[发明专利]一种基于梯度下降的城市道路交通噪声测量方法

说明书

技术领域

本发明涉及属于噪声监控技术领域，特别是涉及一种基于梯度下降的城市道路交通噪声测量方法。

背景技术

近年来，随着经济的飞速发展，我国汽车保有量急剧增加，城市交通量迅速增加。交通噪声污染对道路沿线居民正常生活、工作、学习、休息环境的干扰程度和范围也随之加剧和扩大。交通噪声污染已经逐渐变成道路沿线特别是交通主干道沿线居民最为关注的环境污染问题。据调查：噪声会对人的心理和机体同时产生不良影响，特别是对神经系统和心血管系统造成危害。因此，为了适应交通的快速发展，控制和减少交通噪声真的是当务之急。

由于国内的城市道路交通噪声的测量装置十分简陋，大致分为两种情况：一是缺少预测算法，导致想要得到较高的测量覆盖率就必须分布大量的测量装置，造成了资源的浪费；二是其预测算法缺乏适应能力，导致很难达到较高的预测精度。我国目前对城市道路交通噪声的预测都是依靠国外的经验及方法(如美国联邦公路局(FHWA)提出的FHWA)，并没有形成统一的计算和预测方法。而现有的噪声预测方法需要基于比较复杂的假设，城市道路的环境条件也千差万别，计算模型难以考虑周全。传统的城市道路交通噪声预测主要是利用实际数据根据噪声评估标准以及噪声计算公式得到，误差较大且不利于对未来城市道路交通噪声状况的预测。近几年来，我国城市道路周围的噪声问题日益突出，因此有必要尽快研究算法，开发适用于我国的城市道路交通噪声测量装置。

F.Van Den Berg等人的研究表明，利用从实测数据中挖掘到的规律、模式与声学理论计算模型进行结合可以有效地提高噪声的预测准确率。机器学习方法是通过实测数据建立噪声预测模型的主要方法之一，然而目前国内机器学习方法在城市道路交通噪声预测方面应用还比较匮乏，将机器学习方法用于城市道路交通噪声数据预测，以提高预测结果的准确性和稳定性，成为一种必要的趋势。

总体来说，传统的城市道路交通噪声测量装置存在以下问题：

(1)在有限监测点的情况下，测量覆盖率低。

(2)经验参数不适合具体环境，导致测量准确率低。

(3)现存的预测模型中大多数缺乏学习能力，使得预测结果很难得到修正和优化，预测的精度很难提高。

发明内容

本发明要解决的技术问题是：提供一种基于梯度下降的城市道路交通噪声测量方法。所述测量方法先对某监测点处的交通噪声、车速和车流量及其覆盖范围内的车速和车流量进行采集，然后将采集到的该监测点处的数据输入已有模型，以三个经验参数为相应的权值，根据梯度下降算法训练学习模型，经过若干次迭代，直到各权值达到最优或者其变化落在误差允许范围内，从而确定最终的预测模型。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：

一种基于梯度下降的城市道路交通噪声测量方法，包括如下步骤：

步骤一：收集某条城市道路交通噪声的原始数据并进行数据归一化处理；所述城市道路交通噪声的原始数据包括各监测点处的交通噪声、车速和车流量及其覆盖范围内的车速和车流量等信息；

步骤二：提取所述城市道路交通噪声的原始数据中各监测点处的数据构建得到城市道路交通噪声预测的训练样例集合D，D＝{(t_d,N_d,V_d)|d＝1,2,…,n}，其中t_d为实测噪声等级，N_d为平均小时车流量，V_d为平均行驶速度，n是训练样例集合D中样本数据的个数；提取剩余城市道路交通噪声原始数据构建得到城市道路交通噪声预测的预测样例集合D^*；

步骤三：对所述训练样例集合D进行训练，得到满足精度要求的城市道路交通噪声预测模型，具体过程为：

S3.1:根据线声源模型：