人工神经网络在道路交通噪声预测中的应用
3现同时为浙江大学土木系博士生人工神经网络
在道路交通噪声预测中的应用
张继萍3
(浙江省环科院,杭州 310007) 吴硕贤
(浙江大学建筑系,杭州 310027)
摘要 人工神经网络具有很强的预测功能.根据某公路交通噪声的实测数据,应用人工神经网络进行道路交通噪声的预测,经检验,计算值与实测值接近,从而为道路交通噪声的预测提供了一种新的途径.关键词 神经网络;交通噪声预测;反向传播算法.
1 引 言
道路交通噪声预测是目前国际上较活跃的环境声学研究课题.它对环境污染控制、管理、
规划等方面均具有重要意义.迄今为止所提出的道路交通噪声预测方法,主要可归纳为两大
类.一类是根据噪声产生与传播的物理原理所提出的理论计算预测方法[1,2].由于实际交通流
和周边环境比较复杂,不一定符合理想的泊松流和自由声场或半自由声场条件,因此这类方法
通常导致较为复杂的表达式,而且与实际条件仍有一定差距.另一类是根据数学统计分析方法
所提出的预测方法[3,4],如应用回归分析得出的道路噪声预测公式.由于这类方法不需要物理
机制上的具体信息,可应用于非泊松型的任意交通流和任意复杂的周边环境条件.但通常这类
公式的应用有一定的局限性.显然,两类方法各有优缺点.还有一类方法,试图综合上述两类方
法的优点[5,6],但因其表达式很复杂,尚不便于在实践中应用.所以目前上述两类预测方法在
具体应用中各有其自身的价值.本文将应用新兴的人工神经网络来补充并发展后一类方法.近年来,人工神经网络(简称神经网络)的研究相当活跃,已在模式识别、最优化计算、信息
智能化处理、复杂控制和信号处理等方面得到广泛的应用[7].但在环境声学领域,包括道路交
通噪声预测,则尚未见到有应用的先例.本文根据某公路交通噪声的实测数据,建立了神经网
络预测道路交通噪声的模型.
2 人工神经网络
神经网络是一种模仿生物神经系统功能的近似方法,由一群人工神经元通过不同的连接
模式所构成.目前已发展出许多种神经网络[8].其中,以多层前传网最为成熟,应用也最为广
泛.多层前传网包括输入层、隐含层和输出层.隐含层可以是一层或多层.每层由若干个人工
神经元组成,各层顺序连接,见图1.
设第k层中第j个神经元的输入为y(k-1)i(i=1,2,…,Nk-1),输出为y(k)j.输出与输入的
关系为:第18卷第5期1998年9月环 境 科 学 学 报ACTASCIENTIAECIRCUMSTANTIAEVol.18,No.5Sept.,1998y(k)j=f(k)j[6Nk-1
i=1w(k-1)ijy(k-1)i+θ(k)j](1)
(j=1,2,…,Nk;k=1,2,…,M)
式中,w(k-1)ij为第k-1层中第i个神经元到第k层第j个神经元的连接权值;θ(k)j为对应神经
元的阈值;f(k)j(…)为神经元的传递函数;Nk为第k层神经元的数目;M为总层数.
图1 典型的人工神经网络Fig.1 Atypicalartificialneuralnetwork传递函数必须是准线性函数,连续可导,单调
递升,可取为下述形式的挤压函数(Sigmoidalfun2
tion):
f(x)=A/{1+exp[-(B・x+θ)]}(2)式中,x为神经元的输入,θ为其阈值,A、B分别
为幅值和斜率调节参数.网络应用梯度下降的原理,通过误差信号反向
传播算法(简称BP算法),对已知的输入、输出训
练对的数据信号,自动学习内部的权值Wij和阈值
θj的表达[9].
训练好的多层前传网,具有预测模型的功能.可将多层前传网看作一“黑箱”,将由实测获得的输
入与输出数据作为样本送入“黑箱”中让其学习.各输入变量对输出变量的影响在对样本的学
习过程中由“黑箱”自动记录下来.由于节点神经元传递函数是非线性的,因此“黑箱”也具有非
线性.整个学习过程就是预测模型的建立过程,只要节点数和训练样本数足够多,“黑箱”便能
实现对任意输入的输出预测.
3 道路交通噪声预测
按图1构造一个3层神经元前传网,输入列为具体道路各种类型车辆的车流量、车速和受
声点离开道路距离,输出列为受声点处的等效连续声级Leq.输入节点、隐含节点、输出节点数分别为15、13、1.
图2 测量断面示意图Fig.2 Sectionplanofthemeasurement网络训练学习样本和检验样本为
国道320干线杭州至上海段K217+
200处道路交通噪声实测数据.测量时,仪器采用4台国产红声HS6211型
环境噪声自动统计分析仪,在公路一
侧展开,在分别距路肩垂直距离20、
40、60、100m处各设一个测点,同步进行.测量断面如图2所示.测量共分17个时段,每段20min或10min,参照
《城市环境噪声测量方法》(GB32222
82)和《城市区域环境噪声测量方法》(GB/T14623293)中的有关交通噪声测量规范进行,同时记录各种类型车辆的车流量及其平均274环 境 科 学 学 报18卷车速.车辆分成小轿车、小型车、中型卡车、大型卡车、大客车、摩托车和拖拉机等7项.每次采
样结束后打印记录等效连续声级.由于车流量和车速随时间连续变化,按顺序将奇数次测量作
为网络学习样本,用以训练神经网络;将偶数次测量作为网络检验样本,用以检验前传神经网
络交通噪声预测模型.
图3 训练学习流程框图Fig.3 Flowdiagramofthetrainingandlearning应用BP算法训练上述构造的神经网络道
路交通噪声预测模型.相应的网络训练流程见图
3.具体步骤为:(1)应用随机函数将网络各层节点神经元的连接权和阈值初始化.(2)从训练集内选取一个训练对,包括一个输入列y(0)j(j=1,2,…,15)和一个目标输出列
d1.y(0)1、y(0)2…y(0)15依次表示实测时段内各车种
的车流量及其车速,以及测点离开道路的距离;
d1表示对应时段不同测点实测的等效连续声
级.(3)将选取的输入列作用于网络输入端,从左向右逐层按(1)式和(2)式进行计算,得到网络
计算的输出列y(3)1.y(3)1表示网络计算得出的等
效连续声级.
(4)计算偏差值S=12(d1-y(3)1)2.
(5)根据差值规则梯度下降原理,按下面计算式从右向左逐层对权连接和阈值进行修正(推
导略,可参考文献[10]):
D(1)=[f(3)1(…)]′・(d1-y(3)1)
D(2)=[f(2)j(…)]′・61
i=1D(1)w(3)ij
D(3)=[f(1)j(…)]′・613
i=1D(2)w(2)
ijno(3)
w(k)ij(t+1)=w(k)ij(t)+αy(k-1)jD(4-k)
θ(k)(t+1)=θ(k)(t)+αD(4-k)
(4)式中,α为控制训练速率系数,其它同式(1)和式
(2);当k=1时,i=1,2,…,15,当k=2时,i=1,2,…,13,当k=3时,i=1.(6)从训练集选取第2个训练对,重复以上(3)、(4)、(5)、(6)步骤,计算得到偏差值.(7)当训练集内所有训练对都使用过一次后,完成了一个训练周期,计算总偏差平方和:
S(1)=635
m=
1[(d1-y(3)1)2m/2]3745期张继萍等:人工神经网络在道路交通噪声预测中的应用(在用于训练的9个时段实测数据中,有35个点次的测量数据有效).(8)返回到以上第(2)步骤,进行下一个训练周期,得到下一轮训练周期的结果.如此重复循环,得到S(M),直到S(M)小于某个规定容许值.网络训练在DX486/66PC计算机上用16位C语言平台编程执行,α取011,经过约
107min完成72074个训练对循环,平均每秒约11次循环,最后收敛于01001dB(A)的均方误差值.网络输入层、中间层、输出层连接权值和阈值学习结果分别列于表1—表4.
表1 神经网络的输入列至输入层连接权Wij训练结果Table1 TrainingresultsoftheweightwijintheneuralnetworkfrominputlinetoinputlayerWij到达j:输入层输出节点(中间层输入节点)123456789101112131415
出发i：输入列（输入层输入节点
）1-0.908-0.363+0.196-0.149+1.704-1.012+0.126+1.236+1.759+0.514-3.578-2.045-1.383-1.202+1.8522-1.463-0.251+0.286+0.291+1.124+3.334-1.788-1.931-3.674-2.117+1.726+2.616+3.379+3.783+3.2493-0.078+2.213+0.016+0.478+1.792-0.478-1.898+3.743-3.404-2.047+0.308+0.337-2.151-0.780+0.3294+1.768+0.501-0.534-0.625+2.400-0.737-1.087+2.498-1.442-2.104+0.917-2.825+0.257-1.581+0.2695-2.397-1.685+0.793+1.174+1.938-2.030+0.013+1.430-2.367-0.643+2.925+3.869-0.819-3.954-0.8326+0.376+0.432+0.513-0.425+0.302-2.995-0.667-0.065+0.537-0.062+1.576+2.105+2.255+1.981+2.0207+0.835+2.102+0.754-0.326+1.459-0.313-2.175+2.101-2.661-2.960-0.411-1.634-2.435-0.291-0.2188-4.774-3.263-0.880-0.515-1.134-3.059+1.223-0.017-1.407+2.578+0.453+3.119+1.399+1.294-3.4729-1.137-1.180+0.260-0.091+0.740+0.071-1.008-0.510-0.924+1.578+0.227-0.027+0.737+0.592-1.10410-0.928-1.374+0.465-0.217-0.895+0.738-0.077+2.149+0.963+0.686+0.030-1.079-0.909+1.109-0.88811-1.648-0.848-0.143+0.334-0.723-1.001+0.308+2.101+0.743+1.144-0.565-1.252+0.339+0.362-2.17212-2.723-1.954-0.405+0.077-0.949+0.107+3.157+0.937+0.147+2.337+2.452+1.043+0.295+0.287-2.36413-0.988-0.868+0.415+0.577-0.841+0.167+1.625+1.332+0.0012.477+1.048+1.152+0.133+0.333-1.54514-0.757-2.153-0.269+0.372-0.051+0.293+0.897+0.556+0.210+1.465+1.021+1.117+0.809-0.160-2.61015+5.099+2.946+0.398+0.135-0.161-0.656+0.210+2.575-0.770-0.938+0.742+1.612+0.808-0.318+0.145
GB
１５４ 安徽农学通报，Ａｎｈｕｉ Ａｇｒｉ．Ｓｃｉ．Ｂｕｌ１．２０１１，１７（０９） 地运输材料和构件，从而产生大量噪声。其噪声影响面 广、噪声强度高、持续时间长、位置多变。此外打桩机等具 有冲击性，常伴有强烈振动的施工机械设备产生的污染令 居民难以忍受。施工设备陈旧、安装不合理、缺少必要的 降噪措施，是产生建筑施工噪声的一个原因。除此之外， 运输建筑材料的车辆穿梭于＿丁地而形成的流动噪声源，都 是不可忽视的因素。 ４．２．２ 小区内环境噪声污染因素分析 （１）小区内的噪 声源主要是汽车（中小型）噪声，与道路上的汽车相比，住 宅小区里的汽车速度慢，相应的噪声值也该小，但是，小区 内人口密度大，拥有私家车的居民多，据调查汇城小区有 ２００多辆中、小型汽车，与此同时小区里路窄，楼与楼之间 的距离近，容易产生混响，噪声值增大，小区内的电动车有 ３００多辆，其警报器发出高分贝噪音对居民的影响严重。 由实测发现：汽车在启动，掉头，转弯和关门时的噪声最 大，据实地测得的最大值高达７８．５ ｄＢ，测量结果见表６。 表６汽车噪声测量结果（ｄＢ） 注：测点布置：楼４层，房间中央；风力：１—２级，实际测量值超 过了限制值。 （２）多层住宅楼内，住户间电视机、音响设备和卫生 问下水设备等生活噪声的相互干扰也相当普遍。 （３）居住小区内居民住户的家庭装修施工，电锯、敲 击声、切割机等产生的噪声，强度高、影响面广、作业时间 长，噪声扰民相当严重。 （４）居住小区内居民饲养宠物，宠物的狂叫也会对邻 近居民产生噪声影响。 （５）居民室内的生活噪声也不易被忽视，随着每个家 庭电器的不断增多，家庭中的电视机、风扇、电脑、洗衣机、 微波炉、电冰箱等家用电器产生的噪声污染也随之严重。 据测定，电视机、家庭影院、组合音响等所产生的噪声高达 ６０～８０ｄＢ（Ａ）；洗衣机为４０—７０ｄＢ（Ａ）；电冰箱为３４～ ５５ｄＢ（Ａ）Ｉｓｌ。 （６）家庭乐器演奏不可忽视，尤其是钢琴、小号、萨克 斯等乐器，其产生的噪声影响在５０～８０ｄＢ。由于目前楼 房隔声效果较差，对邻近居室住户影响相当严重 ］。 ５结论及建议 由实验监测的结果可知，小区的声环境绝大部分超 标，这需要引起人们的足够重视。可以通过禁止或减少汽 车进入小区或停放，禁止鸣喇叭等，降低噪声２０ｄＢ。另一 方面，居住小区防止交通噪声很难留出足够的缓冲地带， 可以考虑临街一侧安装隔声设施。随着生产的发展和人 们物质文化生活水平的提高，人们要求营造一个自然和 谐、文明健康、安静舒适的居住环境的愿望将更加强烈，这 就需要加大管理和治理的力度，综合考虑运用建筑规划设 计和防噪、隔声等技术手段，来提高和改善居住区的声环 境质量。同时。噪声预测是日前国际上较活跃的环境声学 研究课题¨ ，它对环境污染控制、管理规划等方面均具有 重要意义。 参考文献 ［１］李秀敏．北京几类不同性质建筑停车场停车现状调查［Ｊ］．城市 交通，１９９９（Ｉ１）：３３—３５ ［２］刘绮潘，伟斌．环境质量评价［Ｍ］．广州：华南理工大学出版社， ２００４：１７９． ［３］中华人民共和国国家标准ＧＢ３０９６－－２００８．声环境质量标准［Ｓ］． ［４］国家环保局编．中国环境保护２ｌ世纪议程［Ｍ］．北京：中国环 境科学出版社，１９９５：８７—８８． ［５］孙佑海．关于环境噪声污染防治立法的若干问题［Ｊ］．环境保 护，１９９６（１２）：２７—２９． ［６］蔡兵．生活中的噪声．劳动保护科学技术［Ｊ］．新建筑，１９９３ （６）：５０—５１． ［７］于光．如何解决现有住宅区的停车问题［Ｊ］．新建筑，１９９５（５）： ４３—４４． ［８］吴凡，居民小区噪声污染及其防治［Ｊ］．辽宁城乡环境科技，２００６ （２）：５３—５５． ［９］曾德芳，皇甫月红，何礼林，等．我国城市道路交通噪声污染及 其对策［Ｊ］．武汉交通科技大学学报，１９９７，２１（６）：７００—７０３． ［１０］张继萍，吴硕贤．人工神经网络在道路交通噪声预测中的应用 ［Ｊ］．环境科学学报，１９９６，１６（３）：３６４—３７１．（责编：张琪琪） ＧＢ／Ｔ ７７１３—１９８７关键词 关键词是为了文献标引工作从报告、论文中选取出来用以表示全文主题内容信息款目 的单词或术语。每篇报告、论文选取３一ｓ个词作为关键词，以显著的字符另起一行，排在摘要的左下方。如有可 能，尽量用《汉语主题词表》等词表提供的规范词。为了国际交流，应标注与中文对应的英文关键词。目次页长篇报 告、论文可以有目次页，短文无需目次页。目次页由报告、论文的篇、章、条、附录、题录等的序号、名称和页码组成， 另页排在序之后。整套报告、论文分卷编制时，每一分卷均应有全部报告、论文内容的目次页。 图包括曲线图、构造图、示意图、图解、框图、流程图、记录图、布置图、地图、照片、图版等。图应具有“自明 性”，即只看图、图题和图例，不阅读正文，就可理解图意。
时空神经网络及其在机场噪声预测中的应用
时空神经网络及其在机场噪声预测中的应用
王尚北;王建东;陈海燕
【摘 要】A new space-time neural network is proposed using the function
expansion technique and the linear impulse response filtering theory in
this paper. It consists of function expansion and linear delay pulse. Net
input space is mapped into a high dimensional space by function
expansion. Therefore, nonlinear mode in low dimensional space can be
converted to linear mode in high dimensional space. Linear delay pulse is
equivalent to the temporal linear impulse response filter, which is
responsible for fitting linear model in space-time series. Space-time neural
network fast learning algorithm is proposed by using Levenberg-Marquardt optimization method. Simulation results show that space-time
neural network has the characteristics of fast convergence and high
precision. Compared with Space-time Autoregressive Moving
我国城市交通噪声控制技术进展
我国城市交通噪声控制技术进展
王孚悉，赵丽芳，曾齐富，仲帷燕(山东科技大学机械电子工程学院，山东青岛266510)
摘要:综述了我国城市交通噪声控制技术现状，着
重分析了交通噪声预测建模、高层建筑噪声污染
防治、轨道交通噪声控制、机场噪声控制、有源消
声技术、新型声学材料等若干热点问题，展望了未
来的发展前景。
关键词:声学;城市交通;噪声控制;综述
中图分类号:TB533;U491.9文献标识码:A
引言
我国城市人口集中、车流量大、交通拥挤等状况短期内难以改变，已经成为制约城市经济建设快速发
展的瓶颈。自上世纪八十年代以来，尤其是国家环境
保护法及其相关法规的颁布与实施后，我国城市交通
噪声控制研究取得了很多成果，交通噪声污染问题得
到了有效控制。但是，随着我国城市规模的扩大和现
代化进程的加快，城市快速车道、高架路桥、地铁和轨
道交通等不断增多，交通噪声呈现新的特征，噪声扰
民问题依然突出。本文针对城市交通噪声的声源机理、声传播途径以及材料结构控制等问题，综述了我
国在交通噪声模型、高层建筑隔声、轨道交通噪声、机场噪声、有源消声、新型声学材料等噪声控制技术领
域的研究现状，提出了未来的发展方向。
1交通噪声影响预测模型研究
城市交通噪声影响预测模型是城市规划与发展
的重要依据。传统的交通噪声预测方法是依据声学
物理原理提出噪声传播形式并建立数学模型，容易受
到周围环境的影响，与实际状况产生较大的偏差。自上世纪八十年代以来，数理统计模型得到应用，由于
不需要物理机制上的具体信息，对环境条件要求较
低，但公式应用有一定的局限性。近十年里，国内提出了一些新的交通噪声影响预测模型川，主要方法
有:(1)采用灰色系统理论建立GM(1,1)模型，通过
对影响城市道路交通噪声变化因素的关联分析，确定
城市人口、车流量及机动车总量为优势影响因素。
收稿日期:2006--02-15作者简介:王孚悉(1960一)，男，山东莱州人，博士，教投。
一48一(2)采用物元分析方法将环境质量划分为优、良、中和
道路交通网络中的交通流模型
道路交通网络中的交通流模型
随着城市化进程的加快，道路交通拥堵问题日益突出。为了更好地解决道路交通问题，需要深入研究道路交通网络中的交通流模型。
一、交通流理论
交通流理论是描述道路交通运算过程的一门学科，主要研究交通流的特征、交通拥堵的原因以及拥堵时的交通流规律等。交通流的特征主要包括流量、密度、速度、加速度等，交通拥堵的原因主要是路网系统的瓶颈，以及车辆之间的相互影响。拥堵时的交通流规律包括瓶颈效应、排队理论等。
二、交通模型
交通模型是指用数学方法描述道路交通运输系统的一种技术手段。通过建立交通模型，可以更加准确地预测交通状况，为交通规划和交通管理提供有效的决策依据。目前，常见的交通模型主要包括微观模型和宏观模型两种。
1.微观模型
微观模型是指运用微观经济学理论和方法来描述道路交通运输系统的模型。微观模型主要研究各种交通网络和交通运输行为中的细节问题，如车辆的起点和终点、车辆的行驶路线、车辆的速度等。
2.宏观模型
宏观模型是指运用宏观经济学理论和方法来描述道路交通运输系统的模型。宏观模型主要研究交通流的总体特征，如交通流量、速度、密度等。
三、交通流模型
交通流模型是指描述道路交通流动情况的一种数学模型。交通流模型可以帮助我们更加深入地了解交通流的规律，以及不同交通状况下的交通流变化情况。 目前，常见的交通流模型包括线性模型、广义线性模型、非参数模型、卡尔曼滤波模型等。
1.线性模型
线性模型是指将交通流的属性表示为线性的关系式，通常采用回归分析来进行建模。线性模型适用于交通流量较小、交通状况相对稳定的情况。
2.广义线性模型
广义线性模型是指将交通流的属性表示为非线性的关系式，通常采用广义回归分析来进行建模。广义线性模型适用于交通流量较大、交通状况较为复杂的情况。
3.非参数模型
非参数模型是指对于交通流的特征没有先验假设，采用一种无需先验假设的方法进行建模。非参数模型适用于交通流特征非常复杂、交通状况无规律的情况。
基于智能算法的车辆轨迹跟踪技术研究
基于智能算法的车辆轨迹跟踪技术研究
车辆轨迹跟踪技术是现代交通系统中不可或缺的一部分，它可以帮助交通管理部门对于车辆的行驶情况进行精确的监控，从而提高道路交通效率与安全性。传统的车辆轨迹跟踪技术基本上是依靠GPS等定位系统，但是这种技术并不准确且易受到环境因素干扰。随着人工智能技术的不断发展，在车辆轨迹跟踪领域也涌现出了一系列基于智能算法的最先进技术。
一、智能算法中的神经网络
在车辆轨迹跟踪技术中，一种常见的智能算法是神经网络。神经网络可以通过对大量数据的学习，逐渐建立一个准确的预测模型，从而在车辆轨迹跟踪方面做出公认的最佳表现。
神经网络通常包含输入层、隐藏层以及输出层三个部分，其中输入层可以将车辆状况、路况等数据进行预处理，隐藏层可以通过对数据进行较为复杂的学习操作，最后输出层将处理后的结果进行输出，完成对车辆轨迹的准确跟踪。与传统的车辆定位技术相比，神经网络具有更高的准确度与鲁棒性，同时又可以在受到噪声等干扰时保持较高的稳定性。
二、深度学习算法的应用
在现代智能算法中，一种越来越普遍的技术是深度学习算法。深度学习算法基于人工神经网络，并通过对一定数量的数据进行训练，从而实现对数据的自动化处理。
在车辆轨迹跟踪技术中，深度学习算法的应用意义重大。当车辆需要通过路况复杂的地区时，普通的传感器很可能会受到环境干扰而不能准确进行测量。而深度学习可以通过对数据的智能处理，建立准确的神经网络模型，从而提高车辆轨迹跟踪的准确率与可靠性。
三、基于卷积神经网络的技术
卷积神经网络是深度学习算法的一种重要应用，它可以通过对输入数据进行卷积、降维等操作从而进行训练。在车辆轨迹跟踪技术中，卷积神经网络被广泛应用，可以快速地、准确地对路况数据进行处理。
对于车辆运动过程的轨迹，卷积神经网络可以通过对路面摄像头、传感器等设备获取的数据进行分析，识别出路况状况，从而进行轨迹跟踪。这种技术在野外环境中尤为有效，可以提高车辆轨迹跟踪的准确率与实时性。
高速公路交通拥堵预测模型研究
高速公路交通拥堵预测模型研究
一、背景
随着城市化的加速和汽车保有量的增长，高速公路交通拥堵现象日益严重，其对经济和社会发展产生了巨大的影响。因此，高速公路交通拥堵预测模型的研究成为了当前交通领域的热点问题。
二、常见的高速公路交通拥堵预测模型
1.基于统计学模型的高速公路交通拥堵预测模型
这种模型是基于历史数据建立的，在模型中考虑了外界因素对交通流的影响。其优点是可以较为准确地预测未来交通流量，但是由于历史数据的限制，该模型不够灵活，在实际应用中需要不断对模型进行修正。
2.基于神经网络的高速公路交通拥堵预测模型
神经网络的主要优势在于它可以根据现场数据进行实时调整，从而提高预测的准确度。此外，该模型可以处理非线性数据、处理噪声，但是也存在着训练难度大、诊断结果不可直接解释等缺点。
3.基于物理模型的高速公路交通拥堵预测模型
物理模型是指建立在物理学原理之上的交通预测模型。该模型考虑了交通流中的各种因素，例如路面摩擦、车阻等，并且能够对路面的状态进行实时地反馈，但是该模型需要对道路和车辆的物理特性进行详细的描述，难度较大。
三、高速公路交通拥堵预测模型的改进与应用
1.综合应用不同的模型
由于各种模型各具优缺点，因此许多学者提出了综合应用不同模型的方法，以达到更好的预测效果。例如，可以将基于统计学的模型和基于神经网络的模型进行融合，从而平衡二者之间的优势和劣势。
2.引入现代技术
近年来，随着人工智能、大数据等现代技术的发展，这些技术也被用于高速公路交通拥堵预测模型的改进。例如，可以利用卫星图像等数据进行分析和预测，从而提高模型的准确性和实时性。
3.智能交通建设
高速公路的拥堵问题不仅需要依靠模型的预测和改进，还需要在交通基础设施上进行建设。可以利用智能交通系统，对交通流进行监测、分析和调控，从而尽可能地减少拥堵的发生。
四、结语 高速公路交通拥堵预测模型的研究是一个复杂而重要的领域。未来，随着科技的发展和交通的智能化，预测模型将不断得到优化和改进，为缓解交通拥堵问题发挥更加重要的作用。
声源反演的BP神经网络模型
声源反演的BP神经网络模型 BP Neural Network Model for Sound Source Inversion
1 声源反演的BP神经网络模型 蒋从双, 杨洁, 李贤徽, 张斌 （环境噪声与振动北京市重点实验室，北京，100054；北京市劳动保护科学研究所，北京，100054） BP Neural Network Model for Sound Source Inversion Congshuang Jiang, Jie Yang, Xianhui Li, Bin Zhang （Beijing Key Laboratory of Environment Noise and Vibration, Beijing, 100054; Beijing Municipal Institute of Labor Protection, Beijing, 100054） 1. 引言1 车辆是道路交通噪声的主要噪声源，道路噪声可以看作是由移动变化的点声源组成的线声源，接收点的声压是不同声源在经过复杂的传播之后在接收点的叠加。很多学者提出了道路交通噪声预测模型[1]，这些模型都是根据噪声产生与传播原理或数学统计分析方法提出的。然而，声源传播的影响因素太多而且具有不确定性，这些不确定性主要表现在地理、气温、风速等自然因素以及建筑物的衍射、路面坡度、植被的吸收、声屏障的反射等引起的各种不确定性。这种参数的获取过程中和对未知的推导过程中的参数不确定性使得一般的预测方法在处理大量原始数据时难以用规则或公式准确描述。人工神经网络模型由于其具有的高度非线性函数映射功能、很强的学习、联想和容错功能，在这些方面表现出了极大的灵活性和自适应性[2]。 国内外学者早已将人工神经网络模型用来进行道路交通噪声预测。他们将决定声源性质的车流量、车速、车型、路面等因素和影响噪声传播的地面吸收、建筑物反射、声屏障阻挡、接收点距声源的距离等因素作为输入变量[3]，将接收点处的等效连续A声级（）、L10、L90、交通噪声指标（TNI）等作为输出变量建立了神经网络模型[4-5]，对接收点处的声学指标做了大量的预测，然而，由接收点的声压反方向预测声源的研究进行的相对较少。本文将建立神经网络模型并重点由接收点声压反演声 1收稿日期：2010-**-**；修回日期：2010-**-** 作者简介：蒋从双（1989-），男，安徽六安人，汉，研究生，研究方向是噪声与振动控制。 通讯作者：李贤徽，lixh@。 源大小。 2. 反演方法 反向传播网络（Back-Propagation Network, 简称BP神经网络）是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态影响下一层神经元状态。如果输出得不到期望输出，则转入反向传播，根据预测误差不断地调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构图如图1所示。本文应用BP神经网络对声源进行反演。
基于神经网络的噪声抑制技术
基于神经网络的噪声抑制技术
随着科技的不断发展，数字信号在各个领域得到了广泛的应用，但是噪声却一直是影响数字信号质量的主要因素之一。因此，噪声的抑制一直是数字信号处理领域的研究热点之一。神经网络作为一种具有强大解决各种问题能力的方法，被广泛应用于噪声抑制技术中。本文将就基于神经网络的噪声抑制技术进行介绍和探讨。
一、噪声抑制技术的现状
噪声抑制技术是数字信号处理中的一个关键问题。在数字通信、人声识别以及图像处理等领域中发展迅速。传统的噪声抑制技术主要包括基于滤波的方法和基于谱减的方法。基于滤波的方法采用一些滤波器或者滤波算法来降低噪声干扰。基于谱减的方法则利用频谱分析的算法，在某些时刻将噪声部分去除。但是传统的噪声抑制技术缺点明显，对信号特征假设过多，无法达到理想的噪声抑制效果。
二、基于神经网络的噪声抑制技术
神经网络作为一种模拟人脑的计算模型，在高维数据处理，模式识别和分类等多个领域取得了很好的效果。因此，神经网络技术也被应用于噪声抑制中。基于神经网络的噪声抑制技术主要包含有监督和无监督两种方式。
1. 有监督神经网络噪声抑制技术
有监督神经网络噪声抑制技术主要通过监督学习的方法来处理信号噪声。该方法先通过人工学习构建一组样本，然后利用构建的样本在神经网络中进行学习，最终生成一组有效神经元。这些神经元在进行噪声抑制任务时，可以极大程度提高噪声抑制效果，使信号更加精确地还原。
2. 无监督神经网络噪声抑制技术
无监督神经网络噪声抑制技术是通过不需要预设模型的方式对噪声进行抑制。该方法主要采用了一些自动编码器技术进行信号的重建。在该方法下，先利用原始噪声数据进行训练，构建自动编码器，最终得到一个合适的输入输出映射模型。在去除噪声时，直接通过输入输入样本提取噪声，从而达到减小噪声的效果。
三、基于神经网络的噪声抑制技术未来的发展方向
尽管基于神经网络的噪声抑制技术已经取得了不错的成果，但是由于神经网络算法本身的局限性，还有一些问题需要解决。
基于BP神经网络公路交通噪声的预测
２０１４年第１期 （总第２３９期） 黑龙江交通科技
ＨＥＩＬＯＮＧＪＩＡＮＧ ＪＩＡＯＴＯＮＧ ＫＥＪｌ Ｎｏ．１，２０１４ （Ｓｕｍ Ｎｏ．２３９）
基于ＢＰ神经网络公路交通噪声的预测
孟丽霞 ，赵剑强 ，李洪博
（１．中国机电出口产品投资有限公司；２．长安大学环境科学与工程学院；３．神华神东电力有限责任公司）
摘要：由有限的公路交通噪声实测数据类比估算其它环境敏感点噪声值是公路建设项目环保验收和环境
后评价的重要基础工作之一，为探讨科学有效的类比方法，根据人工神经网络理论，针对高速公路交通噪声 预测的特点，提出了基于大、中、小车交通量、预测点距离及道路结构５个参数的高速公路交通噪声预测ＢＰ
神经网络模型。通过对ＢＰ模型预测结果与实测值和ＦＨＷＡ模型预测值的比较表明：在某一特定公路环境
下，由有限噪声实测数据预测其它环境敏感点的噪声值，ＢＰ神经网络不失为一种简便而有效的方法，且可得
到比用ＦＨＷＡ模型预测更为精确的结果。 关键词：环境工程；公路交通噪声；ＢＰ神经网络；ＦＨＷＡ模型；预测
中图分类号：Ｘ８ 文献标识码：Ｃ 文章编号：１００８—３３８３（２０１４）０１—０１４７—０３
１ ＢＰ人工神经网络
人工神经网络（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，简称ＡＮＮ）是
一种在模拟大脑神经网络结构和功能基础上所构建的信息
处理网络，也可以看作是对人脑神经网络构建的理论化的数
学模型。人工神经网络是由大量简单元件相互连接而成的
复杂网络系统，具有高度的非线性，因而可以进行复杂的逻 辑操作和非线性关系的实现等功能。
反向传播网络（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｎｅｔｗｏｒｋ，即ＢＰ网络）是
一种多层前向神经网络，一个ＢＰ网络模型可分为输入层、 隐含层和输出层，各层采用全连接方式，同一层单元之间不
连接。Ｒｕｍｅｌｈａｒｔ、Ｈｉｎｔｏｎ和Ｗｉｌｌｉａｍｓ于１９８６年提出ＢＰ网络
普遍采用ＢＰ算法，它是一种有监督的学习算法，ＢＰ学习规
道路交通噪声预测模型
模型类型 定义 优势 劣势
统计模型 统计模型是以观测时段内的交通流整体作为研究对象,在大量实测数据的基础上,应用统计分析的方法,建立的噪声评价指标与宏观交通流参数之间关系的一种模型. 形式简单,影响因素明确,计算方便 模型样本量有限,且模型变量之间关系的物理意义模糊,造成模型可移植性和普适性较差,以及预测精度不高等问题. 此外,模型因变量处的噪声评价指标单一,无法实现多指标预测和实时评价。
代表模型：
1. 2001年,李本纲建立的模型对机动车参考噪声、车流量、车速、路面坡度、地面植被等因素对噪声的影响作了有效的预测. 2007年,姚德飞提出高速公路交通噪声统计预测模式Leq=L0 + K1g(Q) + K2lg(D) -ΔL (4)式中, L0为昼、夜间混合车流量的基础声级; K1为昼、夜间混合车流量修正系数; K2 为昼、夜间距离衰减系数;ΔL为地面吸收附加量.
2. CRTN模型：是英国交通部开发的一个交通噪音模型，跟FHWA模型一样，它同样是基于连续道路的，只不过，它的公式跟FHWA模型略有不同，CRTN模型更主要考虑的是影响噪音产生和传播的因素，从客观的角度对基本噪音等级进行修正CRTN模型对数据的要求比FHWA模型低，其要求和精度满足城市规划中对规划方案的噪声预测标准。
经验模型 半经验模型以交通流中的单个车辆作为研究对象,将单个车辆匀速通过测点时的噪声作为基准噪声,假设同类型车辆均以此方式通过测点,则根据观测时段内实际通过车辆数对基准声级进行迭加,从而求解观测时段内噪声评价指标的模型. 经验模型的形式较之统计模型略为复杂,式中变量间关系的物理意义明确,模型的适用性较强. 经验模型多基于匀速车流假设,对于公路连续流条件下的噪声预测,而对于信号交叉口、无信号交叉口和环岛等间断流交通,则适用性较差. 此外,模型仍然存在噪声评价指标单一、无法实现实时预测等问题.
代表模型 介绍 应用 劣势