使用GIS和整体机器学习的交通噪音预测模型:马来西亚理工大学 (UTM) 校园的一个案例研究

科学领域:

• 环境科学 环境科学
• 地理信息系统 地理信息系统
• 机器学习 机器学习

背景情况:

• 噪音污染是大学校园日益关注的问题,影响学习环境.
• 准确预测噪声水平对于有效的环境管理和城市规划至关重要.

研究的目的:

• 率先整合GIS和整体机器学习来预测校园噪音水平.
• 开发和比较随机森林 (RF),梯度增强 (GB) 和极端梯度增强 (XGB) 模型的噪声预测性能.
• 创建噪音地图并确定马来西亚理工大学 (UTM) 校园内的噪音的主要预测因素.

主要方法:

• 在UTM校园的高峰时段收集了四周的噪音数据.
• 从数字海拔模型 (DEM) 和土地使用数据中集成的预测变量.
• 使用超参数调开发和优化了三种整体机器学习模型 (RF,GB,XGB).
• 使用反向距离权重 (IDW) 插值生成噪声地图,并根据世卫组织标准对其进行分类.

主要成果:

• 与RF和GB模型相比,XGB模型显示出更高的精度 (R2=0.96,MAE=0.9,MSE=0.3).
• 距离道路的距离,轻型车辆数量和接近绿地被确定为重要的噪音预测因素.
• 生成的噪音地图以视觉形式表示了校园内的噪音水平的空间分布.

结论:

• 集体机器学习,特别是XGB,对于预测校园噪音水平非常有效.
• 地理信息系统的整合为了解和管理噪音污染提供了宝贵的空间洞察力.
• 该研究为UTM校园的噪音控制提供了可行的建议,包括意识,监管,土地使用调整和绿色基础设施.