CN116453541A - 一种声源强度预测方法、装置、电子设备及存储介质 - Google Patents
一种声源强度预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116453541A CN116453541A CN202310715727.7A CN202310715727A CN116453541A CN 116453541 A CN116453541 A CN 116453541A CN 202310715727 A CN202310715727 A CN 202310715727A CN 116453541 A CN116453541 A CN 116453541A
- Authority
- CN
- China
- Prior art keywords
- speed
- source
- road section
- data
- noise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 100
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 18
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/12—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being prediction coefficients
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Traffic Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种声源强度预测方法、装置、电子设备及存储介质,本发明利用源路段以及源路段起终点的邻接路段的路段速度数据作为循环神经网络的输入、噪声监测数据作为输出,以此训练循环神经网络,并利用训练好的循环神经网络预测源路段的下一个时间间隔的道路交通噪声声源强度,推广应用到其他路段的道路交通噪声声源强度的预测。本发明利用神经网络对城市交通噪声进行预测,并具体应用循环神经网络,能够充分利用交通网络的时间序列信息,具有很好的时序建模能力,提高交通噪声预测的准确性和效率;并且可广泛应用于交通噪声监测和预测技术领域,可将预测的道路交通噪声声源强度应用于噪声地图的绘制,可广泛应用于音频处理技术领域。
Description
技术领域
本发明涉及音频处理技术领域,尤其是一种声源强度预测方法、装置、电子设备及存储介质。
背景技术
交通噪声声源强度是指城市道路中交通工具排放的噪声强度,在实际工程中,道路交通噪声监测点的监测值就是对应路段的声源强度。预测交通噪声声源强度能在预防交通噪声污染起到重要作用,提前预知交通噪声的污染程度,可以提前采取措施防治交通噪声的污染。同时也可将声源强度预测数据应用于噪声地图的绘制中,以此预测城市噪声整体污染程度。
传统的交通噪声预测方法主要是基于统计学模型,但是这些方法的精度和效果都有限。
发明内容
有鉴于此,本发明实施例提供一种声源强度预测方法、装置、电子设备及存储介质,能够高效准确进行声源强度预测。
一方面,本发明的实施例提供了一种声源强度预测方法,包括:
获取路网数据、路段速度数据和噪声监测数据;其中,噪声监测数据从预设的噪声监测点位获得;
基于预设更新频率,对路段速度数据和噪声监测数据进行预处理;
根据路网数据中各个待监测路段与噪声监测点位的空间关系,确定源路段和非源路段;其中,源路段表征与噪声监测点位的距离小于预设距离的待监测路段;
对预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征;其中,速度特征包括源路段关联速度特征和非源路段关联速度特征;源路段关联速度特征包括源路段的第一速度特征、与源路段的起点连接的非源路段的第二速度特征以及与源路段的终点连接的非源路段的第三速度特征;
设置循环神经网络,利用源路段关联速度特征和噪声特征对循环神经网络进行预测训练,并基于训练结果,对循环神经网络进行调整,获得声源强度预测模型;
基于声源强度预测模型进行源路段的声源强度预测;并根据非源路段关联速度特征,对声源强度预测模型进行迁移应用,完成非源路段的声源强度预测。
可选地,基于预设更新频率,对路段速度数据和噪声监测数据进行预处理,包括:
基于预设更新频率确定采样时间段;
将路段速度数据重采样至每个待监测路段的数据间隔采样时间段为一条数据;
将噪声监测数据重采样至每个噪声监测点位的数据间隔采样时间段为一条数据。
可选地,对预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征,包括:
将预处理后各个待监测路段的路段速度数据划分成预设期限的速度序列,获得速度特征;并基于源路段以及与源路段的起点和终点连接的非源路段的路段速度数据,确定源路段关联速度特征;其中,速度序列包括基于路段速度数据重采样后各采样时间段的若干条数据;
将预处理后的噪声监测数据划分成预设期限的噪声序列,获得噪声特征;其中,噪声特征包括基于噪声监测数据重采样后各采样时间段的若干条数据。
可选地,基于源路段以及与源路段的起点和终点连接的非源路段的路段速度数据,确定源路段关联速度特征,包括:
将预处理后源路段的路段速度数据划分成预设期限的速度序列,获得第一速度特征;
对源路段的起点连接的各非源路段的路段速度数据进行平均处理,并划分成预设期限的速度序列,获得第二速度特征;
对源路段的终点连接的各非源路段的路段速度数据进行平均处理,并划分成预设期限的速度序列,获得第三速度特征;
根据第一速度特征、第二速度特征和第三速度特征,得到源路段关联速度特征。
可选地,设置循环神经网络,包括:
通过输入层、隐藏层和输出层,构建循环神经网络;并设置输入层、隐藏层和输出层的神经元数量;
其中,隐藏层设有激活函数。
可选地,利用源路段关联速度特征和噪声特征对循环神经网络进行预测训练,包括:
根据源路段关联速度特征和噪声特征,确定训练集和验证集;其中训练集包括输入训练集和输出训练集;输入训练集基于源路段关联速度特征获得,输出训练集基于噪声特征获得;
根据输入训练集和输出训练集,结合预设训练参数对循环神经网络进行预测训练;
其中,预设训练参数包括训练数据批次、学习率、损失函数和优化器算法。
可选地,方法还包括:
利用验证集对声源强度预测模型进行预测验证,确定预测误差;
根据预测误差对声源强度预测模型进行二次调整。
另一方面,本发明的实施例提供了一种声源强度预测装置,包括:
第一模块,用于获取路网数据、路段速度数据和噪声监测数据;其中,噪声监测数据从预设的噪声监测点位获得;
第二模块,用于基于预设更新频率,对路段速度数据和噪声监测数据进行预处理;
第三模块,用于根据路网数据中各个待监测路段与噪声监测点位的空间关系,确定源路段和非源路段;其中,源路段表征与噪声监测点位的距离小于预设距离的待监测路段;
第四模块,用于对预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征;其中,速度特征包括源路段关联速度特征和非源路段关联速度特征;源路段关联速度特征包括源路段的第一速度特征、与源路段的起点连接的非源路段的第二速度特征以及与源路段的终点连接的非源路段的第三速度特征;
第五模块,用于设置循环神经网络,利用源路段关联速度特征和噪声特征对循环神经网络进行预测训练,并基于训练结果,对循环神经网络进行调整,获得声源强度预测模型;
第六模块,用于基于声源强度预测模型进行源路段的声源强度预测;并根据非源路段关联速度特征,对声源强度预测模型进行迁移应用,完成非源路段的声源强度预测。
可选地,***还包括:第七模块,用于利用验证集对声源强度预测模型进行预测验证,确定预测误差;根据预测误差对声源强度预测模型进行二次调整。
另一方面,本发明的实施例提供了一种电子设备,包括处理器以及存储器;
存储器用于存储程序;
处理器执行程序实现如前面的方法。
另一方面,本发明的实施例提供了一种计算机可读存储介质,存储介质存储有程序,程序被处理器执行实现如前面的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明实施例首先获取路网数据、路段速度数据和噪声监测数据;其中,噪声监测数据从预设的噪声监测点位获得;基于预设更新频率,对路段速度数据和噪声监测数据进行预处理;根据路网数据中各个待监测路段与噪声监测点位的空间关系,确定源路段和非源路段;其中,源路段表征与噪声监测点位的距离小于预设距离的待监测路段;对预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征;其中,速度特征包括源路段关联速度特征和非源路段关联速度特征;源路段关联速度特征包括源路段的第一速度特征、与源路段的起点连接的非源路段的第二速度特征以及与源路段的终点连接的非源路段的第三速度特征;设置循环神经网络,利用源路段关联速度特征和噪声特征对循环神经网络进行预测训练,并基于训练结果,对循环神经网络进行调整,获得声源强度预测模型;基于声源强度预测模型进行源路段的声源强度预测;并根据非源路段关联速度特征,对声源强度预测模型进行迁移应用,完成非源路段的声源强度预测。本发明实施例通过对交通网络的相关数据处理,得到带有时间序列的特征信息,进而利用循环神经网络训练得到的预测模型能够充分利用交通网络的时间序列信息,具有很好的时序建模能力,并且能够提高交通噪声预测的准确性和效率;同时,通过对源路段迁移应用到非源路段的声源强度预测,能够节约噪声监测点位的布置成本,并实现局部数据推广到整体交通网络的声源强度预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种声源强度预测方法的流程示意图;
图2为本发明实施例提供的路网数据和噪声监测点位数据的地理要素的示意图;
图3为本发明实施例提供的循环神经网络的架构流程示意图;
图4为本发明实施例提供的预测训练时的均方误差下降的示意图;
图5为本发明实施例提供的交通噪声声源强度示例的示意图;
图6为本发明实施例提供的声源强度预测方法的整体流程示意图;
图7为本发明实施例提供的一种声源强度预测装置的结构示意图;
图8为本发明实施例提供的一种电子设备的框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一方面,如图1所示,本发明的实施例提供了一种声源强度预测方法,包括:
S100、获取路网数据、路段速度数据和噪声监测数据;
需要说明的是,噪声监测数据从预设的噪声监测点位获得;
一些具体实施例中,路网数据采用shapefile文件格式进行存储,路网数据由路段组成,即路网数据中的每一个记录表示一个路段,路网数据的字段包括路段id、路段长度、路段的空间属性等。路网数据中的路段使用矢量格式的线要素表示,其空间属性包含按照线要素方向顺序排列的线要素节点的坐标序列。图2为本发明实施例路网数据和噪声监测点位数据的地理要素显示,表1为本实施例的部分路网数据示例表(已进行脱敏处理)。
表1
在本实施例中,路段速度数据采用csv文件格式进行存储,路段速度数据是一种时间序列数据,其字段包括路段id、时间、路段速度值等。路段速度数据的路段id与路网数据的路段id一一对应。表2为本实施例的部分路段速度数据示例表(已进行脱敏处理)。
表2
在本实施例中,噪声监测点位的数据采用shapefile文件格式进行存储,噪声监测点位数据中每一个记录表示一个噪声监测点位,其字段包括点位id、点位名称、点位的空间属性等。噪声监测点位数据中的噪声监测点位使用矢量格式的点要素表示,其空间属性包含点的坐标信息。图2为本实施例路网数据和噪声监测点位数据的地理要素显示,表3为本实施例的部分噪声监测点位数据示例表(已进行脱敏处理)。
表3
在本实施例中,噪声监测数据采用csv文件格式进行存储,噪声监测数据是一种时间序列数据,其字段包括记录id、点位id、时间、等效声级等。噪声监测数据的点位id与噪声监测点位数据的点位id一一对应。
S200、基于预设更新频率,对路段速度数据和噪声监测数据进行预处理;
需要说明的是,一些实施例中,步骤S200可以包括:基于预设更新频率,对路段速度数据和噪声监测数据进行预处理,包括:基于预设更新频率确定采样时间段;将路段速度数据重采样至每个待监测路段的数据间隔采样时间段为一条数据;将噪声监测数据重采样至每个噪声监测点位的数据间隔采样时间段为一条数据。
一些具体实施例中,根据道路交通噪声声源强度更新频率预处理路段速度数据和噪声监测数据,可以通过如下步骤实现:将路段速度数据重采样至每段路每小时一条数据;将噪声监测数据重采样至每个噪声监测点每小时一条数据。在本发明实施例中,道路交通噪声声源强度更新频率可以设置为每小时更新一次,即;设置循环神经网络时间窗口长度为24小时,即/>。
S300、根据路网数据中各个待监测路段与噪声监测点位的空间关系,确定源路段和非源路段;
需要说明的是,源路段表征与噪声监测点位的距离小于预设距离的待监测路段;
一些具体实施例中,根据空间关系,获取距离噪声监测点位最近的路段,这些路段称为源路段,其余路段称为非源路段。在本发明实施例中,可以通过计算噪声监测点位与所有目标路段(待检测路段)的距离,选取出距离值最小对应的路段,这些路段称为源路段,源路段共18条,其余路段称为非源路段,非源路段共16790条。
S400、对预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征;
需要说明的是,速度特征包括源路段关联速度特征和非源路段关联速度特征;源路段关联速度特征包括源路段的第一速度特征、与源路段的起点连接的非源路段的第二速度特征以及与源路段的终点连接的非源路段的第三速度特征;
一些实施例中,步骤S400可以包括:将预处理后各个待监测路段的路段速度数据划分成预设期限的速度序列,获得速度特征;并基于源路段以及与源路段的起点和终点连接的非源路段的路段速度数据,确定源路段关联速度特征;其中,速度序列包括基于路段速度数据重采样后各采样时间段的若干条数据;将预处理后的噪声监测数据划分成预设期限的噪声序列,获得噪声特征;其中,噪声特征包括基于噪声监测数据重采样后各采样时间段的若干条数据。
其中,一些实施例中,基于源路段以及与源路段的起点和终点连接的非源路段的路段速度数据,确定源路段关联速度特征,可以包括:将预处理后源路段的路段速度数据划分成预设期限的速度序列,获得第一速度特征;对源路段的起点连接的各非源路段的路段速度数据进行平均处理,并划分成预设期限的速度序列,获得第二速度特征;对源路段的终点连接的各非源路段的路段速度数据进行平均处理,并划分成预设期限的速度序列,获得第三速度特征;根据第一速度特征、第二速度特征和第三速度特征,得到源路段关联速度特征。
一些具体实施例中,提取影响道路交通噪声的因素特征(速度特征和噪声特征),可以包括如下步骤:将噪声监测数据处理成24个小时的时间长度的噪声序列,每个序列包含24条数据,称为噪声特征;使用可重叠、连续划分的方式将源路段速度数据划分成时间长度为24个小时的速度序列,每个序列包含24条数据,获得源路段速度序列集合,称为源路段速度特征(即第一速度特征);获取与源路段起点或终点直接连接的非源路段集合,称为该源路段的起点邻接路段或终点邻接路段,对起点邻接路段集合和终点邻接路段集合的相同时间内的速度数据进行平均处理,并使用可重叠、连续划分的方式划分成时间长度为24个小时的速度序列,每个序列24条数据,称为源路段的起点邻接路段速度特征和终点邻接路段速度特征。如图3所示,设i为整数,且0≤i≤24,为第i个小时的源路段的速度,向量则为源路段的速度特征;/>为第i个小时的源路段的起点邻接路段的平均速度,向量则为源路段的起点邻接路段速度特征;/>为第i个小时的源路段的终点邻接路段的平均速度,向量/>则为源路段的终点邻接路段速度特征;/>为第i个小时的源路段所在噪声监测点的监测噪声值,向量/>则为噪声特征。/>为需要预测的值,即下一个小时的道路交通噪声声源强度。
S500、设置循环神经网络,利用源路段关联速度特征和噪声特征对循环神经网络进行预测训练,并基于训练结果,对循环神经网络进行调整,获得声源强度预测模型;
需要说明的是,一些实施例中,设置循环神经网络,可以包括:通过输入层、隐藏层和输出层,构建循环神经网络;并设置输入层、隐藏层和输出层的神经元数量;其中,隐藏层设有激活函数。
一些实施例中,利用源路段关联速度特征和噪声特征对循环神经网络进行预测训练,可以包括:根据源路段关联速度特征和噪声特征,确定训练集和验证集;其中训练集包括输入训练集和输出训练集;输入训练集基于源路段关联速度特征获得,输出训练集基于噪声特征获得;根据输入训练集和输出训练集,结合预设训练参数对循环神经网络进行预测训练;其中,预设训练参数包括训练数据批次、学习率、损失函数和优化器算法。
一些具体实施例中,如图3所示,设置循环神经网络包含3层,第一层为输入层,神经元数量为3个,第二层为隐藏层,神经元数量为8个,第三层为输出层,神经元数量为1个;设置每层神经元之间的连接方式为全连接;设置隐藏层的激活函数为ReLU激活函数,其余层无激活函数;设置训练数据的批次为10批次,每批次的训练数据量为6744条数据;设置学习率为0.01;设置损失函数为均方误差(Mean Square Error);设置优化器算法类型为Adam算法(Adaptive Moment Estimation)。
其中,一些实施例中,方法还可以包括如下步骤:利用验证集对声源强度预测模型进行预测验证,确定预测误差;根据预测误差对声源强度预测模型进行二次调整。
一些具体实施例中,可以将源路段速度特征、源路段的起点邻接路段速度特征和终点邻接路段速度特征作为训练集的输入,将噪声特征作为训练集的输出,训练循环神经网络,所有源路段共用一个循环神经网络。共训练10批次,每批次的训练数据量为6744条数据。训练时的均方误差下降图如图4所示。
并且,一些具体实施例中,可以将源路段和该源路段的起终点邻接路段的历史时刻24个小时的时间长度的连续速度序列作为模型输入,预测源路段下一时段的道路交通噪声声源强度,并利用未投入训练的噪声监测数据(即验证集)验证所预测的交通噪声声源强度,得到源路段的预测道路交通噪声声源强度的均方误差为11.37dB(A)。
S600、基于声源强度预测模型进行源路段的声源强度预测;并根据非源路段关联速度特征,对声源强度预测模型进行迁移应用,完成非源路段的声源强度预测;
一些具体实施例中,可以将非源路段和该非源路段的起终点邻接路段的历史时刻24个小时的时间长度的连续速度序列作为模型输入,预测各非源路段下一时段的道路交通噪声声源强度。如图5所示,将2022年6月29日18时的预测结果绘制成图,用不同颜色代表不同道路的交通噪声声源强度。
具体地,为完整阐述本发明实施例的技术原理,下面结合部分具体实施例对上述整体流程步骤作进一步说明,应当理解,下述为本发明的解释,不能看作对本发明的限制。
如图6所示,本发明实施例提出的声源强度预测方法还可以通过如下步骤实现:
S1、获取路网数据、路段速度数据、噪声监测点位数据、噪声监测数据;
S2、设置道路交通噪声声源强度更新频率、循环神经网络时间窗口长度、循环神经网络的构建参数、循环神经网络的训练策略;
S3、根据道路交通噪声声源强度更新频率预处理路段速度数据和噪声监测数据;
S4、根据空间关系,获取距离噪声监测点位最近的路段,这些路段称为源路段,其余路段称为非源路段;
S5、提取影响道路交通噪声的因素特征;
S6、构建路段的循环神经网络;
S7、利用影响道路交通噪声的因素特征和噪声监测数据训练循环神经网络;
S8、利用训练好的循环神经网络预测源路段下一个时间间隔的道路交通噪声声源强度;
S9、利用训练好的循环神经网络推广应用到非源路段,实现整个路网所有路段声源强度的预测。
综上所述,本发明利用源路段以及源路段起终点的邻接路段的路段速度数据作为循环神经网络的输入、噪声监测数据作为输出,以此训练循环神经网络,并利用训练好的循环神经网络预测源路段的下一个时间间隔的道路交通噪声声源强度,推广应用到其他路段的道路交通噪声声源强度的预测。本发明实施例利用神经网络对城市交通噪声进行预测实现声源强度预测的一种新的解决方案,并具体应用循环神经网络,能够充分利用交通网络的时间序列信息,具有很好的时序建模能力,提高交通噪声预测的准确性和效率;并且可广泛应用于交通噪声监测和预测技术领域,可将预测的道路交通噪声声源强度应用于噪声地图的绘制。
另一方面,如图7所示,本发明的实施例提供了一种声源强度预测装置700,包括:第一模块710,用于获取路网数据、路段速度数据和噪声监测数据;其中,噪声监测数据从预设的噪声监测点位获得;第二模块720,用于基于预设更新频率,对路段速度数据和噪声监测数据进行预处理;第三模块730,用于根据路网数据中各个待监测路段与噪声监测点位的空间关系,确定源路段和非源路段;其中,源路段表征与噪声监测点位的距离小于预设距离的待监测路段;第四模块740,用于对预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征;其中,速度特征包括源路段关联速度特征和非源路段关联速度特征;源路段关联速度特征包括源路段的第一速度特征、与源路段的起点连接的非源路段的第二速度特征以及与源路段的终点连接的非源路段的第三速度特征;第五模块750,用于设置循环神经网络,利用源路段关联速度特征和噪声特征对循环神经网络进行预测训练,并基于训练结果,对循环神经网络进行调整,获得声源强度预测模型;第六模块760,用于基于声源强度预测模型进行源路段的声源强度预测;并根据非源路段关联速度特征,对声源强度预测模型进行迁移应用,完成非源路段的声源强度预测。
需要说明的是,一些实施例中,***还可以包括:第七模块,用于利用验证集对声源强度预测模型进行预测验证,确定预测误差;根据预测误差对声源强度预测模型进行二次调整。
本发明方法实施例的内容均适用于本装置实施例,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
如图8所示,本发明实施例的另一方面还提供了一种电子设备800,包括处理器810以及存储器820;
存储器820用于存储程序;
处理器810执行程序实现如前面的方法。
本发明方法实施例的内容均适用于本电子设备实施例,本电子设备实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例的另一方面还提供了一种计算机可读存储介质,存储介质存储有程序,程序被处理器执行实现如前面的方法。
本发明方法实施例的内容均适用于本计算机可读存储介质实施例,本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用,或结合这些指令执行装置、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种声源强度预测方法,其特征在于,包括:
获取路网数据、路段速度数据和噪声监测数据;其中,所述噪声监测数据从预设的噪声监测点位获得;
基于预设更新频率,对所述路段速度数据和所述噪声监测数据进行预处理;
根据所述路网数据中各个待监测路段与所述噪声监测点位的空间关系,确定源路段和非源路段;其中,所述源路段表征与所述噪声监测点位的距离小于预设距离的待监测路段;
对所述预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征;其中,所述速度特征包括源路段关联速度特征和非源路段关联速度特征;所述源路段关联速度特征包括所述源路段的第一速度特征、与所述源路段的起点连接的非源路段的第二速度特征以及与所述源路段的终点连接的非源路段的第三速度特征;
设置循环神经网络,利用所述源路段关联速度特征和所述噪声特征对所述循环神经网络进行预测训练,并基于训练结果,对所述循环神经网络进行调整,获得声源强度预测模型;
基于所述声源强度预测模型进行所述源路段的声源强度预测;并根据所述非源路段关联速度特征,对所述声源强度预测模型进行迁移应用,完成所述非源路段的声源强度预测。
2.根据权利要求1所述的一种声源强度预测方法,其特征在于,所述基于预设更新频率,对所述路段速度数据和所述噪声监测数据进行预处理,包括:
基于预设更新频率确定采样时间段;
将所述路段速度数据重采样至每个所述待监测路段的数据间隔所述采样时间段为一条数据;
将所述噪声监测数据重采样至每个所述噪声监测点位的数据间隔所述采样时间段为一条数据。
3.根据权利要求2所述的一种声源强度预测方法,其特征在于,所述对所述预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征,包括:
将所述预处理后各个所述待监测路段的路段速度数据划分成预设期限的速度序列,获得速度特征;并基于所述源路段以及与所述源路段的起点和终点连接的非源路段的路段速度数据,确定所述源路段关联速度特征;其中,所述速度序列包括基于所述路段速度数据重采样后各所述采样时间段的若干条数据;
将所述预处理后的噪声监测数据划分成所述预设期限的噪声序列,获得噪声特征;其中,所述噪声特征包括基于所述噪声监测数据重采样后各所述采样时间段的若干条数据。
4.根据权利要求3所述的一种声源强度预测方法,其特征在于,所述基于所述源路段以及与所述源路段的起点和终点连接的非源路段的路段速度数据,确定所述源路段关联速度特征,包括:
将所述预处理后源路段的路段速度数据划分成预设期限的速度序列,获得所述第一速度特征;
对所述源路段的起点连接的各非源路段的路段速度数据进行平均处理,并划分成预设期限的速度序列,获得所述第二速度特征;
对所述源路段的终点连接的各非源路段的路段速度数据进行平均处理,并划分成预设期限的速度序列,获得所述第三速度特征;
根据所述第一速度特征、所述第二速度特征和所述第三速度特征,得到所述源路段关联速度特征。
5.根据权利要求1所述的一种声源强度预测方法,其特征在于,所述设置循环神经网络,包括:
通过输入层、隐藏层和输出层,构建循环神经网络;并设置所述输入层、所述隐藏层和所述输出层的神经元数量;
其中,所述隐藏层设有激活函数。
6.根据权利要求1所述的一种声源强度预测方法,其特征在于,所述利用所述源路段关联速度特征和所述噪声特征对所述循环神经网络进行预测训练,包括:
根据所述源路段关联速度特征和所述噪声特征,确定训练集和验证集;其中所述训练集包括输入训练集和输出训练集;所述输入训练集基于所述源路段关联速度特征获得,所述输出训练集基于所述噪声特征获得;
根据所述输入训练集和所述输出训练集,结合预设训练参数对所述循环神经网络进行预测训练;
其中,所述预设训练参数包括训练数据批次、学习率、损失函数和优化器算法。
7.根据权利要求6所述的一种声源强度预测方法,其特征在于,所述方法还包括:
利用所述验证集对所述声源强度预测模型进行预测验证,确定预测误差;
根据所述预测误差对所述声源强度预测模型进行二次调整。
8.一种声源强度预测装置,其特征在于,包括:
第一模块,用于获取路网数据、路段速度数据和噪声监测数据;其中,所述噪声监测数据从预设的噪声监测点位获得;
第二模块,用于基于预设更新频率,对所述路段速度数据和所述噪声监测数据进行预处理;
第三模块,用于根据所述路网数据中各个待监测路段与所述噪声监测点位的空间关系,确定源路段和非源路段;其中,所述源路段表征与所述噪声监测点位的距离小于预设距离的待监测路段;
第四模块,用于对所述预处理后的路段速度数据和噪声监测数据,通过时间维度的序列化处理,对应得到速度特征和噪声特征;其中,所述速度特征包括源路段关联速度特征和非源路段关联速度特征;所述源路段关联速度特征包括所述源路段的第一速度特征、与所述源路段的起点连接的非源路段的第二速度特征以及与所述源路段的终点连接的非源路段的第三速度特征;
第五模块,用于设置循环神经网络,利用所述源路段关联速度特征和所述噪声特征对所述循环神经网络进行预测训练,并基于训练结果,对所述循环神经网络进行调整,获得声源强度预测模型;
第六模块,用于基于所述声源强度预测模型进行所述源路段的声源强度预测;并根据所述非源路段关联速度特征,对所述声源强度预测模型进行迁移应用,完成所述非源路段的声源强度预测。
9.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715727.7A CN116453541B (zh) | 2023-06-16 | 2023-06-16 | 一种声源强度预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715727.7A CN116453541B (zh) | 2023-06-16 | 2023-06-16 | 一种声源强度预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116453541A true CN116453541A (zh) | 2023-07-18 |
CN116453541B CN116453541B (zh) | 2023-09-19 |
Family
ID=87127704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310715727.7A Active CN116453541B (zh) | 2023-06-16 | 2023-06-16 | 一种声源强度预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116453541B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117497004A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市九天睿芯科技有限公司 | 基于神经网络的噪声等级监测装置、监测方法及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331609A (zh) * | 2014-10-21 | 2015-02-04 | 中山大学 | 一种基于噪声监测数据的道路交通噪声地图更新方法 |
CN105788295A (zh) * | 2014-12-26 | 2016-07-20 | ***通信集团公司 | 一种交通流量的检测方法及装置 |
CN106652446A (zh) * | 2016-11-30 | 2017-05-10 | 中山大学 | 一种基于离线‑在线模式的道路交通噪声动态模拟方法 |
CN106777837A (zh) * | 2017-02-20 | 2017-05-31 | 中国环境监测总站 | 一种城市道路噪声源强预测方法及装置 |
CN110530504A (zh) * | 2018-05-23 | 2019-12-03 | 李燕 | 一种撒网式的城市噪音监测方法 |
CN110674996A (zh) * | 2019-09-27 | 2020-01-10 | 河南大学 | 一种城市交通噪声预测方法 |
CN112463898A (zh) * | 2020-10-21 | 2021-03-09 | 中山大学 | 一种结合速度与噪声监测数据的噪声地图更新方法 |
CN115050356A (zh) * | 2022-06-07 | 2022-09-13 | 中山大学 | 一种噪声识别方法、装置以及计算机可读存储介质 |
CN115116232A (zh) * | 2022-08-29 | 2022-09-27 | 深圳市微纳感知计算技术有限公司 | 汽车鸣笛的声纹比较方法、装置、设备及存储介质 |
-
2023
- 2023-06-16 CN CN202310715727.7A patent/CN116453541B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331609A (zh) * | 2014-10-21 | 2015-02-04 | 中山大学 | 一种基于噪声监测数据的道路交通噪声地图更新方法 |
CN105788295A (zh) * | 2014-12-26 | 2016-07-20 | ***通信集团公司 | 一种交通流量的检测方法及装置 |
CN106652446A (zh) * | 2016-11-30 | 2017-05-10 | 中山大学 | 一种基于离线‑在线模式的道路交通噪声动态模拟方法 |
CN106777837A (zh) * | 2017-02-20 | 2017-05-31 | 中国环境监测总站 | 一种城市道路噪声源强预测方法及装置 |
CN110530504A (zh) * | 2018-05-23 | 2019-12-03 | 李燕 | 一种撒网式的城市噪音监测方法 |
CN110674996A (zh) * | 2019-09-27 | 2020-01-10 | 河南大学 | 一种城市交通噪声预测方法 |
CN112463898A (zh) * | 2020-10-21 | 2021-03-09 | 中山大学 | 一种结合速度与噪声监测数据的噪声地图更新方法 |
CN115050356A (zh) * | 2022-06-07 | 2022-09-13 | 中山大学 | 一种噪声识别方法、装置以及计算机可读存储介质 |
CN115116232A (zh) * | 2022-08-29 | 2022-09-27 | 深圳市微纳感知计算技术有限公司 | 汽车鸣笛的声纹比较方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘玟;: "基于BP神经网络模型的道路交通噪声预测", 试验技术与试验机, no. 02 * |
袁玲: "交通噪声预测的神经网络模型", 长安大学学报(自然科学版), no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117497004A (zh) * | 2024-01-03 | 2024-02-02 | 深圳市九天睿芯科技有限公司 | 基于神经网络的噪声等级监测装置、监测方法及电子设备 |
CN117497004B (zh) * | 2024-01-03 | 2024-04-26 | 深圳市九天睿芯科技有限公司 | 基于神经网络的噪声等级监测装置、监测方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116453541B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696355A (zh) | 动态图卷积交通速度预测方法 | |
CN112242060B (zh) | 交通流量预测方法及装置、计算机设备及可读存储介质 | |
CN116453541B (zh) | 一种声源强度预测方法、装置、电子设备及存储介质 | |
CN110646009A (zh) | 一种基于dqn的车辆自动驾驶路径规划的方法及装置 | |
CN112132264A (zh) | 基于时空残差感知网络的区域尾气排放预测方法及*** | |
CN111063194A (zh) | 一种交通流预测方法 | |
CN111310828B (zh) | 用于adas场景的目标检测模型微调方法及装置 | |
CN114357594B (zh) | 一种基于sca-gru的桥梁异常监测方法、***、设备及存储介质 | |
KR20200023697A (ko) | 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체 | |
CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
CN114333361B (zh) | 一种信号灯配时方法及装置 | |
CN107977748B (zh) | 一种多变量扭曲时间序列预测方法 | |
CN111860787A (zh) | 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置 | |
CN113762578A (zh) | 流量预测模型的训练方法、装置和电子设备 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及*** | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及*** | |
CN116931129A (zh) | 基于多模式集合的短期降水预报方法、装置、设备及介质 | |
Gamarra et al. | Deep learning for traffic prediction with an application to traffic lights optimization | |
CN113156961B (zh) | 驾驶控制模型训练方法、驾驶控制方法及相关装置 | |
CN112229412B (zh) | 一种车道定位方法、装置及存储介质和服务器 | |
CN112508080B (zh) | 基于经验回放的车辆型号识别方法、装置、设备及介质 | |
CN111738407B (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
JP2004355537A (ja) | 交通流データ予測装置及び方法 | |
CN111524354B (zh) | 基于语言模型的城市交通网络路径选择行为的预测方法、***、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |