集成多源数据用于航空噪声预测:混合CNN-BiLSTM注意力模型方法
Yinxiang Fu1, Shiman Sun2,3, Jie Liu1
1Chongqing Airport Group Co., Ltd., Chongqing 401120, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一个新的CNN-BiLSTM-Attention模型,用于准确预测飞机噪音,克服传统方法的局限性. 混合模型有效地整合了各种数据,改善了航空噪音管理.
科学领域:
- 环境科学
- 航空航天工程
- 数据科学
背景情况:
- 飞机噪音污染是越来越严重的环境问题,阻碍了航空业的可持续性.
- 现有的噪声预测模型面临着不完整的数据,时空不一致以及气象变化.
- 由于传统预测方法的局限性,精确的航空噪音管理具有挑战性.
研究的目的:
- 开发一种新的,高精度的飞机噪音预测框架.
- 解决数据短缺问题,提高噪声建模的时空一致性.
- 通过先进的预测能力增强航空噪音管理策略.
主要方法:
- 提出了一个混合卷积神经网络-双向长期短期记忆-注意力 (CNN-BiLSTM-注意力) 模型.
- 综合多源数据:气象参数和飞机轨迹信息.
- 使用Haversine公式和反向距离权重 (IDW) 进行数据归算和时空对齐.
主要成果:
- 通过CNN-BiLSTM-Attention模型实现了高精度的噪声预测,平均绝对误差为0.89%.
- 在91.4%的预测回合中,预测误差仍低于2%,显示出强大的准确性.
- 废除研究证实了完整的混合模型优于单结构方法,注意力机制显著提高了性能.
结论:
- 拟议的CNN-BiLSTM-Attention框架为航空噪音预测提供了可靠和准确的解决方案.
- 该模型有效地捕捉复杂的时空噪声特征,即使在数据稀缺的条件下.
- 这项研究为改善航空噪音管理提供了科学基础,并解决了当前预测方法的关键局限性.
