基于人工神经网络的道路交通噪声预测模型
Óscar Acosta1,2, Carlos Montenegro1, Rubén González Crespo2
1Universidad Distrital Francisco José de Caldas, Carrera 7 40b 53, Bogotá, 111711, Cundinamarca, Colombia.
Heliyon
|September 12, 2024
概括
这项研究引入了一种机器学习模型,用于预测哥伦比亚波哥大的道路交通噪音. 与传统的统计模型相比,多层感知子回归器显示出更高的准确性.
科学领域:
- 环境科学 环境科学
- 城市规划 城市规划
- 数据科学数据科学数据科学
背景情况:
- 道路交通噪音是一个重要的城市环境问题.
- 准确的预测模型对于降噪策略至关重要.
研究的目的:
- 开发和评估用于预测哥伦比亚波哥大道路交通噪音的机器学习模型.
- 为了比较多层感知器 (MLP) 回归器与传统统计模型的性能.
主要方法:
- 通过现场测量活动收集的音频和视频数据.
- 使用的车辆容量,速度,流量类型和车道计数作为输入变量.
- 训练并比较了五个机器学习模型,通过网格搜索优化超参数.
主要成果:
- 多层感知器 (MLP) 回归器实现了最佳性能.
- 在试验数据上,MLP回归器显示了0.86dBA的平均绝对误差 (MAE).
- 在错误和合适指标方面,MLP回归器表现优于经典统计模型.
结论:
- 拟议的MLP回归器是道路交通噪声预测的有效工具.
- 机器学习模型比城市噪音评估的传统方法提供了更高的准确性.
