Detección y Análisis de tráfico mediante sensores acústicos distribuidos y autoencoder de deconvolución

El objetivo de este trabajo ha sido desarrollar el framework necesario para el análisis de señales de SensadoAcústico Distribuido (DAS) utilizando técnicas avanzadas de procesamiento en un entorno Python. DAS es una tecnología novedosa que permite utilizar fibras ópticas ya instaladas para telecomunicaciones como una red de sensores distribuidos. Su implementación es útil para aplicaciones como la monitorización de vibraciones en estructuras o la detección de terremotos, y en este caso, para la detección y análisis de tráfico vehicular. El uso de fibras ópticas existentes hace de DAS una tecnología atractiva para desarrollos futuros en el contexto de las “ciudades inteligentes”, especialmente en aplicaciones como la detección de incidentes de tráfico en tiempo real. En este trabajo se ha utilizado una fibra óptica situada bajo una carretera para estimar la velocidad de los vehículos, aplicando tanto algoritmos convencionales como técnicas de machine learning, específicamente redes neuronales. La comparativa principal se ha centrado en evaluar el desempeño de algoritmos tradicionales de deconvolución, como el Iterative Shrinkage Thresholding Algorithm (ISTA), frente a enfoques más recientes como los Deconvolutional Autoencoders (DAE). Estos últimos permiten deconvolucionar la respuesta impulsiva característica de los vehículos a partir de los datos DAS, mejorando la resolución temporal y la precisión en la detección de vehículos. En particular, se ha demostrado que el uso de un DAE, aplicado a datos de un ciclo de tráfico de 24horas, mejora significativamente el rendimiento en comparación con los datos originales sin deconvolucionar, mostrando la viabilidad de procesar grandes volúmenes de datos DAS en casi tiempo real. Gracias a la flexibilidad y las extensas bibliotecas disponibles en Python, este framework es adaptable y potencialmente extensible en el futuro, proporcionando un entorno eficiente y escalable para el procesamiento de señales. Los resultados obtenidos sugieren una mejora potencial tanto en precisión como en velocidad de procesamiento frente a los métodos tradicionales, haciendo que el uso de técnicas avanzadas como los DAE sea una solución prometedora para aplicaciones de monitoreo de tráfico.