[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

摘要

本发明公开了一种基于梯度下降的城市道路交通噪声测量方法，特征为：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；步骤二：提取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训练样例集合D；步骤三：对训练样例集合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；步骤四：利用城市道路交通噪声预测模型进行多次预测并与实测值比较，然后进行修正，得到满足精度要求的实际预测模型；步骤五：将预测样例集合D^*输入到步骤四得到的实际预测模型，得到相应监测点覆盖范围内各处的噪声值；步骤六：综合各个监测点测量及预测到的其覆盖范围内的各处的噪声值，即可得到某城市某道路的完整噪声值数据。

主权项

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：$L_{\mathrm{eqi}}=L_{\mathrm{oi}}+10\lg \frac{N_i}{{\mathrm{TV}}_i}+10\lg \frac{r_0}{r}+10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}+10\mathrm{lg\π}{r}_0+\mathrm{\ΔL}$其中：L_eqi为第i型车辆，预测点接收到的小时交通噪声等级，dB，i分别取大、中、小型车；L_oi为第i型车辆的平均噪声级，dB；V_i为第i型车辆的平均行驶速度，km/h；N_i为第i型车辆的昼间或夜间的平均小时车流量，辆/h；T为L_eqi的预测时间，小时；为距离衰减项，为地面吸收项，ΔL为障碍物衰减项，以上修正值单位均为dB；各种类型车辆的平均噪声级计算公式为：大型车：L_oL＝31.77+29.71lgV_L中型车：L_oM＝16.44+36.73lgV_M大型车：L_oS＝27.96+24.92lgV_SS3.2:指定权向量相对于训练样例的训练误差：$E=\frac{1}{2}\underset{d\∈D}{\mathrm{\Σ}}{(t_d-o_d)}^2$其中：t_d是训练样例d的实测噪声等级，o_d是线声源模型对训练样例d的输出。将3.1中的线声源模型带入上式，得：$E=\frac{1}{2}\underset{d\∈D}{\mathrm{\Σ}}{[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]}^2$S3.3:E分别对ΔL、r₀、r求偏导，可得梯度$\frac{\∂E}{\∂\mathrm{\ΔL}}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·(-1)$$\frac{\∂E}{\∂r_0}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{-10(2+\mathrm{\α})}{\ln 10}\·\frac{1}{r_0}]$$\frac{\∂E}{\∂r}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{-10(1+\mathrm{\α})}{\ln 10}\·r]$S3.4:分别对ΔL、r₀、r赋初值；S3.5:求出每一步迭代时各权值的增量ΔΔL、Δr₀、Δr，如下：$\mathrm{\Δ\ΔL}=-\mathrm{\η}\·\frac{\∂E}{\∂\mathrm{\ΔL}}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]$$\mathrm{\Δ}{r}_0=-\mathrm{\η}\·\frac{\∂E}{\∂r_0}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{10(2+\mathrm{\α})}{\ln 10}\·\frac{1}{r_0}]$$\mathrm{\Δ}r=-\mathrm{\η}\·\frac{\∂E}{\∂r}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{10(1+\mathrm{\α})}{\ln 10}\·r]$其中，η为决定梯度下降搜索中的步长的学习速率；S3.6:根据梯度下降的训练法则，更新各权值：ΔL←ΔL+ΔΔLr₀←r₀+Δr₀r←r+ΔrS3.7:重复步骤S3.5‑S3.6，直到ΔL、r₀、r收敛或其变化达到误差允许范围；S3.8:将步骤S3.7得到的权值ΔL、r₀、r替换步骤S3.1中的线声源模型中相应的参数，得到最终的城市道路交通噪声预测模型；步骤四：利用步骤三所得的最终城市道路交通噪声预测模型进行多次预测并与实测值比较，然后进行修正，得到满足精度要求的实际预测模型；步骤五：将步骤二得到的预测样例集合D^*输入到步骤四得到的实际预测模型，即可得到相应监测点覆盖范围内各处的噪声值；步骤六：综合各个监测点测量及预测到的其覆盖范围内的各处的噪声值，即可得到某城市某道路的完整噪声值数据。