ES2391860A1 - Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental - Google Patents

Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental Download PDF

Info

Publication number
ES2391860A1
ES2391860A1 ES201231236A ES201231236A ES2391860A1 ES 2391860 A1 ES2391860 A1 ES 2391860A1 ES 201231236 A ES201231236 A ES 201231236A ES 201231236 A ES201231236 A ES 201231236A ES 2391860 A1 ES2391860 A1 ES 2391860A1
Authority
ES
Spain
Prior art keywords
traffic
sound pressure
road
pressure levels
flows
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.)
Granted
Application number
ES201231236A
Other languages
English (en)
Other versions
ES2391860B2 (es
Inventor
Laura MARTÍN FERNÁNDEZ
Diego Pablo RUIZ PADILLO
Joaquín MÍGUEZ ARENAS
Antonio José TORIJA MARTÍNEZ
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.)
Universidad de Granada
Universidad Carlos III de Madrid
Original Assignee
Universidad de Granada
Universidad Carlos III de Madrid
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 Universidad de Granada, Universidad Carlos III de Madrid filed Critical Universidad de Granada
Priority to ES201231236A priority Critical patent/ES2391860B2/es
Publication of ES2391860A1 publication Critical patent/ES2391860A1/es
Application granted granted Critical
Publication of ES2391860B2 publication Critical patent/ES2391860B2/es
Priority to PCT/ES2013/070555 priority patent/WO2014020213A1/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0108—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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • 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
    • G08G1/015—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental.La presente invención describe un procedimiento y un sistema que permiten estimar los caudales de tráfico de una vía durante un periodo de tiempo utilizando exclusivamente la medida del ruido ambiental en dicha vía.Es más, la invención permite estimar en tiempo real y sin supervisión humana los caudales de distintos tipos de vehículos, en particular vehículos ligeros, vehículos pesados y motocicletas o ciclomotores.

Description

Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental
OBJETO DE LA INVENCIÓN
La presente invención se enmarca de manera general en el campo de los sistemas de control de tráfico, y más concretamente en el campo del análisis de las señales sonoras producidas por el tráfico rodado.
El objeto principal de la invención es un método para estimar los caudales de tráfico rodado en una vía durante un periodo de tiempo determinado a partir únicamente de la medida del ruido ambiental en dicha vía de tráfico.
ANTECEDENTES DE LA INVENCIÓN
En la actualidad existen numerosos sistemas que estiman los caudales de tráfico en el tiempo, como por ejemplo los patrones estáticos de tiempo, las espiras magnéticas y las cámaras de grabación.
Los patrones estáticos de tráfico están definidos por funciones matemáticas que dependen, en general, de la zona o configuración urbana, del día de la semana y de la hora en la que va a ser estudiado el tráfico. Sin embargo, un inconveniente de este sistema es que estos patrones no tienen en cuenta la variación en el caudal de vehículos en un mismo periodo de tiempo, y además hay una gran cantidad de posibles patrones espaciotemporales de comportamiento del tráfico que habría que ajustar a cada caso concreto (H. Lehmann: “Directed and diffusive contributions to urban traffic flow patterns”, Europhys. Lett., 64 (2), pp. 288–294, 2003).
Las espiras magnéticas son elementos metálicos colocados bajo el propio firme de la vía que emplean los fenómenos físicos del electromagnetismo para detectar el paso de los vehículos. Cuando un vehículo pasa por encima del sistema, se genera una variación en el campo magnético causada por la masa metálica del vehículo (US 3,571,789). Sin embargo, la instalación de espiras magnéticas requiere cortar el pavimento para su instalación, interrumpiendo por tanto la circulación. Además, sólo se puede detectar un vehículo por cada bobina instalada, lo que puede suponer que no se detecten vehículos que circulan en paralelo.
En tercer lugar, está el uso de cámaras que graban el tráfico para su análisis posterior o en tiempo real. Un importante inconveniente de este método es el elevado coste de la instalación y mantenimiento del sistema. Además, si el conteo no se realiza de forma automática, no se pueden obtener datos en tiempo real y se necesita personal que supervise las imágenes, lo que encarece aún más el procedimiento. Por otro lado, si el conteo se realiza de forma automática, sin supervisión, se necesita el tratamiento de un gran volumen de información en formato video, además de disponer de una instalación adecuada de cámaras que vigilen todos los sentidos de la vía.
En definitiva, existe aún en este campo la necesidad de desarrollar sistemas que permitan conocer el caudal de tráfico rodado por una vía de un modo económico y fácil de implementar.
DESCRIPCIÓN DE LA INVENCIÓN
El ambiente sonoro está determinado por un amplio rango de magnitudes que influyen en los niveles de presión sonora. Algunas de dichas magnitudes están relacionadas con las propias fuentes de ruido, mientras que otras se refieren a condiciones ambientales o del entorno que pueden contribuir a amortiguar o amplificar el ruido. La mayoría de las magnitudes son estáticas en el tiempo, como por ejemplo el ancho o la altura de una calle en particular, mientras que otras pueden cambiar significativamente en función del tiempo y del lugar, como por ejemplo los caudales de tráfico.
Los inventores de la presente invención han desarrollado un procedimiento que permite estimar los caudales de tráfico de una vía durante un periodo de tiempo utilizando exclusivamente la medida del ruido ambiental en dicha vía. Es más, la invención permite estimar en tiempo real y sin supervisión humana los caudales de distintos tipos de vehículos, en particular vehículos ligeros, vehículos pesados y motocicletas o ciclomotores. A diferencia de algunos métodos conocidos, como las espiras magnéticas, la invención propuesta solo requiere el uso de sonómetros u otros dispositivos de medida de la presión sonora (que ya se encuentran instalados en las calles de numerosos municipios), y de un procesador que permita aplicar el método de la invención a los datos obtenidos. Se trata, por tanto, de un método simple y sencillo, y cuya implantación es muy poco invasiva. También sería posible combinar este sistema con otros sensores que hubiera disponibles para obtener datos adicionales del entorno urbano en tiempo real.
El procedimiento de la invención es aplicable en entornos urbanos con una densidad media o alta de tráfico donde éste constituya la fuente dominante de ruido, en particular más de 10 dB de nivel medio respecto al ruido de otras fuentes. Además, el procedimiento de la invención presenta la ventaja de obtener una mayor precisión que los métodos anteriores, ya que se ha comprobado que consigue predecir el número total de vehículos cada 5 minutos con un porcentaje de error inferior al 17% de media.
Por otro lado, este método no necesita gran cantidad de patrones estáticos que determinen el comportamiento del tráfico, ya que en cada periodo de tiempo se obtiene la estimación de los caudales de tráfico correspondientes a los niveles de presión sonora recogidos en la calle.
La información obtenida por medio del método de la invención puede emplearse, por ejemplo, para:
-
Controlar el tipo de tráfico por zonas urbanas, por ejemplo, restringiendo la circulación de vehículos pesados en determinadas calles.
-
Obtener información adicional para la configuración urbana, como decidir el número de aparcamientos para motocicletas.
-
Regular semáforos.
-
Estudiar el caudal de tráfico y su relación con el impacto sufrido por la población del área urbana estudiada.
-
Desarrollar sonómetros que muestren de forma simultánea los niveles de presión sonora y los caudales de tráfico registrados durante una medición.
De manera general, un modelo de espacios de estados es una representación matemática de un sistema físico descrito mediante un conjunto de entradas y salidas relacionadas por ecuaciones en diferencias de primer orden que se pueden expresar de forma matricial. Fundamentalmente, el procedimiento de estimación que propone esta invención está basado en modelar el sistema dinámico asociado al tráfico rodado como un espacio de estados.
En el presente documento, las ecuaciones que definen el modelo de espacio de estados están basadas en métodos estadísticos de tipo bayesiano en los que se emplean observaciones o información obtenida con anterioridad (a priori) para calcular la probabilidad de que una estimación o hipótesis sea cierta. Las variables de estado en el método de la invención son aquellas que influyen en los niveles de presión sonora de la vía en cuestión, y se dividen en variables dinámicas, es decir, los propios caudales de vehículos pesados, ligeros, y motocicletas/ciclomotores que se desea calcular, y variables estáticas, como la velocidad del tráfico, tipo de día, anchura y altura de la calle, u otras.
Basándose en el espacio de estados planteado, se aplica un método de filtrado, preferentemente un filtro de Kalman extendido, para llevar a cabo la estimación de los caudales de tráfico rodado deseados.
En general, en una aproximación estadística del filtrado lineal, se asume la existencia de ciertos parámetros estadísticos (por ejemplo, la media y la varianza) de la señal útil y un ruido aditivo no deseado. El filtro lineal recibe como entrada información sobre el ruido e intenta minimizar los efectos de dicho ruido en la salida de acuerdo a algún criterio estadístico. Un posible criterio para este problema de optimización es reducir al mínimo el valor cuadrático medio del error de la señal que se define como la diferencia entre la respuesta deseada y la salida obtenida del filtro.
El filtro de Kalman ha llegado a ser un componente integrado dentro de miles de sistemas de navegación tanto militares como civiles. Este algoritmo aparentemente simple, ha sido utilizado para integrar convenientemente los datos de los sensores de navegación para alcanzar un rendimiento óptimo de todo el sistema. Para proporcionar estimaciones de las variables del sistema, tales como coordenadas de posición, el filtro usa modelos estadísticos que ponderan apropiadamente cada una de las mediciones nuevas relativas a la información pasada. A causa de que éste da un óptimo rendimiento, versatilidad y fácil implementación, el filtro Kalman ha sido popular especialmente en los GPS (ver, por ejemplo, la patente US 6,859,170).
Según un primer aspecto de la invención, el procedimiento para estimar caudales ( ) de tráfico rodado en una vía
a partir de los niveles de presión sonora ambiental ( ) generados por dicho tráfico rodado comprende los
siguientes pasos:
1) Medir unas variables estáticas ( ) que caracterizan la vía. Preferiblemente, estas variables estáticas ( ) comprenden al menos las siguientes: tipo de día, velocidad media y número de carriles; y más preferiblemente, comprenden además: ancho de la calle y altura de los edificios. 2) Medir unos niveles de presión sonora ambiental ( ) generados por tráfico rodado. De acuerdo con
una realización preferida de la invención, estos niveles de presión sonora ambiental ( ) se miden por medio de un sonómetro dispuesto a 2 metros de distancia de fachadas reflectantes y a una altura de 1,5 metros sobre el nivel del suelo.
3) Estimar los caudales ( ) de tráfico rodado a partir de un modelo de espacio de estados que relaciona dichos caudales ( ) de tráfico rodado y el conjunto de variables estáticas ( ) que caracterizan la vía con los niveles de presión sonora ambiental ( ). De acuerdo con una realización preferida de la invención, los caudales ( ) de tráfico rodado comprenden el
número de vehículos ligeros, el número de vehículos pesados, y el número de motocicletas que pasan por la vía en cuestión durante un determinado período de tiempo.
Así, de acuerdo con una realización preferida, el espacio de estados está definido por las siguientes expresiones:
donde
es la distribución condicional de los caudales de tráfico rodado, y
es la densidad condicional de los niveles de presión sonora ( ) dados los caudales ( ) de tráfico rodado y el conjunto de variables estáticas ( ).
Preferentemente, la densidad condicional de los niveles de presión sonora se aproxima según la expresión:
donde
denota una función de densidad de probabilidad gaussiana de z con el vector de medias y la matriz de covarianza ,
es una función de predicción no lineal de los niveles de presión sonora a partir de las variables de estado, y es una matriz de covarianza diagonal.
A su vez, la función
se modela preferentemente por medio de una red neuronal artificial, y más preferentemente una red de tipo backpropagation de dos capas, que tiene un número de entradas que corresponde al número de tipos de caudales ( ) de tráfico rodado más las variables estáticas ( ), y una única
salida relacionada con el nivel de presión sonora ( ), y donde la primera capa utiliza una función de transferencia tangente sigmoidal hiperbólica y la segunda capa utiliza una función de transferencia lineal.
Por otro lado, la densidad condicional de los caudales ( ) de tráfico rodado se aproxima preferentemente según:
donde
es una varianza calculada a partir de la distribución gaussiana de la evolución media de unos caudales de tráfico recogidos con anterioridad.
En una realización preferida de la invención, la densidad condicional de los caudales de tráfico se aproxima a por medio de un filtrado de Kalman extendido, más preferentemente a través de una distribución gaussiana del tipo:
donde
son los niveles de presión sonora (niveles medios de presión sonora y su composición espectral) observados hasta la medición .
indica la media y
la matriz de covarianza a posteriori de los caudales de tráfico durante la medición .
Así, para obtener los caudales de tráfico rodado deseados preferentemente se llevan a cabo los siguientes pasos:
a) Predicción
(a1) predecir los caudales de tráfico en el tiempo:
(a2) predecir la covarianza en el tiempo:
donde
es una matriz de covarianza diagonal,
b) Actualización de la medida,
(b1) calcular la ganancia de Kalman:
(b2) actualizar las predicciones con la
(b3) actualizar la covarianza: donde
es la ganancia de Kalman, es el Jacobiano del modelo de medida,
y
son las estimaciones a priori, y y son las estimaciones a posteriori. El resultado final de este proceso es la obtención de , es decir, el caudal estimado de tráfico rodado dividido en
tipos de vehículos en cada intervalo temporal considerado.
Aunque el procedimiento descrito puede ser implementado por medio de ordenadores y procesos ejecutados en tales equipos, la invención se extiende igualmente a los programas de ordenador, particularmente los programas de ordenador dispuestos sobre o dentro de una portadora, adaptados para llevar a la práctica la invención. El programa puede tener la forma de código fuente, código objeto, una fuente intermedia de código y código objeto, por ejemplo, como en forma parcialmente compilada, o en cualquier otra forma adecuada para uso en la puesta en práctica de los procesos según la invención.
La portadora puede ser cualquier entidad o dispositivo capaz de soportar el programa. Por ejemplo, la portadora podría incluir un medio de almacenamiento, por ejemplo, una memoria ROM, una memoria CD ROM o una memoria ROM de semiconductor, o un soporte de grabación magnética, por ejemplo, un disco flexible o un disco duro. Como variante, la portadora podría ser un circuito integrado en el que va incluido el programa, estando el circuito integrado adaptado para ejecutar, o para ser utilizado en la ejecución de, los procesos correspondientes.
Además, la portadora puede ser una portadora transmisible, por ejemplo, una señal eléctrica u óptica que podría transportarse a través de cable eléctrico u óptico, por radio o por cualesquiera otros medios. Cuando el programa va incorporado en una señal que puede ser transportada directamente por un cable u otro dispositivo o medio, la portadora puede estar constituida por dicho cable u otro dispositivo o medio.
Un segundo aspecto de la invención describe un sistema para estimar caudales ( ) de tráfico rodado en una vía a
partir de los niveles de presión sonora ambiental ( ) generados por dicho tráfico rodado, que comprende los
siguientes elementos:
- un medio de adquisición de la presión sonora ambiental ( ) en una vía; y
-
un medio de procesamiento conectado a dicho medio de adquisición y adaptado para llevar a cabo el procedimiento descrito anteriormente con el objeto de estimar los caudales de tráfico rodado.
Además, el sistema comprende, preferentemente, medios de visualización que permitan visualizar los caudales de tráfico rodado estimados calculados por el medio de procesamiento.
BREVE DESCRIPCIÓN DE LAS FIGURAS
Figura 1.- Muestra una representación esquemática del método propuesto mediante un diagrama de bloques.
Figura 2.- Representación mediante un diagrama de flujo de una realización del método propuesto (basado en un filtro de Kalman extendido).
Figura 3.-Muestra un ejemplo de las predicciones de los caudales de tráfico (medias a posteriori ) generadas por el método propuesto utilizando un filtro de Kalman extendido en una secuencia de 70 minutos.
DESCRIPCIÓN DETALLADA DE LA INVENCIÓN
Se describe a continuación la invención con mayor detalle haciendo referencia a las figuras adjuntas. Concretamente, la Fig. 1 muestra un esquema del método de la invención mediante un diagrama de bloques que representa algunos de los elementos que comprende un sistema para llevar a cabo el método de la invención. Se aprecia cómo se obtienen los niveles de presión sonora (20) por medio de una estación de monitorización (21). Estos datos son transmitidos a un medio de transmisión/almacenamiento (22), según si los datos serán tratados inmediatamente o en un momento posterior. A continuación, los datos de presión sonora (20) pasan a un procesador (23) que estima los caudales de tráfico rodado teniendo en cuenta las características de la vía (19) de acuerdo con el procedimiento de la presente invención. Por último, se utiliza un dispositivo de salida (24), por ejemplo una pantalla o similar, para permitir la visualización de los caudales de tráfico estimados (25).
Desde este punto de vista, el método propuesto se puede describir por medio de los siguientes cuatro pasos:
Paso 1. Inicialización.
Para ajustar el modelo de filtrado que se va a aplicar en el Paso 3, se miden las variables de estado estáticas que caracterizan la vía estudiada. Las variables de estado estáticas utilizadas se han seleccionado a partir de estudios previos sobre variables acústicas, como el artículo de A. J. Torija, N. Genaro, D. P. Ruiz, A. Ramos-Ridao, M. Zamorano, I. Requena titulado “Priorization of acoustic variables: Environmental decision support for the physical characterization of urban sound environments”, Building and Environment, nº 45, 2010, págs. 1477–1489.
De acuerdo con esto, las variables elegidas se muestran en la Tabla 1, y comprenden la velocidad media en la vía, el número de carriles y al menos una variable cualitativa que caracteriza el tipo de día en función de unos criterios preestablecidos, además de la anchura de la vía y la altura de los edificios circundantes. Se ha comprobado experimentalmente que al menos se necesitan las variables 1, 2 y 3 para conseguir predicciones de los caudales de tráfico con suficiente precisión, si bien en zonas urbanas es preferible utilizar al menos las 5 variables.
Variables de estado estáticas
1
Tipo de día
2
Velocidad media
3
Número de carriles
4
Ancho de la vía
5
Altura de los edificios circundantes
Tabla 1. Variables de estado estáticas.
Obviamente, cuantas más variables estáticas se tengan en cuenta mejor se podrá caracterizar el entorno y el modelo ajustado será más preciso. No obstante, con estas variables ya se consigue una precisión suficiente para estimar el caudal de tráfico rodado en el tiempo, distinguiendo entre los tres principales vehículos de tracción motora: vehículos pesados, vehículos ligeros, y motocicletas/ciclomotores.
Paso 2. Medida del ruido urbano.
La medida de los niveles de presión sonora se realiza a través de una estación de monitoreo instalada según los protocolos internacionales (“ISO 1996-2:2007” y “Directive 2002/49/EC of the European Parliament and of the Council of 25 June 2002; relating to the assessment and management of environmental noise”) conectada a un sistema de transmisión de datos si se desea obtener la información en tiempo real o a un sistema de almacenamiento de datos.
Paso 3. Procesado de los datos
En base a un modelo de predicción ajustado previamente en el Paso 1, se procesan los datos experimentales medidos. La implementación del proceso de predicción se lleva a cabo mediante un método estadístico de filtrado (Filtro de Kalman extendido, filtro de partículas u otro) que utiliza los niveles de presión sonora recogidos en el Paso 2 en la vía analizada.
Paso 4. Visualización de predicciones.
Una vez procesados los datos, el procedimiento muestra los caudales predichos de tráfico o tránsito medios de la vía (caudal de vehículos ligeros, caudal de vehículos pesados y caudal de motocicletas-ciclomotores), incluyendo los vehículos de ambos sentidos de circulación.
En este método, los valores de las variables de estado estáticas medidos en el Paso 1 se almacenan en el vector
, donde
es el número de variables estáticas, y las variables de estado que cambian en el tiempo y que se pretenden estimar, se recogen en el vector , donde
y
es el número de pasos de tiempo.
En una realización particular, se considerarán 3 tipos de vehículos cuyo caudal se recoge en el vector : el caudal de vehículos ligeros ( ), el caudal de vehículos pesados ( ) y el caudal de motocicletas y ciclomotores ( ). A modo de ejemplo, se pueden considerar como vehículos ligeros a los vehículos automóviles acondicionados para el transporte de mercancías cuyo peso máximo autorizado no exceda de 6 toneladas, o que, aun sobrepasando dicho peso, tengan una capacidad de carga útil no superior a 3,5 toneladas, y como vehículos pesados a los vehículos automóviles acondicionados para el transporte de mercancías cuyo peso máximo autorizado sea superior a 6 toneladas y cuya capacidad de carga exceda de 3,5 toneladas; las cabezas tractoras tendrán la consideración de vehículos pesados cuando tengan una capacidad de arrastre de más de 3,5 toneladas de carga.
Los indicadores del nivel de presión sonora y su composición espectral medidos en el Paso 2 están representados por un vector con dimensión
, donde
( ) representa el valor del indicador del nivel de presión sonora j en la medición t-ésima.
El modelo de espacio de estados que representa conjuntamente las dinámicas de las variables de estado y la relación entre estas variables y los indicadores del nivel de presión sonora se define de la siguiente forma
(1)
(2)
donde
denota la distribución condicional de las variables dinámicas y
denota la densidad
condicional de los niveles de presión sonora dadas las variables de estado.
De forma preferente, se supondrá que cada
es un proceso Markoviano de primer orden, lo que significa que el
estado o número de vehículos contabilizados en el periodo de tiempo
sólo depende del estado o número de vehículos contabilizados en el periodo .
De forma preferente, pero no limitativa, se supondrá que la densidad condicional (o verosimilitud) de los niveles de presión sonora es una distribución gaussiana, y se define como
(3)
donde
denota la función de densidad de probabilidad gaussiana de
asociada a una distribución normal
y matriz de covarianza ;
es la función no lineal de predicción de los niveles de
con vector de medias
presión sonora a partir de las variables de estado y
es una matriz de covarianza diagonal con varianzas
marginales ,
calculadas a partir de las distribuciones gaussianas de los errores obtenidos al
comparar los datos experimentales (recogidos previamente para analizar de forma general el entorno urbano) y las predicciones de la función .
Para las variables de estado dinámicas, , se utilizará, de forma preferente, un modelo de camino aleatorio simple
con la siguiente forma
es una varianza calculada a partir de la distribución gaussiana de la evolución media de los caudales de
donde
tráfico de tipo i recogidos previamente para caracterizar el entorno urbano de forma general. Asumimos que las variables de estado cambian independientemente a lo largo del tiempo, es decir,
Bajo estas hipótesis, la densidad condicional de los caudales de tráfico se aproxima numéricamente mediante un método de filtrado a una distribución gaussiana, es decir,
(5)
donde
son los niveles de presión sonora (niveles medios de presión sonora y su composición espectral) observados hasta la medición .
indica la media y
la matriz de covarianza a posteriori de los caudales de tráfico durante la medición .
Cuando se aplica el método de filtrado se pueden observar uno ( unidimensional) o varios niveles de presión sonora ( multidimensional), es decir, se puede utilizar únicamente un nivel medio de presión sonora, como el nivel de presión sonora continuo equivalente ponderado A ( ), o utilizar de forma conjunta el nivel de presión sonora en las bandas de tercio de octava de 40Hz a 4kHz ( , ) para mejorar las predicciones del método de
filtrado.
El proceso seguido por los métodos de filtrado [G. Welch, G. Bishop: “An Introduction to the Kalman Filter”, UNC-Chapel Hill, TR 95-041, 2006, y N. Gordon, D. Salmond, A. F. M. Smith: “Novel approach to nonlinear and non-Gaussian Bayesian state estimation”, IEE Proceedings-F, nº 140, vol. 2, 1993, págs. 107–113] generalmente se compone de dos etapas que se repiten a lo largo de la secuencia de tiempo estudiada. Una primera etapa de predicción de las variables de estado (en esta invención, los caudales de tráfico), y una segunda etapa de actualización o corrección de las predicciones previas por parte de las observaciones o medidas realizadas (en esta invención, los niveles de presión sonora).
MODO DE REALIZACIÓN DE LA INVENCIÓN
Para evaluar la validez del método propuesto, se comparan los caudales de tráfico predichos con los datos reales recogidos manualmente en la ciudad de Granada (España). Las estimaciones a corto plazo llevadas a cabo mediante este método son bastante precisas a pesar de la variabilidad del tráfico en los periodos de observación de pocos minutos.
En este experimento se estudia la capacidad para predecir los caudales de tráfico urbano de forma individual utilizando el valor del nivel de presión sonora continuo equivalente ponderado A ( ), cuyo rango oscila entre 49.2
dBA y 76.4 dBA, recogido durante un período de tiempo corto en una calle con un flujo de tráfico intermitente. Utilizamos una calle con este tipo de tráfico con la intención de validar el modelo en uno de los peores casos posibles. Para este ejemplo de realización de la invención, la única variable de observación del modelo dinámico es el nivel de presión sonora continuo equivalente ponderado A ( ), por lo tanto, la matriz de covarianza
de Eq.
(3) se reduce, en este caso, a una varianza escalar calculada a partir de la distribución gaussiana del error medio obtenido al comparar de los datos experimentales y las predicciones (normalizados entre 0 y 1) en el análisis general realizado previamente para estudiar el entorno urbano.
Para modelar la función de predicción no lineal
(en la Ecuación 3) se pueden utilizar diferentes métodos (correlaciones no lineales, modelos físicos, etc.), pero nosotros utilizamos de forma preferente una red neuronal artificial (ANN) previamente validada basada en (N. Genaro, A. Torija, A. Ramos-Ridao, I. Requena, D. P. Ruiz, M. Zamorano: “A neural network based model for urban noise prediction”, J. Acoust. Soc. Am. 128 (4) (2010) 1738– 1746). Esta red se compone de dos capas con 8 entradas relacionadas con las variables de estado, 12 neuronas en las capas ocultas y una salida relacionada con el nivel de presión sonora . La ANN utiliza una función de
transferencia tangente sigmoidal hiperbólica en la primera capa y una función de transferencia lineal en la segunda capa. La red neuronal fue calibrada con una función de entrenamiento que actualiza los valores de los pesos y los sesgos de acuerdo con el método de optimización de Marquardt (D. Marquardt: “An algorithm for least-squares estimation of nonlinear parameters”, SIAM Journal on Applied Mathematics 11 (2) (1963) 431–441, M. T. Hagan, M. Menhaj: “Training feed-forward networks with the Marquardt algorithm”, IEEE Transactions on Neural Network 5 (6) (1994) 989–993). La red se entrenó con una base de datos que contiene las mediciones experimentales obtenidas en 120 localizaciones de la ciudad de Granada (España), en diferentes zonas urbanas y con diferentes condiciones de tráfico. Finalmente, la función de predicción de los niveles de presión sonora es definida por la ANN como , donde , , ),
y , siendo (matriz ) y (vector ) los pesos de la primera y segunda capa de la ANN respectivamente, y (vector ) y los sesgos correspondientes. El método propuesto implementado con un filtro de Kalman extendido se representa en la Fig. 2, donde (19) representa las características de la vía recogidas a priori, (30) representa la inicialización del método a partir de las variables de estado estáticas que caracterizan la vía estudiada, (31) representa la primera etapa del método de filtrado que consiste en la predicción a priori de los caudales de tráfico en el paso de tiempo t, (32) representa la segunda etapa del método de filtrado que consiste en la actualización o corrección de las predicciones previas a través de las medidas de ruido ambiental, (22) representa los niveles de presión sonora recogidos en el paso de tiempo t y (25) representa los caudales de tráfico estimados finalmente por el método en el paso de tiempo t. Este método se implementa como sigue:
Paso 1. Inicialización.
Medida de las variables de estado estáticas que caracterizan la vía estudiada (variables 1-5 de la Tabla 1) para la inicialización del filtro (19), es decir, recogemos los valores (fijos) de las variables estáticas (condiciones urbanas) en
. En este ejemplo, laborable, (km/h), (carriles), (m) y
(m), con dichos valores normalizados entre 0 y 1 (rangos detallados en la Tabla 2).
Variables
Rangos
Laborable
Sábado
Domingo
[7.5-65] (km/h)
[1-5] (carriles)
[3.5-100] (m)
[0-34] (m)
[5-264] (vehículos/5min)
[0-25] (vehículos /5min)
Tabla 2. Rangos de las variables de estado.
Paso 2. Medida del ruido urbano.
El nivel de presión sonora
( ) es medido en la calle estudiada (calle desconocida para la ANN) en una serie
de tiempo ( ), con rangos de datos desde 49.2 dBA hasta 76.4 dBA (22). La medición de la serie de observaciones reales se lleva a cabo en un periodo de tiempo de 70 minutos, donde cada dato se corresponde con un registro de 5 minutos ( ). Estas observaciones fueron obtenidas siguiendo los procedimientos internacionales de referencia (ISO 1996-2:2007); el sonómetro (2260 Brüel & Kjaer de tipo I) fue calibrado con un 4231 Brüel & Kjaer calibrator y fue instalado a 2 metros de distancia de las fachadas reflectantes y a una altura de
1.5 metros sobre el nivel del suelo (“Directive 2002/49/EC of the European Parliament and of the Council of 25 June 2002; relating to the assessment and management of environmental noise”).
Paso 3. Procesado de datos
En el procesador donde se implementa el método, siendo
y
la media y la matriz de covarianza a priori, respectivamente, de las variables de estado dinámicas (caudales de tráfico) en el tiempo ,
se inicializa a valores de caudal de tráfico cercanos a los reales en el momento de la medición, , normalizados entre 0 y 1 (rangos detallados en la Tabla 2), y
se define como una matriz diagonal con las varianzas marginales
, que se ajustan a la evolución a priori del tráfico en el tipo de calle estudiada y a la hora de la medición.
A continuación, el procesador ejecuta iterativamente los siguientes pasos. Para :
1. Predicción (31).
(a) Predecir los caudales de tráfico en el tiempo: .
(b) Predecir la covarianza en el tiempo: . es una matriz de covarianza diagonal
con las varianzas marginales .
2. Actualización de la medida (32).
(a) Calcular la ganancia de Kalman: .
(b) Actualizar las predicciones con la medida : .
(c) Actualizar la covarianza: .
donde
es conocida como la ganancia de Kalman, es el Jacobiano del modelo de
medida,
y son las estimaciones a priori y y son las estimaciones a posteriori. Para nuestro
problema de predicción, es un vector
y
es un vector .
Paso 4. Visualización de predicciones
El dispositivo de salida muestra las predicciones de los caudales de tráfico medios de la vía (25), (el caudal de vehículos ligeros, el caudal de vehículos pesados y el caudal de motocicletas y ciclomotores, respectivamente), donde , incluyendo los vehículos de ambos sentidos de circulación.
Los resultados del ejemplo de realización se muestran en las Tablas 3 y 4. Obtenemos un error absoluto bastante bajo en los tres tipos de tráfico rodado. El caudal total de vehículos es estimado con un error absoluto medio de 5.64 vehículos y un porcentaje medio de error del 17%. Por lo tanto, conseguimos resultados satisfactorios en uno de los peores casos posibles, es decir, en una calle con un flujo de tráfico intermitente, utilizando un único indicador del nivel
de presión sonora ( ) como observación y realizando predicciones a corto plazo (con periodos de observación de 5 minutos).
Tiem.
Caudal Vehículos Ligeros Caudal Vehículos Pesados Caudal Motocicletas
Real
Estim. Err. Absol. Real Estim. Err. Absol. Real Estim. Err. Absol.
5
25 27 2 0 0 0 9 8 1
10
29 29 0 0 0 0 4 9 5
15
19 25 6 0 0 0 6 7 1
20
24 35 11 2 1 1 7 11 4
25
18 30 12 1 1 0 7 9 2
30
23 23 0 0 0 0 4 6 2
35
23 32 9 0 1 1 8 10 2
40
33 24 9 0 0 0 4 7 3
45
24 18 6 0 0 0 7 5 2
50
28 27 1 1 0 1 10 8 2
55
21 26 5 1 0 1 10 7 3
60
21 26 5 0 0 0 12 7 5
65
25 28 3 0 0 0 11 8 3
70
37 33 4 0 1 1 12 10 2
Tabla 3. Valores experimentales y valores predichos por el método propuesto de los diferentes caudales de tráfico (caudal de vehículos ligeros ( ), caudal de vehículos pesados ( ) y caudal de motocicletas-ciclomotores ( )) medidos en vehículos/5 minutos durante una secuencia de 70 minutos, y error absoluto cometido en la predicción.
Caudales de tráfico
Media Error Absoluto
Vehículos ligeros
5.21
Vehículos pesados
0.36
Motocicletas-ciclomotores
2.64
5 Tabla 4. Media del error absoluto de las predicciones del caudal de tráfico (el caudal de vehículos ligeros ( ), el caudal de vehículos pesados ( ), el caudal de motocicletas-ciclomotores ( )). La Figura 3 muestra la media de las predicciones de los caudales de tráfico (es decir, vehículos cada 5 minutos) generada por el método propuesto basado en un filtro de Kalman extendido de acuerdo con la invención. En dicha figura, se comparan las predicciones de los flujos de tráfico (asteriscos) con los valores experimentales de estos
10 caudales (círculos) a lo largo de 70 minutos, para los diferentes tipos de tráfico rodado: vehículos ligeros, vehículos pesados, y motocicletas/ciclomotores.
En conclusión, el método propuesto consigue un buen resultado como predictor de los caudales de tráfico rodado en las calles con una alta intensidad de tráfico, distinguiendo entre los tres principales tipos de vehículos de tracción motora (vehículos ligeros, vehículos pesados y motocicletas-ciclomotores). Por otra parte, aunque no se hayan
15 utilizado en este ejemplo de realización, con el objetivo de mejorar la precisión de las predicciones, el modelo dinámico que definimos en el método de esta patente considera el uso adicional de las observaciones de los indicadores del nivel sonoro en bandas de frecuencia de tercio de octava correlacionados con los distintos tipos de vehículos.

Claims (18)

  1. REIVINDICACIONES
    1. Procedimiento para estimar caudales ( ) de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental ( ) generados por dicho tráfico rodado, caracterizado porque comprende los siguientes pasos:
    •
    medir unas variables estáticas ( ) que caracterizan la vía;
    •
    medir unos niveles de presión sonora ambiental ( ) generados por tráfico rodado; y
    •
    estimar los caudales ( ) de tráfico rodado a partir de un modelo de espacio de estados que relaciona dichos caudales ( ) de tráfico rodado y el conjunto de variables estáticas ( ) que caracterizan la vía con los niveles de presión sonora ambiental ( ).
  2. 2. Procedimiento de acuerdo con la reivindicación 1, donde el espacio de estados está definido por:
    donde
    es la distribución condicional de los caudales de tráfico rodado, y
    es la densidad condicional de los niveles de presión sonora ( ) dados los caudales ( ) de tráfico rodado y el conjunto de variables estáticas ( ).
  3. 3. Procedimiento de acuerdo con la reivindicación 2, donde la densidad condicional de los niveles de presión sonora se aproxima según:
    donde
    denota una función de densidad de probabilidad gaussiana de z con el vector de medias
    y la matriz de covarianza ,
    es una función de predicción no lineal de los niveles de presión sonora a partir de las variables de estado, y es una matriz de covarianza diagonal.
  4. 4.
    Procedimiento de acuerdo con la reivindicación 3, donde la función
    se modela por medio de una red neuronal artificial.
  5. 5.
    Procedimiento de acuerdo con la reivindicación 4, donde la red neuronal artificial es de tipo backpropagation de dos capas, que tiene un número de entradas que corresponde al número de tipos de
    caudales ( ) de tráfico rodado más las variables estáticas ( ), y una única salida relacionada con el nivel de presión sonora ( ), y donde la primera capa utiliza una función de transferencia tangente sigmoidal hiperbólica y la segunda capa utiliza una función de transferencia lineal.
  6. 6. Procedimiento de acuerdo con la reivindicación 2, donde la densidad condicional de los caudales ( ) de tráfico rodado se aproxima según:
    donde
    es una varianza calculada a partir de la distribución gaussiana de la evolución media de unos caudales de tráfico recogidos con anterioridad.
  7. 7. Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde el paso de estimar los caudales ( ) de tráfico rodado a partir del modelo de espacio de estados comprende aproximar dicho modelo de espacio de estados basándose en un filtrado de Kalman extendido.
  8. 8. Procedimiento de acuerdo con la reivindicación 7, donde la aplicación del filtrado de Kalman extendido comprende aproximar la densidad condicional de los caudales ( ) de tráfico rodado a una distribución gaussiana donde:
    donde
    son los niveles de presión sonora (niveles medios de presión sonora y su composición espectral) observados hasta la medición .
    indica la media y
    la matriz de covarianza a posteriori de los caudales de tráfico durante la medición .
    acuerdo con la reivindicación 8, donde la evaluación de la expresión comprende los siguientes pasos:
    a) predicción
    (a1) predecir los caudales de tráfico en el tiempo: ,
    (a2) predecir la covarianza en el tiempo: ,
    donde
    es una matriz de covarianza diagonal, b) actualización de la medida,
    (b1) calcular la ganancia de Kalman: ,
    (b2) actualizar las predicciones con la
    medida: ,
    (b3) actualizar la covarianza: ,
    donde
    es la ganancia de Kalman, es el Jacobiano del modelo de medida,
    y
    son las estimaciones a priori , y y son las estimaciones a posteriori.
  9. 10. Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde los caudales ( ) de tráfico rodado urbano comprenden el número de vehículos ligeros, el número de vehículos pesados, y el número de motocicletas y ciclomotores.
  10. 11. Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde las variables estáticas ( ) comprenden al menos el tipo de día, la velocidad media y el número de carriles
  11. 12.
    Procedimiento según reivindicación anterior donde las variables estáticas además comprenden el ancho de la calle y la altura de los edificios.
  12. 13. Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde los niveles de presión sonora ambiental ( ) se miden por medio de un sonómetro dispuesto a 2 metros de distancia de fachadas reflectantes y a una altura de 1,5 metros sobre el nivel del suelo.
  13. 14.
    Programa de ordenador que comprende instrucciones de programa para hacer que un ordenador lleve a la práctica el procedimiento según cualquiera de las reivindicaciones 1-13.
  14. 15.
    Programa de ordenador de acuerdo con la reivindicación 14, que está incorporado en unos medios de almacenamiento.
  15. 16.
    Programa de ordenador de acuerdo con la reivindicación 14, que esta soportado en una señal portadora.
  16. 17. Sistema para estimar caudales ( ) de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental ( ) generados por dicho tráfico rodado, caracterizado porque comprende:
    - un medio de adquisición de la presión sonora ambiental ( ) en una vía; y
    -
    un medio de procesamiento conectado a dicho medio de adquisición y adaptado para llevar a cabo el procedimiento de cualquiera de las reivindicaciones 1-16.
  17. 18. Sistema de acuerdo con la reivindicación 17, que además comprende medios de visualización que permiten visualizar los caudales de tráfico rodado estimados por medio de procesamiento.
    Figura 1 Figura 2 Figura 3
    OFICINA ESPAÑOLA DE PATENTES Y MARCAS
    N.º solicitud: 201231236
    ESPAÑA
    Fecha de presentación de la solicitud: 31.07.2012
    Fecha de prioridad:
    INFORME SOBRE EL ESTADO DE LA TECNICA
    51 Int. Cl. : Ver Hoja Adicional
    DOCUMENTOS RELEVANTES
    Categoría
    56 Documentos citados Reivindicaciones afectadas
    A
    FORTUNA, L.; OCCHIPINTI, L.; VINCI, C.; XIBILIA, M.G.; A neuro-fuzzy model of urban traffic; Proceedings of the 37th Midwest Symposium on Circuits and Systems, 1994, volumen 1, páginas 603-606. 1,4,5,10-18
    A
    BOLSHINSKY, E.; FREIDMAN, R.; Traffic Flow Forecast Survey; 03.06.2012. [recuperado el 23.10.2012]. Recuperado de Internet: <URL: http://www.cs.technion.ac.il/users/wwwb/cgi-bin/ tr-get.cgi/2012/CS/CS-2012-06.pdf> 1,4,5,7,10,14-18
    A
    US 2012188102 A1 (KALYANARAMAN SHIVKUMAR et al.) 26.07.2012, párrafos 25-50; figuras. 1,4,13-18
    A
    ES 2334308 A1 (UNIV DE ALCALA FILOMENA RODRIG et al.) 08.03.2010, página 2, líneas 50-65; página 3, línea 16 – página 5, línea 10; figuras. 1,10,13-18
    Categoría de los documentos citados X: de particular relevancia Y: de particular relevancia combinado con otro/s de la misma categoría A: refleja el estado de la técnica O: referido a divulgación no escrita P: publicado entre la fecha de prioridad y la de presentación de la solicitud E: documento anterior, pero publicado después de la fecha de presentación de la solicitud
    El presente informe ha sido realizado • para todas las reivindicaciones • para las reivindicaciones nº:
    Fecha de realización del informe 19.11.2012
    Examinador M. J. Lloris Meseguer Página 1/4
    INFORME DEL ESTADO DE LA TÉCNICA
    Nº de solicitud: 201231236
    CLASIFICACIÓN OBJETO DE LA SOLICITUD G06Q50/30 (2012.01)
    G06F19/00 (2011.01) G08G1/00 (2006.01) Documentación mínima buscada (sistema de clasificación seguido de los símbolos de clasificación)
    G06Q, G06F, G08G
    Bases de datos electrónicas consultadas durante la búsqueda (nombre de la base de datos y, si es posible, términos de búsqueda utilizados) INVENES, EPODOC, WPI, INSPEC, INTERNET
    Informe del Estado de la Técnica Página 2/4
    OPINIÓN ESCRITA
    Nº de solicitud: 201231236
    Fecha de Realización de la Opinión Escrita: 19.11.2012
    Declaración
    Novedad (Art. 6.1 LP 11/1986)
    Reivindicaciones Reivindicaciones 1-18 SI NO
    Actividad inventiva (Art. 8.1 LP11/1986)
    Reivindicaciones Reivindicaciones 1-18 SI NO
    Se considera que la solicitud cumple con el requisito de aplicación industrial. Este requisito fue evaluado durante la fase de examen formal y técnico de la solicitud (Artículo 31.2 Ley 11/1986).
    Base de la Opinión.-
    La presente opinión se ha realizado sobre la base de la solicitud de patente tal y como se publica.
    Informe del Estado de la Técnica Página 3/4
    OPINIÓN ESCRITA
    Nº de solicitud: 201231236
    1. Documentos considerados.-
    A continuación se relacionan los documentos pertenecientes al estado de la técnica tomados en consideración para la realización de esta opinión.
    Documento
    Número Publicación o Identificación
    D01
    FORTUNA, L.; OCCHIPINTI, L.; VINCI, C.; XIBILIA, M.G.; A neuro-fuzzy model of urban traffic; Proceedings of the 37th Midwest Symposium on Circuits and Systems, 1994, volumen 1, páginas 603-606.
  18. 2. Declaración motivada según los artículos 29.6 y 29.7 del Reglamento de ejecución de la Ley 11/1986, de 20 de marzo, de Patentes sobre la novedad y la actividad inventiva; citas y explicaciones en apoyo de esta declaración
    De todos los documentos recuperados del estado de la técnica, se considera que el documento D01 es el más próximo a la solicitud que se analiza. A continuación se comparan las reivindicaciones de la solicitud con el documento D01.
    Reivindicación 1 El documento D01 describe un procedimiento para estimar caudales de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental generados por dicho tráfico rodado que comprende los siguientes pasos: -medir unas variables estáticas que caracterizan la vía; -medir unos niveles de presión sonora ambiental generados por el tráfico rodado; y -estimar los caudales de tráfico rodado a partir de una red neuronal que relaciona dichos caudales de tráfico rodado y el conjunto de variables estáticas que caracterizan la vía con los niveles de presión sonora ambiental.
    La invención definida en la reivindicación 1 se diferencia del documento D01 en que se estiman los caudales de tráfico rodado de otra manera. En D01 se estiman a partir del entrenamiento de una red neuronal, aplicando técnicas de lógica difusa, y en la invención se utiliza una descripción matemática del sistema mediante sistemas de ecuaciones en diferencias de primer orden, que relacionan el estado actual con el estado inmediatamente anterior, denominado modelo de espacio de estados en la invención. Ninguno de los documentos citados en el Informe sobre el Estado de la Técnica, o cualquier combinación relevante de ellos, revela esta posibilidad. Por lo tanto, la reivindicación 1 presenta novedad y actividad inventiva tal y como se establece en los Artículos 6.1 y 8.1 LP.
    Reivindicaciones 2-13 Las reivindicaciones 2-13 dependen de la reivindicación 1 y, en consecuencia, también presentan novedad y actividad inventiva tal y como se establece en los Artículos 6.1 y 8.1 LP.
    Reivindicaciones 14-16 La reivindicación 14 es relativa a un programa de ordenador que comprende instrucciones de programa para que un ordenador realice el procedimiento descrito en la reivindicación 1. Dado que la reivindicación 1 presenta novedad y actividad inventiva tal y como se establece en los Artículos 6.1 y 8.1 LP, la reivindicación 14 y las reivindicaciones 15 y 16, que son dependientes de la reivindicación 14, también presentan novedad y actividad inventiva tal y como se establece en los Artículos 6.1 y 8.1 LP.
    Reivindicaciones 17-18 La reivindicación 17 es relativa a un sistema para estimar caudales de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental generados por dicho tráfico rodado que comprende: -un medio de adquisición de la presión sonora ambiental en una vía; y -un medio de procesamiento conectado a dicho medio de adquisición y adaptado para llevar a cabo el procedimiento de la reivindicación 1. En consecuencia, dado que la reivindicación 1 presenta novedad y actividad inventiva tal y como se establece en los Artículos 6.1 y 8.1 LP, la reivindicación 17 y la reivindicación 18, que es dependiente de la reivindicación 17, también presentan novedad y actividad inventiva tal y como se establece en los Artículos 6.1 y 8.1 LP.
    Informe del Estado de la Técnica Página 4/4
ES201231236A 2012-07-31 2012-07-31 Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental Active ES2391860B2 (es)

Priority Applications (2)

Application Number Priority Date Filing Date Title
ES201231236A ES2391860B2 (es) 2012-07-31 2012-07-31 Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental
PCT/ES2013/070555 WO2014020213A1 (es) 2012-07-31 2013-07-30 Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ES201231236A ES2391860B2 (es) 2012-07-31 2012-07-31 Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental

Publications (2)

Publication Number Publication Date
ES2391860A1 true ES2391860A1 (es) 2012-11-30
ES2391860B2 ES2391860B2 (es) 2013-04-26

Family

ID=47149011

Family Applications (1)

Application Number Title Priority Date Filing Date
ES201231236A Active ES2391860B2 (es) 2012-07-31 2012-07-31 Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental

Country Status (2)

Country Link
ES (1) ES2391860B2 (es)
WO (1) WO2014020213A1 (es)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018150065A1 (es) 2017-02-16 2018-08-23 Aragueez Del Corral Ines Dispositivo de monitorización de ruido ambiental mediante instrumentos de medición volumétricos móviles

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3217400B1 (en) * 2016-03-10 2018-11-07 Philips Lighting Holding B.V. Pollution estimation system
CN110785796B (zh) * 2017-06-30 2022-08-09 昕诺飞控股有限公司 具有交通重选路功能性的照明系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2334308A1 (es) * 2008-04-11 2010-03-08 Universidad De Alcala (Filomena Rodriguez Caabeiro) Sistema para la deteccion de vehiculos que circulan por una via a partir del sonido.
US20120188102A1 (en) * 2011-01-26 2012-07-26 International Business Machines Corporation Systems and methods for road acoustics and road video-feed based traffic estimation and prediction

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2334308A1 (es) * 2008-04-11 2010-03-08 Universidad De Alcala (Filomena Rodriguez Caabeiro) Sistema para la deteccion de vehiculos que circulan por una via a partir del sonido.
US20120188102A1 (en) * 2011-01-26 2012-07-26 International Business Machines Corporation Systems and methods for road acoustics and road video-feed based traffic estimation and prediction

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOLSHINSKY, E.; FREIDMAN, R.; Traffic Flow Forecast Survey; 03/06/2012. [recuperado el 23.10.2012]. Recuperado de Internet: ; *
FORTUNA, L.; OCCHIPINTI, L.; VINCI, C.; XIBILIA, M.G.; A neuro-fuzzy model of urban traffic; Proceedings of the 37th Midwest Symposium on Circuits and Systems, 1994, volumen 1, páginas 603-606. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018150065A1 (es) 2017-02-16 2018-08-23 Aragueez Del Corral Ines Dispositivo de monitorización de ruido ambiental mediante instrumentos de medición volumétricos móviles

Also Published As

Publication number Publication date
WO2014020213A1 (es) 2014-02-06
ES2391860B2 (es) 2013-04-26

Similar Documents

Publication Publication Date Title
Deep et al. Urban sprawl modeling using cellular automata
Carrier et al. Road traffic noise in Montreal and environmental equity: What is the situation for the most vulnerable population groups?
Jorquera et al. Forecasting ozone daily maximum levels at Santiago, Chile
Lee et al. Assessment of traffic-related noise in three cities in the United States
Zhou et al. Social disparities in tree canopy and park accessibility: A case study of six cities in Illinois using GIS and remote sensing
Strauss et al. Speed, travel time and delay for intersections and road segments in the Montreal network using cyclist Smartphone GPS data
Jabari et al. A stochastic model of traffic flow: Gaussian approximation and estimation
Xu Operational testing of a water balance model for predicting climate change impacts
Antunes et al. The application of Geographical Information Systems to determine environmental impact significance
De Coensel et al. A road traffic noise pattern simulation model that includes distributions of vehicle sound power levels
Nie et al. Reliable route guidance: A case study from Chicago
Dong et al. Flow rate and time mean speed predictions for the urban freeway network using state space models
Zhang et al. Optimizing coordinated ramp metering: a preemptive hierarchical control approach
Krishnamurthy et al. Propagation of uncertainty in transportation land use models: Investigation of dram-empal and utpp predictions in austin, texas
Gotvald et al. Methods for determining magnitude and frequency of floods in California, based on data through water year 2006
Lakerveld et al. Deep phenotyping meets big data: the Geoscience and hEalth Cohort COnsortium (GECCO) data to enable exposome studies in The Netherlands
Yan et al. Automatic identification of near-stationary traffic states based on the PELT changepoint detection
Gozalo et al. Analyzing nocturnal noise stratification
Kim et al. Determining optimal sensor locations in freeway using genetic algorithm-based optimization
ES2391860B2 (es) Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental
Couto et al. A note on modeling road accident frequency: A flexible elasticity model
Kaddoura et al. User-specific and dynamic internalization of road traffic noise exposures
Habtemichael et al. Incident-induced delays on freeways: quantification method by grouping similar traffic patterns
Habtemichael et al. Methodology for quantifying incident-induced delays on freeways by grouping similar traffic patterns
Bello et al. Identification of critical source areas under present and projected land use for effective management of diffuse pollutants in an urbanized watershed