics Inc. Truck traffic monitoring and warning systems and vehicle ramp advisory system
WO2002065426A1 (en) * 2001-02-15 2002-08-22 Qinetiq Ltd Traffic monitoring
US20100158431A1 (en) * 2008-12-24 2010-06-24 At&T Intellectual Property I, L.P. Optical Fiber Surveillance Topology
CN101706997A (zh) * 2009-08-17 2010-05-12 昆山敏通光纤传感技术研发中心有限公司 分布式光纤车辆综合信息检测系统及其处理方法
CN202304825U (zh) * 2011-10-14 2012-07-04 上汽通用五菱汽车股份有限公司 基于灰度的数字摄影测量自动配光系统
GB2513399A (en) * 2013-04-26 2014-10-29 Optasense Holdings Ltd Traffic monitoring
CN103353280A (zh) * 2013-07-01 2013-10-16 长安大学 用于高速公路寿命监测的地下传感器网络及其部署方法
CN106600979A (zh) * 2016-12-20 2017-04-26 浙江中电智能科技有限公司 基于分布式光纤传感器的交通状况监测系统及监测方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508631A (zh) * 2018-09-12 2019-03-22 上海电科智能系统股份有限公司 一种基于分布式光纤传感技术的交通流模型构建方法
CN113260833A (zh) * 2018-12-03 2021-08-13 日本电气株式会社 道路监视系统、道路监视设备、道路监视方法和非暂时性计算机可读介质
CN113366545A (zh) * 2018-12-06 2021-09-07 日本电气株式会社 道路监视系统、道路监视设备、道路监视方法和非暂时性计算机可读介质
CN110009908A (zh) * 2019-03-27 2019-07-12 招商局重庆交通科研设计院有限公司 基于道路交通管控时间与区域计算的交通道路长度控制方法
CN110009908B (zh) * 2019-03-27 2021-07-20 招商局重庆交通科研设计院有限公司 基于道路交通管控时间与区域计算的交通道路长度控制方法
CN111540212A (zh) * 2020-07-08 2020-08-14 浙江浙能天然气运行有限公司 一种用于分布式光纤的高速公路干扰估计系统及方法
CN113724486A (zh) * 2021-07-12 2021-11-30 重庆市市政设计研究院有限公司 一种rfid-das的断面交通量动态感知算法及装置
CN113554876A (zh) * 2021-09-18 2021-10-26 苏州映赛智能科技有限公司 多毫米波雷达域控制系统
CN115410403A (zh) * 2022-04-19 2022-11-29 北京见合八方科技发展有限公司 基于无源感知的公路车辆定位追踪方法、装置及可读介质
CN115410403B (zh) * 2022-04-19 2023-11-10 北京见合八方科技发展有限公司 基于无源感知的公路车辆定位追踪方法、装置及可读介质
CN115331455A (zh) * 2022-06-29 2022-11-11 北京见合八方科技发展有限公司 一种公路车辆车道级定位与车辆境况监测方法和系统
CN115331455B (zh) * 2022-06-29 2024-03-01 北京见合八方科技发展有限公司 一种公路车辆车道级定位与车辆境况监测方法和系统
CN115625723A (zh) * 2022-12-22 2023-01-20 北京国安广传网络科技有限公司 一种基于yolo算法的社交距离监控机器人
CN115625723B (zh) * 2022-12-22 2023-03-10 北京国安广传网络科技有限公司 一种基于yolo算法的社交距离监控机器人
CN116798237A (zh) * 2023-03-24 2023-09-22 浪潮智慧科技有限公司 一种交通流量监测方法及设备

Also Published As

Publication number Publication date
WO2017072505A1 (en) 2017-05-04
AU2016344513A1 (en) 2018-05-31
US20180342156A1 (en) 2018-11-29
EP3369085A1 (en) 2018-09-05
CA3003322A1 (en) 2017-05-04
EP3369085B1 (en) 2019-12-18
US10431077B2 (en) 2019-10-01
GB201519202D0 (en) 2015-12-16

Similar Documents

Publication Publication Date Title
CN108431880A (zh) 监测交通流量
CN105122328B (zh) 交通监控
US10401199B2 (en) Tracking using distributed fibre optic sensing
US9561812B2 (en) Monitoring transport network infrastructure
US10352763B2 (en) Detection of moving objects
WO2004012167A1 (en) Automatic verification of sensing devices
Hill Distributed acoustic sensing (das): Theory and applications
BR112012011223B1 (pt) método de detecção distribuída, e, aparelho sensor de fibra óptica distribuído
Wiesmeyr et al. Distributed acoustic sensing for vehicle speed and traffic flow estimation
JP2023553479A (ja) 分散型インテリジェントｓｎａｐインフォマティクス
Thomas et al. The Performance of Distributed Acoustic Sensing for Tracking the Movement of Road Vehicles
WO2008038289A2 (en) A system and a method for detecting and classifying damage in a pipeline
Vitanov et al. Analysis of methods and technical tools for traffic control systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180821

WD01 Invention patent application deemed withdrawn after publication