WO2014020213A1 - 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
WO2014020213A1
WO2014020213A1 PCT/ES2013/070555 ES2013070555W WO2014020213A1 WO 2014020213 A1 WO2014020213 A1 WO 2014020213A1 ES 2013070555 W ES2013070555 W ES 2013070555W WO 2014020213 A1 WO2014020213 A1 WO 2014020213A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic
sound pressure
pressure levels
road
traffic 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.)
Ceased
Application number
PCT/ES2013/070555
Other languages
English (en)
French (fr)
Inventor
Laura MARTÍN FERNÁNDEZ
Diego Pablo Ruiz Padillo
Joaquín MÍGUEZ ARENAS
Antonio José TORRIJA 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
Publication of WO2014020213A1 publication Critical patent/WO2014020213A1/es
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention is generally framed in the field of traffic control systems, and more specifically in the field of the analysis of sound signals produced by road traffic.
  • the main object of the invention is a method for estimating the flow rates of traffic on a road for a certain period of time based solely on the measurement of ambient noise in said traffic lane.
  • Static traffic patterns are defined by mathematical functions that depend, in general, on the urban area or configuration, the day of the week and the time at which traffic will be studied.
  • a drawback of this system is that these patterns do not take into account the variation in the flow of vehicles in the same period of time, and there are also a large number of possible spatio-temporal patterns of traffic behavior that should be adjusted to each specific case (H. Lehmann: "Directed and diffusive contributions to urban traffic flow patterns", Europhys. Lett., 64 (2), pp. 288-294, 2003).
  • Magnetic turns are metallic elements placed under the road's own road that use the physical phenomena of electromagnetism to detect the passage of vehicles.
  • a variation in the magnetic field caused by the mass is generated metallic of the vehicle (US 3,571, 789).
  • the installation of magnetic turns requires cutting the pavement for installation, thus interrupting the circulation.
  • only one vehicle can be detected for each coil installed, which may mean that vehicles that run in parallel are not detected.
  • the sound environment is determined by a wide range of magnitudes that influence sound pressure levels. Some of these magnitudes are related to the noise sources themselves, while others refer to environmental or environmental conditions that can contribute to damping or amplifying the noise. Most of the magnitudes are static over time, such as the width or height of a particular street, while others may change significantly depending on the weather and location, such as traffic flows.
  • the inventors of the present invention have developed a procedure that allows estimating the traffic flows of a road for a period of time using exclusively the measurement of ambient noise in said path. Moreover, the invention allows estimating in real time and without human supervision the flows of different types of vehicles, in particular light vehicles, heavy vehicles and motorcycles or mopeds. Unlike some known methods, such as magnetic turns, the proposed invention only requires the use of sound level meters or other sound pressure measurement devices (which are already installed in the streets of numerous municipalities), and a processor that allows apply the method of the invention to the data obtained. It is, therefore, a simple and simple method, and whose implementation is very invasive. It would also be possible to combine this system with other sensors that were available to obtain additional data from the urban environment in real time.
  • the method of the invention is applicable in urban environments with a medium or high traffic density where it constitutes the dominant source of noise, in particular more than 10 dB of average level with respect to noise from other sources.
  • the process of the invention has the advantage of obtaining greater precision than the previous methods, since it has been found that it is able to predict the total number of vehicles every 5 minutes with an error rate of less than 17% on average.
  • this method does not need a large number of static patterns that determine traffic behavior, since in each period of time the estimation of traffic flows corresponding to the sound pressure levels collected in the street is obtained.
  • the information obtained by means of the method of the invention can be used, for example, to:
  • a model of state spaces is a mathematical representation of a physical system described by a set of inputs and outputs related by equations in first-order differences that can be expressed in matrix form.
  • the estimation procedure proposed by this invention is based on modeling the dynamic system associated with road traffic as a state space.
  • the equations that define the state space model are based on Bayesian-type statistical methods in which observations or information previously obtained (a priori) are used to calculate the probability that an estimate or hypothesis is true.
  • the state variables in the method of the invention are those that influence the sound pressure levels of the road in question, and are divided into dynamic variables, that is, the flow rates of heavy, light vehicles, and motorcycles / mopeds that you want to calculate, and static variables, such as traffic speed, type of day, street width and height, or others.
  • a filtering method preferably an extended Kalman filter, is applied to estimate the desired traffic flow rates.
  • the linear filter receives noise information as input and attempts to minimize the effects of said noise at the exit according to some statistical criteria.
  • a possible criterion for this optimization problem is to minimize the mean square value of the signal error that is defined as the difference between the desired response and the output obtained from the filter.
  • the Kalman filter has become an integrated component in thousands of military and civil navigation systems. This seemingly simple algorithm has been used to conveniently integrate navigation sensor data to achieve optimum performance of the entire system. To provide estimates of the system variables, such as position coordinates, the filter uses statistical models that will properly weigh each of the new measurements relative to the information passed. Because it gives optimum performance, versatility and easy implementation, the Kalman filter has been popular especially in GPS (see, for example, US Patent 6,859,170).
  • the method for estimating flow rates (x t ) of road traffic on a road from the ambient sound pressure levels (and t ) generated by said road traffic comprises the following steps:
  • these static variables ( ⁇ ) comprise at least the following: type of day, average speed and number of lanes; and more preferably, they further comprise: street width and building height.
  • the traffic flows (x t ) of road traffic comprise the number of light vehicles, the number of heavy vehicles, and the number of motorcycles passing through the road in question during a certain period of time. .
  • the state space is defined by the following expressions: where p (x t
  • conditional density of the sound pressure levels approximates according to the expression:
  • x t , 0) N (y t ; g (x t , e), D)
  • N (z; ⁇ C) denotes a Gaussian probability density function of z with the vector of means ⁇ y the covariance matrix c
  • g (x t , 9) is a non-linear prediction function of sound pressure levels from the state variables
  • D is a diagonal covariance matrix.
  • the function g (x t , 9) is preferably modeled by means of an artificial neural network, and more preferably a two-layer backpropagation type network, which has a number of inputs corresponding to the number of flow types (x t ) of road traffic plus static variables ( ⁇ ), and a single output related to the sound pressure level (and t ), and where the first layer uses a hyperbolic sigmoidal tangent transfer function and the second layer uses a linear transfer function.
  • conditional density of traffic flows (x t ) of road traffic is preferably approximated according to:
  • conditional density of the traffic flows is approximated by means of an extended Kalman filtrate, more preferably through a Gaussian distribution of the type:
  • t -i are the a priori estimates
  • x t and P t are the a posteriori estimates.
  • the final result of this process is to obtain x t , that is, the estimated flow of traffic divided into vehicle types in each time interval considered.
  • the described procedure can be implemented by means of computers and processes executed in such equipment, the invention also extends to computer programs, particularly computer programs arranged on or within a carrier, adapted to carry out the invention.
  • the program may have the form of source code, object code, an intermediate source of code and object code, for example, as in partially compiled form, or in any other form suitable for use in the implementation of the processes according to the invention .
  • the carrier can be any entity or device capable of supporting the program.
  • the carrier could include a storage medium, for example, a ROM, a CD ROM or a semiconductor ROM, or a magnetic recording medium, for example, a floppy disk or a hard disk.
  • the carrier could be an integrated circuit in which the program is included, the integrated circuit being adapted to execute, or to be used in the execution of, the corresponding processes.
  • the carrier can be a transmissible carrier, for example, an electrical or optical signal that could be transported through electrical or optical cable, by radio or by any other means.
  • the carrier may be constituted by said cable or other device or means.
  • a second aspect of the invention describes a system for estimating flow rates (x t ) of road traffic on a road from the ambient sound pressure levels (and t ) generated by said road traffic, which comprises the following elements:
  • processing means connected to said acquisition means and adapted to carry out the procedure described above in order to estimate the traffic flow rates.
  • system preferably comprises visualization means that allow visualizing the estimated traffic flows calculated by the processing means.
  • Figure 1. Shows a schematic representation of the proposed method using a block diagram.
  • Figure 2. Representation by means of a flow chart of an embodiment of the proposed method (based on an extended Kalman filter).
  • Figure 3. Shows an example of the predictions of the traffic flows (averages a posteriori x t ) generated by the proposed method using an extended Kalman filter in a 70 minute sequence.
  • Fig. 1 shows a scheme of the method of the invention by means of a block diagram representing some of the elements comprising a system for carrying out the method of the invention. It is appreciated how sound pressure levels (20) are obtained by means of a monitoring station (21). This data is transmitted to a transmission / storage medium (22), depending on whether the data will be processed immediately or at a later time. Next, the sound pressure data (20) is passed to a processor (23) that estimates the traffic flow rates taking into account the characteristics of the road (19) according to the method of the present invention. Finally, an output device (24) is used, for example a screen or the like, to allow the visualization of the estimated traffic flows (25).
  • Step 1 Initialization
  • the static state variables that characterize the studied route are measured.
  • the static state variables used have been selected from previous studies on acoustic variables, such as the article by AJ Torija, N. Genaro, DP Ruiz, A. Ramos-Ridao, M. Zamorano, I. Requena entitled "Priorization of acoustic variables: Environmental decision support for the physical characterization of urban sound environments ", Building and Environment, n Q 45, 2010, p. 1477-1489.
  • the chosen variables are shown in Table 1, and include the average speed on the track, the number of lanes and at least one qualitative variable that characterizes the type of day based on pre-established criteria, in addition to the track width and height of surrounding buildings. It has been experimentally proven that at least variables 1, 2 and 3 are needed to obtain predictions of traffic flows with sufficient accuracy, although in urban areas it is preferable to use at least the 5 variables. Static state variables
  • Table 1 Static state variables.
  • Step 2 Measurement of urban noise.
  • Sound pressure levels are measured through a monitoring station installed according to international protocols ("ISO 1996-2: 2007” and "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 ”) connected to a data transmission system if it is desired to obtain the information in real time or to a data storage system.
  • Step 1 Based on a prediction model previously adjusted in Step 1, the measured experimental data is processed.
  • the implementation of the prediction process is carried out by means of a statistical filtering method (extended Kalman filter, particle filter or other) that uses the sound pressure levels collected in Step 2 on the analyzed path.
  • the procedure shows the predicted flow rates of traffic or average traffic on the road (light vehicle flow, heavy vehicle flow and motorcycle-moped flow), including both-way vehicles.
  • 3 types of vehicles whose flow is collected in the vector x t will be considered : the flow of light vehicles (x lt ), the flow of heavy vehicles (x 2 t ) and the flow of motorcycles and mopeds (x 3 t ).
  • light vehicles can be considered as motor vehicles equipped for the transport of goods whose maximum authorized weight does not exceed 6 tons, or which, even exceeding said weight, have a payload capacity not exceeding 3, 5 tons, and as heavy vehicles to motor vehicles equipped for the transport of goods whose maximum authorized weight is greater than 6 tons and whose load capacity exceeds 3.5 tons;
  • Tractor heads will be considered heavy vehicles when they have a carrying capacity of more than 3.5 tons of cargo.
  • the state space model that jointly represents the dynamics of the state variables and the relationship between these variables and the indicators of the Sound pressure level is defined as follows x t : p (x t
  • each x it is a first-order Markovian process, which means that the state or number of vehicles counted in the time period t only depends on the state or number of vehicles accounted for in the period t - i .
  • conditional density (or likelihood) of sound pressure levels is a Gaussian distribution, and is defined as p (y t
  • x t , e) N (y t ; g (x t , e), D) (3)
  • N (z; ⁇ C) denotes the Gaussian probability density function of z associated with a normal distribution with mean vector ⁇ and covariance matrix C
  • conditional density of traffic flows is numerically approximated by a method of filtering a Gaussian distribution, that is,
  • one (and one-dimensional) or several levels of sound pressure (and multidimensional) can be observed, that is, only a medium level of sound pressure can be used, such as the weighted equivalent continuous sound pressure level A ⁇ L Aeq ), or jointly use the sound pressure level in the third octave bands from 40Hz to 4kHz ⁇ L 125Hz , L lkHz , ...) to improve the predictions of the filtering method.
  • a medium level of sound pressure such as the weighted equivalent continuous sound pressure level A ⁇ L Aeq
  • the sound pressure level in the third octave bands from 40Hz to 4kHz ⁇ L 125Hz , L lkHz , ...) to improve the predictions of the filtering method.
  • ANN artificial neural network
  • the ANN uses a hyperbolic sigmoidal tangent transfer function in the first layer and a linear transfer function in the second layer.
  • the neural network was calibrated with a training function that updates the values of weights and biases according to the method of Marquardt optimization (D. Marquardt: "An algorithm for least-squares estimation of nonlinear parameters", SIAM Journal on Applied Mathematics 1 1 (2) (1963) 431 ⁇ 41, MT Hagan, M. Menhaj: “Training feed-forward networks with the Marquardt algorithm ", IEEE Transactions on Neural Network 5 (6) (1994) 989-993).
  • the network was trained with a database containing the experimental measurements obtained in 120 locations in the city of Granada (Spain), in different urban areas and with different traffic conditions.
  • Fig. 2 The proposed method implemented with an extended Kalman filter is represented in Fig. 2, where (19) represents the characteristics of the a priori route, (30) represents the initialization of the method from the static state variables that characterize the studied route, (31) represents the first stage of the filtering method that consists in the a priori prediction of the traffic flows in the passage of time t, (32) represents the second stage of the filtering method that consists of the update or correction of the previous predictions through the environmental noise measurements, (22) represents the sound pressure levels collected in the passage of time t (25) represents the traffic flows finally estimated by the method in the passage of time t .
  • This method is implemented as follows:
  • Step 1 Initialization
  • Step 2 Measurement of urban noise.
  • x 0 is initialized to traffic flow values close to the real ones at the time of measurement, ⁇ 27, 0, 8 ⁇ , normalized between 0 and 1 (ranges detailed in Table 2)
  • P 0 is defined as a diagonal matrix with the marginal variances ⁇ 0.003, 0.0054, 0.0236 ⁇ , which adjust to the a priori evolution of traffic in the type of street studied and at the time of measurement.
  • Jacobian measurement model x ⁇ -ty P t
  • t -i are the a priori estimates and x t and P t are the a posteriori estimates.
  • k t is a 3 x vector and t is a 1 x 3 vector.
  • the results of the exemplary embodiment are shown in Tables 3 and 4.
  • the total vehicle flow is estimated with an average absolute error of 5.64 vehicles and an average error rate of 17%. Therefore, we achieve satisfactory results in one of the worst possible cases, that is, on a street with an intermittent traffic flow, using a single sound pressure level indicator ⁇ L Aeq ) as an observation and making short-term predictions ( with observation periods of 5 minutes).
  • the proposed method achieves a good result as a predictor of road traffic flows with high traffic intensity, distinguishing between the three main types of motor-driven vehicles (light vehicles, heavy vehicles and motorcycles-mopeds) .
  • the dynamic model that we define in the method of this patent considers the additional use of the observations of the sound level indicators in third octave frequency bands correlated with different types of vehicles.

Landscapes

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

Abstract

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 espacio-temporales 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 (xt) de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental (yt) generados por dicho tráfico rodado comprende los siguientes pasos:
1 ) Medir unas variables estáticas (ø) que caracterizan la vía.
Preferiblemente, estas variables estáticas (ø) 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 (yt) generados por tráfico rodado. De acuerdo con una realización preferida de la invención, estos niveles de presión sonora ambiental (yt) 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 (xt) de tráfico rodado a partir de un modelo de espacio de estados que relaciona dichos caudales (xt) de tráfico rodado y el conjunto de variables estáticas (Θ) que caracterizan la vía con los niveles de presión sonora ambiental (yt). De acuerdo con una realización preferida de la invención, los caudales (xt) 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:
Figure imgf000008_0001
donde p(xt|xt_!) es la distribución condicional de los caudales de tráfico rodado, y p(yt|xt< 9) es la densidad condicional de los niveles de presión sonora (yt) dados los caudales (xt) de tráfico rodado y el conjunto de variables estáticas (Θ).
Preferentemente, la densidad condicional de los niveles de presión sonora se aproxima según la expresión:
P(yt|xt, 0) = N(yt; g(xt, e), D) donde N(z; ^ C) denota una función de densidad de probabilidad gaussiana de z con el vector de medias μy la matriz de covarianza c, g(xt, 9) es una función de predicción no lineal de los niveles de presión sonora a partir de las variables de estado, y D es una matriz de covarianza diagonal.
A su vez, la función g(xt, 9) 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 (xt) de tráfico rodado más las variables estáticas (ø), y una única salida relacionada con el nivel de presión sonora (yt), 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 (xt) de tráfico rodado se aproxima preferentemente según:
POi,tl¾-i) = N(xiit; xi>t_!, ), i = 1,2,3, 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:
P(xt|yi:t) = N(xt; xt, Pt) donde y1:t = (y1; ... , yt) son los niveles de presión sonora (niveles medios de presión sonora y su composición espectral) observados hasta la medición t. xt indica la media y Pt la matriz de covarianza a posteriori de los caudales de tráfico durante la medición t.
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: x^-t = xt-t,
(a2) predecir la covarianza en el tiempo: P^-t = Pt-t + V,
donde v es una matriz de covarianza diagonal, b) Actualización de la medida,
(b1 ) calcular la ganancia de Kalman: kt = Pt\t-ihT t {h t p t\t-ihT t + °í
(b2) actualizar las predicciones con la yt medida: xt = x^-t + kt(yt -
(b3) actualizar la covarianza: Pt = P^-t - k^P^^, donde kt es la ganancia de Kalman, ht d9(Xt,e) es el Jacobiano del
(*t=*t|t-l)
modelo de medida, x^-t y Pt| t-i son las estimaciones a priori, y xt y Pt son las estimaciones a posteriori.
El resultado final de este proceso es la obtención de xt, 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 (xt) de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental (yt) generados por dicho tráfico rodado, que comprende los siguientes elementos:
- un medio de adquisición de la presión sonora ambiental (yt) 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 visualizacion 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 xt) 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 decisión support for the physical characterization of urban sound environments", Building and Environment, nQ 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 θ = (Θ1, Θ2, . . . , Θ5), donde s 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 xt, donde t = o, ι, ...,τ y τ es el número de pasos de tiempo.
En una realización particular, se considerarán 3 tipos de vehículos cuyo caudal se recoge en el vector xt: el caudal de vehículos ligeros (xl t), el caudal de vehículos pesados (x2 t) y el caudal de motocicletas y ciclomotores (x3 t). 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 N, yt = ( i,í- - jv,í)> donde yj (j = I, . . . , N) 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 xt: p(xt |Xt-i)< (1 ) yt: p(yt|xt, Θ), (2) donde p(xt|xt-i) denota la distribución condicional de las variables dinámicas y p(yt|xt, 9) denota la densidad condicional de los niveles de presión sonora dadas las variables de estado.
De forma preferente, se supondrá que cada xi t es un proceso Markoviano de primer orden, lo que significa que el estado o número de vehículos contabilizados en el periodo de tiempo t sólo depende del estado o número de vehículos contabilizados en el periodo t - i.
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 p(yt|xt, e) = N(yt; g(xt, e), D) (3) donde N(z; ^ C) denota la función de densidad de probabilidad gaussiana de z asociada a una distribución normal con vector de medias μ y matriz de covarianza C; g(xt, 9) es la función no lineal de predicción de los niveles de presión sonora a partir de las variables de estado y D es una matriz de covarianza diagonal con varianzas marginales o , j = i, . . . , M 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 g.
Para las variables de estado dinámicas, xi t, se utilizará, de forma preferente, un modelo de camino aleatorio simple con la siguiente forma
POi,tl¾-i) = N(xiit; x^t-i, ), i = 1,2,3, (4) donde es una varianza calculada a partir de la distribución gaussiana de la evolución media de los caudales de 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,
P(xt|xt-i) =
Figure imgf000016_0001
P(Xi,tKt-i)-
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,
P(xt|yi:t) = N(xt; xt, Pt) (5) donde y1:t = (y1; ... , yt) son los niveles de presión sonora (niveles medios de presión sonora y su composición espectral) observados hasta la medición t. xt indica la media y Pt la matriz de covarianza a posteriori de los caudales de tráfico durante la medición t.
Cuando se aplica el método de filtrado se pueden observar uno (y unidimensional) o varios niveles de presión sonora (y multidimensional), es decir, se puede utilizar únicamente un nivel medio de presión sonora, como el nivel de presión sonora continuo equivalente ponderado A {LAeq), o utilizar de forma conjunta el nivel de presión sonora en las bandas de tercio de octava de 40Hz a 4kHz {L125Hz, LlkHz, ...) 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, nQ 140, vol. 2, 1993, págs. 107-1 13] 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 (LAeq), 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 yt es el nivel de presión sonora continuo equivalente ponderado A (LAeq), por lo tanto, la matriz de covarianza D de Eq. (3) se reduce, en este caso, a una varianza escalar
Figure imgf000017_0001
= 0.0035 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 g(xt, 9) (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 LAeq. 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 1 1 (2) (1963) 431 ^41 , 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 g(xt, 0) = g(nt) = 2/(1 + e ~2 (wnt+^) - l, donde nt = (.θ1, θ2, θ3, θ4, θ5, χι , χ2 , χ3 ), w = w2 W1 y b = w2 - b1 + b2, siendo ^ (matriz 12 x 8) y w2 (vector l x 12) los pesos de la primera y segunda capa de la ANN respectivamente, y b1 (vector 12 x l) y b2 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 Θ. En este ejemplo, θ = laborable, θ2 = 32.5 (km/h), θ3 = 2 (carriles), θ4 = 13.89 (m) y θ5 = 31 (m), con dichos valores normalizados entre 0 y 1 (rangos detallados en la Tabla 2). Variables Rangos
Laborable
θ1 Sábado
Domingo
θ2 [7.5-65] (km/h)
[1 -5] (carriles)
θ4 [3.5-100] (m)
θ5 [0-34] (m)
1,ί [5-264] (ve ículos/5min)
2,ί [0-25] (vehículos /5min)
3,ί [0-84] (vehículos /5min)
Tabla 2. Rangos de las variables de estado.
Paso 2. Medida del ruido urbano.
El nivel de presión sonora LAeq (yt) es medido en la calle estudiada (calle desconocida para la ANN) en una serie de tiempo (t = 1, 2, ...), 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 {T = 14). 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 x0 y P0 la media y la matriz de covarianza a priori, respectivamente, de las variables de estado dinámicas (caudales de tráfico) en el tiempo t = o, x0 se inicializa a valores de caudal de tráfico cercanos a los reales en el momento de la medición, {27, 0, 8}, normalizados entre 0 y 1 (rangos detallados en la Tabla 2), y P0 se define como una matriz diagonal con las varianzas marginales {0.003, 0.0054, 0.0236}, 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 t = 1 T:
1 . Predicción (31 ).
(a) Predecir los caudales de tráfico en el tiempo:
Figure imgf000020_0001
= *t-i -
(b) Predecir la covarianza en el tiempo: Pt\t-i = Pt-i + v. V es una matriz de covarianza diagonal con las varianzas marginales { =
0.0189, a¡ = 0.0452, a| = 0.0262}.
2. Actualización de la medida (32).
(a) Calcular la ganancia de Kalman: kt =
Figure imgf000020_0002
σ γ1.
(b) Actualizar las predicciones con la medida yt : xt = x^-t + kt (yt -
(c) Actualizar la covarianza: Pt = P^-t - ktfttPt|t--1.
donde kt es conocida como la ganancia de Kalman, ht d9(Xt,e) es el
(*t=*t|t-l)
Jacobiano del modelo de medida, x^-t y Pt|t-i son las estimaciones a priori y xt y Pt son las estimaciones a posteriori. Para nuestro problema de predicción, kt es un vector 3 x l y ht es un vector 1 x 3.
Paso 4. Visualización de predicciones
El dispositivo de salida muestra las predicciones de los caudales de tráfico medios de la vía (25), xt = (χι , χ2χ, χ3 ) (el caudal de vehículos ligeros, el caudal de vehículos pesados y el caudal de motocicletas y ciclomotores, respectivamente), donde i≤ t≤ T, 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 {LAeq) como observación y realizando predicciones a corto plazo (con periodos de observación de 5 minutos).
Figure imgf000021_0001
Tabla 3. Valores experimentales y valores predlchos por el método propuesto de los diferentes caudales de tráfico (caudal de vehículos ligeros (xljt), caudal de vehículos pesados (x2jt) y caudal de motocicletas-clclomotores (x3jt)) medidos en vehículos/5 minutos durante una secuencia de 70 minutos, y error absoluto cometido en la predicción.
Figure imgf000021_0002
Tabla 4. Media del error absoluto de las predicciones del caudal de tráfico (el caudal de vehículos ligeros (xljt), el caudal de vehículos pesados (x2,t)> el caudal de motocicletas-clclomotores (x3jt)). 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 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 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

REIVINDICACIONES
1 . Procedimiento para estimar caudales (xt) de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental (yt) generados por dicho tráfico rodado, caracterizado porque comprende los siguientes pasos:
• medir unas variables estáticas (ø) que caracterizan la vía;
• medir unos niveles de presión sonora ambiental (yt) generados por tráfico rodado; y
• estimar los caudales (xt) de tráfico rodado a partir de un modelo de espacio de estados que relaciona dichos caudales (xt) de tráfico rodado y el conjunto de variables estáticas (ø) que caracterizan la vía con los niveles de presión sonora ambiental (yt).
2. Procedimiento de acuerdo con la reivindicación 1 , donde el espacio de estados está definido por:
Figure imgf000023_0001
yt: p(yt|xt, Θ),
donde p(xt|xt_!) es la distribución condicional de los caudales de tráfico rodado, y p(yt|xt< 9) es la densidad condicional de los niveles de presión sonora (yt) dados los caudales (xt) de tráfico rodado y el conjunto de variables estáticas (Θ).
3. Procedimiento de acuerdo con la reivindicación 2, donde la densidad condicional de los niveles de presión sonora se aproxima según:
P(yt|xt, 0) = N(yt; g(xt, e), D) donde N(z; ^ C) denota una función de densidad de probabilidad gaussiana de z con el vector de medias μ y la matriz de covarianza c, g(xt, Θ) es una función de predicción no lineal de los niveles de presión sonora a partir de las variables de estado, y D es una matriz de covarianza diagonal.
4. Procedimiento de acuerdo con la reivindicación 3, donde la función g(xt, 9) se modela por medio de una red neuronal artificial.
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 (xt) de tráfico rodado más las variables estáticas (ø), y una única salida relacionada con el nivel de presión sonora (yt), y donde la primera capa utiliza una función de transferencia tangente sigmoidal hiperbólica y la segunda capa utiliza una función de transferencia lineal.
6. Procedimiento de acuerdo con la reivindicación 2, donde la densidad condicional de los caudales (xt) de tráfico rodado se aproxima según:
P(¾ t-i) = NCxi.tí Xj.t-^ a ), i = 1,2,3, donde a es una varianza calculada a partir de la distribución gaussiana de la evolución media de unos caudales de tráfico recogidos con anterioridad.
7. Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde el paso de estimar los caudales (xt) 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. Procedimiento de acuerdo con la reivindicación 7, donde la aplicación del filtrado de Kalman extendido comprende aproximar la densidad condicional de los caudales (xt) de tráfico rodado a una distribución gaussiana donde:
P(Xt|yi:t) = N(xt; xt, Pt) donde y1:t = (y1; ... , yt) son los niveles de presión sonora (niveles medios de presión sonora y su composición espectral) observados hasta la medición t. xt indica la media y Pt la matriz de covarianza a posteriori de los caudales de tráfico durante la medición t.
9. Procedimiento de acuerdo con la reivindicación 8, donde la evaluación de la expresión p(xt|y1:t) = N(xt; xt, Pt) comprende los siguientes pasos: a) predicción
(a1 ) predecir los caudales de tráfico en el tiempo: x^-t = xt-t, (a2) predecir la covarianza en el tiempo: P^-t = Pt-t + V, donde v es una matriz de covarianza diagonal, b) actualización de la medida,
(b1 ) calcular la ganancia de Kalman: kt =
Figure imgf000025_0001
+
(b2) actualizar las predicciones con la yt medida: xt =
Figure imgf000025_0002
(b3) actualizar la covarianza: Pt = P^-t - k^P^^, donde kt es la ganancia de Kalman, ht d9(Xt,e) es el Jacobiano
(xt=xt\t-i)
del modelo de medida, x^-t y Pt|t-i son las estimaciones a priori, y xt y Pt son las estimaciones a posteriori.
10. Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde los caudales (xt) de tráfico rodado urbano comprenden el número de vehículos ligeros, el número de vehículos pesados, y el número de motocicletas y ciclomotores.
1 1 . Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde las variables estáticas (ø) comprenden al menos el tipo de día, la velocidad media y el número de carriles
12. Procedimiento según reivindicación anterior donde las variables estáticas además comprenden el ancho de la calle y la altura de los edificios.
13. Procedimiento de acuerdo con cualquiera de las reivindicaciones anteriores, donde los niveles de presión sonora ambiental (yt) 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.
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.
15. Programa de ordenador de acuerdo con la reivindicación 14, que está incorporado en unos medios de almacenamiento.
16. Programa de ordenador de acuerdo con la reivindicación 14, que esta soportado en una señal portadora.
17. Sistema para estimar caudales (xt) de tráfico rodado en una vía a partir de los niveles de presión sonora ambiental (yt) generados por dicho tráfico rodado, caracterizado porque comprende:
- un medio de adquisición de la presión sonora ambiental (yt) 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.
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.
PCT/ES2013/070555 2012-07-31 2013-07-30 Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental Ceased WO2014020213A1 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ESP201231236 2012-07-31
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 (1)

Publication Number Publication Date
WO2014020213A1 true WO2014020213A1 (es) 2014-02-06

Family

ID=47149011

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2013/070555 Ceased 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

Country Status (2)

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

Cited By (3)

* 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
WO2019002144A1 (en) * 2017-06-30 2019-01-03 Philips Lighting Holding B.V. LIGHTING SYSTEM WITH TRAFFIC REPLACEMENT FUNCTIONALITY
US11042805B2 (en) * 2016-03-10 2021-06-22 Signify Holding B.V. Pollution estimation system

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. ET AL.: "Traffic Flow Forecast Survey", 3 June 2012 (2012-06-03), Retrieved from the Internet <URL:http://www.cs.technion.ac.il/users/wwwb/cgi-bin/tr-get.cgi/2012/CS/CS-2012-06.pdf> [retrieved on 20121023] *
FORTUNA, L. ET AL.: "A neuro-fuzzy model of urban traffic", PROCEEDINGS OF THE 37TH MIDWEST SYMPOSIUM ON CIRCUITS AND SYSTEMS, vol. 1, 1994, pages 603 - 606 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11042805B2 (en) * 2016-03-10 2021-06-22 Signify Holding B.V. Pollution estimation system
WO2018150065A1 (es) 2017-02-16 2018-08-23 Aragueez Del Corral Ines Dispositivo de monitorización de ruido ambiental mediante instrumentos de medición volumétricos móviles
WO2019002144A1 (en) * 2017-06-30 2019-01-03 Philips Lighting Holding B.V. LIGHTING SYSTEM WITH TRAFFIC REPLACEMENT FUNCTIONALITY
CN110785796A (zh) * 2017-06-30 2020-02-11 昕诺飞控股有限公司 具有交通重选路功能性的照明系统
US11355008B2 (en) 2017-06-30 2022-06-07 Signify Holding B.V. Lighting system with traffic rerouting functionality

Also Published As

Publication number Publication date
ES2391860A1 (es) 2012-11-30
ES2391860B2 (es) 2013-04-26

Similar Documents

Publication Publication Date Title
Zambrano-Monserrate et al. Does environmental noise affect housing rental prices in developing countries? Evidence from Ecuador
Emami et al. Short-term traffic flow prediction based on faded memory Kalman Filter fusing data from connected vehicles and Bluetooth sensors
Geiß et al. Mixing layer height as an indicator for urban air quality?
Shi et al. Identifying critical building morphological design factors of street-level air pollution dispersion in high-density built environment using mobile monitoring
Rose et al. Weighted road density: A simple way of assigning traffic-related air pollution exposure
Tang et al. Dynamic modeling for noise mapping in urban areas
Van den Hove et al. Development of a land use regression model for black carbon using mobile monitoring data and its application to pollution-avoiding routing
Wang et al. Characterizing near-road air pollution using local-scale emission and dispersion models and validation against in-situ measurements
Bozkurt et al. The field study and numerical simulation of industrial noise mapping
Torija et al. Use of back-propagation neural networks to predict both level and temporal-spectral composition of sound pressure in urban sound environments
Arani et al. Observational and statistical evaluation of factors affecting traffic noise: A case of tourist, pilgrimage and business area
Gozalo et al. Analyzing nocturnal noise stratification
Neuhold et al. Predicting and optimizing traffic flow at toll plazas
Quintero et al. Annual traffic noise levels estimation based on temporal stratification
WO2014020213A1 (es) Procedimiento y sistema para estimar caudales de tráfico rodado a partir de los niveles de ruido ambiental
Yoon et al. Analysis of linear long-term trend of aerosol optical thickness derived from SeaWiFS using BAER over Europe and South China
Jung et al. A hybrid model for estimating the number concentration of ultrafine particles based on machine learning algorithms in central Taiwan
Liu et al. Integrating random forests and propagation models for high-resolution noise mapping
Hu et al. The use of screening effects in modelling route-based daytime road surface temperature
Amodei et al. Deterministic and fuzzy verification methods for a hierarchy of numerical models
Bostanci Accuracy assessment of noise mapping on the main street
Marchetti et al. Methodology to Forecast Road Surface Temperature with Principal Components Analysis and Partial Least‐Square Regression: Application to an Urban Configuration
Juri et al. Integrated traffic simulation–statistical analysis framework for online prediction of freeway travel time
Quintero et al. Traffic noise assessment based on mobile measurements
Kardani-Yazd et al. A rapid method for evaluating the variables affecting traffic flow in a touristic road, Iran

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13824764

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13824764

Country of ref document: EP

Kind code of ref document: A1