CN104008644B - 一种基于梯度下降的城市道路交通噪声测量方法 - Google Patents

Abstract

本发明公开了一种基于梯度下降的城市道路交通噪声测量方法，特征为：步骤一：收集某条城市道路交通噪声的原始数据并进行数据归一化处理；步骤二：提取城市道路交通噪声的原始数据中各监测点处的数据构建得到训练样例集合D；步骤三：对训练样例集合D进行训练，得到满足精度要求的城市道路交通噪声预测模型；步骤四：利用城市道路交通噪声预测模型进行多次预测并与实测值比较，然后进行修正，得到满足精度要求的实际预测模型；步骤五：将预测样例集合D^*输入到步骤四得到的实际预测模型，得到相应监测点覆盖范围内各处的噪声值；步骤六：综合各个监测点测量及预测到的其覆盖范围内的各处的噪声值，即可得到某城市某道路的完整噪声值数据。

Description

一种基于梯度下降的城市道路交通噪声测量方法

技术领域

本发明涉及属于噪声监控技术领域，特别是涉及一种基于梯度下降的城市道路交通噪声测量方法。

背景技术

近年来，随着经济的飞速发展，我国汽车保有量急剧增加，城市交通量迅速增加。交通噪声污染对道路沿线居民正常生活、工作、学习、休息环境的干扰程度和范围也随之加剧和扩大。交通噪声污染已经逐渐变成道路沿线特别是交通主干道沿线居民最为关注的环境污染问题。据调查：噪声会对人的心理和机体同时产生不良影响，特别是对神经系统和心血管系统造成危害。因此，为了适应交通的快速发展，控制和减少交通噪声真的是当务之急。

由于国内的城市道路交通噪声的测量装置十分简陋，大致分为两种情况：一是缺少预测算法，导致想要得到较高的测量覆盖率就必须分布大量的测量装置，造成了资源的浪费；二是其预测算法缺乏适应能力，导致很难达到较高的预测精度。我国目前对城市道路交通噪声的预测都是依靠国外的经验及方法(如美国联邦公路局(FHWA)提出的FHWA)，并没有形成统一的计算和预测方法。而现有的噪声预测方法需要基于比较复杂的假设，城市道路的环境条件也千差万别，计算模型难以考虑周全。传统的城市道路交通噪声预测主要是利用实际数据根据噪声评估标准以及噪声计算公式得到，误差较大且不利于对未来城市道路交通噪声状况的预测。近几年来，我国城市道路周围的噪声问题日益突出，因此有必要尽快研究算法，开发适用于我国的城市道路交通噪声测量装置。

F.VanDenBerg等人的研究表明，利用从实测数据中挖掘到的规律、模式与声学理论计算模型进行结合可以有效地提高噪声的预测准确率。机器学习方法是通过实测数据建立噪声预测模型的主要方法之一，然而目前国内机器学习方法在城市道路交通噪声预测方面应用还比较匮乏，将机器学习方法用于城市道路交通噪声数据预测，以提高预测结果的准确性和稳定性，成为一种必要的趋势。

总体来说，传统的城市道路交通噪声测量装置存在以下问题：

(1)在有限监测点的情况下，测量覆盖率低。

(2)经验参数不适合具体环境，导致测量准确率低。

(3)现存的预测模型中大多数缺乏学习能力，使得预测结果很难得到修正和优化，预测的精度很难提高。

发明内容

本发明要解决的技术问题是：提供一种基于梯度下降的城市道路交通噪声测量方法。所述测量方法先对某监测点处的交通噪声、车速和车流量及其覆盖范围内的车速和车流量进行采集，然后将采集到的该监测点处的数据输入已有模型，以三个经验参数为相应的权值，根据梯度下降算法训练学习模型，经过若干次迭代，直到各权值达到最优或者其变化落在误差允许范围内，从而确定最终的预测模型。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：

一种基于梯度下降的城市道路交通噪声测量方法，包括如下步骤：

步骤一：收集某条城市道路交通噪声的原始数据并进行数据归一化处理；所述城市道路交通噪声的原始数据包括各监测点处的交通噪声、车速和车流量及其覆盖范围内的车速和车流量等信息；

步骤二：提取所述城市道路交通噪声的原始数据中各监测点处的数据构建得到城市道路交通噪声预测的训练样例集合D，D＝{(t_d,N_d,V_d)|d＝1,2,…,n}，其中t_d为实测噪声等级，N_d为平均小时车流量，V_d为平均行驶速度，n是训练样例集合D中样本数据的个数；提取剩余城市道路交通噪声原始数据构建得到城市道路交通噪声预测的预测样例集合D^*；

步骤三：对所述训练样例集合D进行训练，得到满足精度要求的城市道路交通噪声预测模型，具体过程为：

S3.1:根据线声源模型：

$L_{\mathrm{eqi}}=L_{\mathrm{oi}}+10\lg \frac{N_i}{{\mathrm{TV}}_i}+10\lg \frac{r_0}{r}+10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}+10\mathrm{lg\π}{r}_0+\mathrm{\ΔL}$

其中：L_eqi为第i型车辆，预测点接收到的小时交通噪声等级，dB，i分别取大、中、小型车；L_oi为第i型车辆的平均噪声级，dB；V_i为第i型车辆的平均行驶速度，km/h；N_i为第i型车辆的昼间或夜间的平均小时车流量，辆/h；T为L_eqi的预测时间，小时；为距离衰减项，为地面吸收项，ΔL为障碍物衰减项，以上修正值单位均为dB；

各种类型车辆的平均噪声级计算公式为：

大型车：L_oL＝31.77+29.71lgV_L

中型车：L_oM＝16.44+36.73lgV_M

大型车：L_oS＝27.96+24.92lgV_S

S3.2:指定权向量相对于训练样例的训练误差：

$E=\frac{1}{2}\underset{d\∈D}{\mathrm{\Σ}}{(t_d-o_d)}^2$

其中：t_d是训练样例d的实测噪声等级，o_d是线声源模型对训练样例d的输出。将3.1中的线声源模型带入上式，得：

$E=\frac{1}{2}\underset{d\∈D}{\mathrm{\Σ}}{[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]}^2$

S3.3:E分别对ΔL、r₀、r求偏导，可得梯度

$\frac{\∂E}{\∂\mathrm{\ΔL}}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·(-1)$

$\frac{\∂E}{\∂r_0}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{-10(2+\mathrm{\α})}{\ln 10}\·\frac{1}{r_0}]$

$\frac{\∂E}{\∂r}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{-10(1+\mathrm{\α})}{\ln 10}\·r]$

S3.4:分别对ΔL、r₀、r赋初值；

S3.5:求出每一步迭代时各权值的增量ΔΔL、Δr₀、Δr，如下：

$\mathrm{\Δ\ΔL}=-\mathrm{\η}\·\frac{\∂E}{\∂\mathrm{\ΔL}}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]$

$\mathrm{\Δ}{r}_0=-\mathrm{\η}\·\frac{\∂E}{\∂r_0}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{10(2+\mathrm{\α})}{\ln 10}\·\frac{1}{r_0}]$

$\mathrm{\Δ}r=-\mathrm{\η}\·\frac{\∂E}{\∂r}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{10(1+\mathrm{\α})}{\ln 10}\·r]$

其中，η为决定梯度下降搜索中的步长的学习速率；

S3.6:根据梯度下降的训练法则，更新各权值：

ΔL←ΔL+ΔΔL

r₀←r₀+Δr₀

r←r+Δr

S3.7:重复步骤S3.5-S3.6，直到ΔL、r₀、r收敛或其变化达到误差允许范围；

S3.8:将步骤S3.7得到的权值ΔL、r₀、r替换步骤S3.1中的线声源模型中相应的参数，得到最终的城市道路交通噪声预测模型；

步骤四：利用步骤三所得的最终城市道路交通噪声预测模型进行多次预测并与实测值比较，然后进行修正，得到满足精度要求的实际预测模型；

步骤五：将步骤二得到的预测样例集合D^*输入到步骤四得到的实际预测模型，即可得到相应监测点覆盖范围内各处的噪声值；

步骤六：综合各个监测点测量及预测到的其覆盖范围内的各处的噪声值，即可得到某城市某道路的完整噪声值数据。

作为优选技术方案，本发明还采用了如下的技术方案：

所述步骤一具体为：

S1.1：在某城市的某条道路上选取若干个监测点，每个监测点布置一个检测装置，使其对整条道路达到无缝覆盖；

S1.2:假设道路宽度为w，每个检测装置的覆盖角度为α，则相邻两个监测点的距离为

S1.3：采集各监测点处的噪声值、车流量、车速及每个监测点监测范围内的车流量、车速作为城市道路交通噪声的原始数据；

S1.4：进行数据归一化处理。

本发明具有的优点和积极效果是：通过采用上述技术方案，本发明克服了现有的测量装置的监测范围小、适应能力差和车速难于检测等问题，通过梯度下降的方法训练学习器，用于城市道路交通噪声预测，有效提高了预测精度以及预测的稳定性，增强了城市道路交通噪声测量的实用性。

附图说明

图1是本发明硬件设备的结构框图；

图2是本发明的流程图；

图3是本发明中的监测点布置关系图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：

请参阅图1，本发明的硬件设备包括：

用于采集城市道路交通噪声的城市道路交通噪声数据采集模块，用于采集车速的车速采集模块，用于采集车流量的车流量采集模块，所述城市道路交通噪声数据采集模块、车速采集模块和车流量采集模块中的数据共同构成了城市道路交通噪声数据训练样例集合和预测样例集合；

城市道路交通噪声数据训练样例集合的数据经城市道路交通噪声预测模型模块进行训练，通过对城市道路交通噪声预测模型中经验参数的修正，得到最终的城市道路交通噪声预测模型，利用该预测模型则可对各监测点覆盖范围内各处的噪声值进行预测；

城市道路交通噪声数据预测样例集合的数据经城市道路交通噪声预测模型模块进行预测后通过城市道路交通噪声输出模块输出，从而得到某城市道路的完整噪声值数据

请参阅图2和图3，一种基于梯度下降的城市道路交通噪声测量方法，包括如下步骤：

步骤一：收集城市道路交通噪声的原始数据并进行数据归一化处理，本实施例以2013年某城市道路上各处的噪声值为监测目标，以各个监测点采集到的交通噪声数据为样本实例，监测时长为T。具体子步骤如下：

1.1：根据实际测得道路长度为L，宽度为W，已知装置覆盖角度为θ，则完全覆盖整条道路需要布置个监测点。

首先将一个监测点布置到道路的一端，然后以的间隔布置剩余的个监测点；

1.2：采集各监测点处的噪声值、车流量、车速及每个监测点监测范围内的车流量、车速作为城市道路交通噪声的原始数据；

1.3：对原始数据进行归一化处理，所使用的公式是

$y=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$

步骤二：提取步骤一中城市道路交通噪声的原始数据构建得到城市道路交通噪声预测的训练样例集合D，D＝{(t_d,N_d,V_d)|d＝1,2,…,n}，其中t_d为实测噪声等级，N_d为平均小时车流量，V_d为平均行驶速度，n是D中样本数据的个数；提取剩余城市道路交通噪声原始数据构建得到城市道路交通噪声预测的预测样例集合D^*；

步骤三：对步骤二得到的训练样例集合D进行训练，得到满足精度要求的城市道路交通噪声预测模型，具体子步骤如下：

3.1:根据线声源模型：

$L_{\mathrm{eqi}}=L_{\mathrm{oi}}+10\lg \frac{N_i}{{\mathrm{TV}}_i}+10\lg \frac{r_0}{r}+10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}+10\mathrm{lg\π}{r}_0+\mathrm{\ΔL}$

确定误差函数：

$E=\frac{1}{2}\underset{d\∈D}{\mathrm{\Σ}}{[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]}^2$

3.3:E分别对ΔL、r₀、r求偏导：

$\frac{\∂E}{\∂\mathrm{\ΔL}}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·(-1)$

$\frac{\∂E}{\∂r_0}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{-10(2+\mathrm{\α})}{\ln 10}\·\frac{1}{r_0}]$

$\frac{\∂E}{\∂r}=\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{-10(1+\mathrm{\α})}{\ln 10}\·r]$

3.4:分别对ΔL、r₀、r赋初值为ΔL₁、r₁。

3.5:给定学习速率η，计算每一步迭代时各权值的增量ΔΔL、Δr₀、Δr，如下：

$\mathrm{\Δ\ΔL}=-\mathrm{\η}\·\frac{\∂E}{\∂\mathrm{\ΔL}}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]$

$\mathrm{\Δ}{r}_0=-\mathrm{\η}\·\frac{\∂E}{\∂r_0}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{10(2+\mathrm{\α})}{\ln 10}\·\frac{1}{r_0}]$

$\mathrm{\Δ}r=-\mathrm{\η}\·\frac{\∂E}{\∂r}=\mathrm{\η}\·\underset{d\∈D}{\mathrm{\Σ}}[t_d-L_{\mathrm{oi}}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10\mathrm{lg\π}{r}_0-\mathrm{\ΔL}]\·[\frac{10(1+\mathrm{\α})}{\ln 10}\·r]$

3.6:更新各权值：

ΔL←ΔL+ΔΔL

r₀←r₀+Δr₀

r←r+Δr

3.7:重复步骤3.5-3.6，直到ΔL、r₀、r收敛或其变化达到误差允许范围则训练结束，此时得到的权值分别为ΔL'、r₀'、r'。

3.8:将步骤3.7得到的权值ΔL'、r₀'、r'给步骤3.1中的线声源模型的相应经验参数ΔL、r₀、r赋值，得到最终的城市道路交通噪声预测模型。

步骤四：利用步骤三所得的最终城市道路交通噪声预测模型进行多次预测并与实测值比较，然后进行修正，得到满足精度要求的实际预测模型；

步骤五：将步骤二得到的预测样例集合D^*输入到步骤四得到的实际预测模型，即可得到相应监测点覆盖范围内各处的噪声值；

步骤六：综合各个监测点测量及预测到的其覆盖范围内的各处的噪声值，即可得到某城市道路的完整噪声值数据。

以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (2)

1.一种基于梯度下降的城市道路交通噪声测量方法，包括如下步骤：

步骤一：收集某条城市道路交通噪声的原始数据并进行数据归一化处理；所述城市道路交通噪声的原始数据包括各监测点处的交通噪声、车速和车流量及其覆盖范围内的车速和车流量信息；

步骤二：提取所述城市道路交通噪声的原始数据中各监测点处的数据构建得到城市道路交通噪声预测的训练样例集合D，D＝{(t_d,N_d,V_d)|d＝1,2,…,n}，其中t_d为实测噪声等级，N_d为平均小时车流量，V_d为平均行驶速度，n是训练样例集合D中样本数据的个数；提取剩余城市道路交通噪声原始数据构建得到城市道路交通噪声预测的预测样例集合D^*；

步骤三：对所述训练样例集合D进行训练，得到满足精度要求的城市道路交通噪声预测模型，具体过程为：

S3.1:根据线声源模型：

$L_{eqi}=L_{oi}+10lg\frac{N_i}{{\mathrm{TV}}_i}+10lg\frac{r_0}{r}+10lg{\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}+10{\mathrm{lg\πr}}_0+\mathrm{\Δ}L$

其中：L_eqi为第i型车辆，预测点接收到的小时交通噪声等级，单位为dB，i分别取大、中、小型车；L_oi为第i型车辆的平均噪声级，单位为dB；V_i为第i型车辆的平均行驶速度，单位为km/h；N_i为第i型车辆的昼间或夜间的平均小时车流量，单位为辆/h；T为L_eqi的预测时间，单位为小时；为距离衰减项，单位为dB；为地面吸收项，单位为dB；ΔL为障碍物衰减项，单位为dB；r₀为参考测量距离，单位为m；r为测点与道路中线的间距，单位为m；

各种类型车辆的平均噪声级计算公式为：

大型车：L_oL＝31.77+29.71lgV_L

中型车：L_oM＝16.44+36.73lgV_M

大型车：L_oS＝27.96+24.92lgV_S

S3.2:指定权向量相对于训练样例的训练误差：

$E=\frac{1}{2}\underset{d\∈D}{\Σ}{(t_d-o_d)}^2$

其中：t_d是训练样例d的实测噪声等级，o_d是线声源模型对训练样例d的输出；将S3.1中的线声源模型带入上式，得：

$E=\frac{1}{2}\underset{d\∈D}{\Σ}{\[t_d-L_{oi}-10lg\frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10{\mathrm{lg\πr}}_0-\mathrm{\Δ}L\]}^2$

S3.3:E分别对ΔL、r₀、r求偏导，可得梯度

$\frac{\∂E}{\∂\mathrm{\Δ}L}=\underset{d\∈D}{\Σ}\[t_d-L_{oi}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10{\mathrm{lg\πr}}_0-\mathrm{\Δ}L\]\·(-1)$

$\frac{\∂E}{\∂r_0}=\underset{d\∈D}{\Σ}\[t_d-L_{oi}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10{\mathrm{lg\πr}}_0-\mathrm{\Δ}L\]\·\[\frac{-10(2+\mathrm{\α})}{ln10}\·\frac{1}{r_0}\]$

$\frac{\∂E}{\∂r}=\underset{d\∈D}{\Σ}\[t_d-L_{oi}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10{\mathrm{lg\πr}}_0-\mathrm{\Δ}L\]\·\[\frac{-10(1+\mathrm{\α})}{ln10}\·r\]$

S3.4:分别对ΔL、r₀、r赋初值；

S3.5:求出每一步迭代时各权值的增量ΔΔL、Δr₀、Δr，如下：

$\mathrm{\Δ}\mathrm{\Δ}L=-\mathrm{\η}\·\frac{\∂E}{\∂\mathrm{\Δ}L}=\mathrm{\η}\·\underset{d\∈D}{\Σ}\[t_d-L_{oi}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10{\mathrm{lg\πr}}_0-\mathrm{\Δ}L\]$

${\mathrm{\Δr}}_0=-\mathrm{\η}\·\frac{\∂E}{\∂r_0}=\mathrm{\η}\·\underset{d\∈D}{\Σ}\[t_d-L_{oi}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10{\mathrm{lg\πr}}_0-\mathrm{\Δ}L\]\·\[\frac{10(2+\mathrm{\α})}{ln10}\·\frac{1}{r_0}\]$

$\mathrm{\Δ}r=-\mathrm{\η}\·\frac{\∂E}{\∂r}=\mathrm{\η}\·\underset{d\∈D}{\Σ}\[t_d-L_{oi}-10\lg \frac{N_i}{{\mathrm{TV}}_i}-10\lg \frac{r_0}{r}-10\lg {\left(\frac{r_0}{r}\right)}^{\mathrm{\α}}-10{\mathrm{lg\πr}}_0-\mathrm{\Δ}L\]\·\[\frac{10(1+\mathrm{\α})}{ln10}\·r\]$

其中，η为决定梯度下降搜索中的步长的学习速率；

S3.6:根据梯度下降的训练法则，更新各权值：

ΔL←ΔL+ΔΔL

r₀←r₀+Δr₀

r←r+Δr

S3.7:重复步骤S3.5-S3.6，直到ΔL、r₀、r收敛或其变化达到误差允许范围；

S3.8:将步骤S3.7得到的权值ΔL、r₀、r替换步骤S3.1中的线声源模型中相应的参数，得到最终的城市道路交通噪声预测模型；

步骤四：利用步骤三所得的最终城市道路交通噪声预测模型进行多次预测并与实测值比较，然后进行修正，得到满足精度要求的实际预测模型；

步骤五：将步骤二得到的预测样例集合D^*输入到步骤四得到的实际预测模型，即可得到相应监测点覆盖范围内各处的噪声值；

步骤六：综合各个监测点测量及预测到的其覆盖范围内的各处的噪声值，即可得到某城市某道路的完整噪声值数据。

2.根据权利要求1所述的城市道路交通噪声测量方法，其特征在于：所述步骤一具体为：

S1.1：在某城市的某条道路上选取若干个监测点，每个监测点布置一个检测装置，使其对整条道路达到无缝覆盖；

S1.2:假设道路宽度为w，每个检测装置的覆盖角度为α，则相邻两个监测点的距离为 $w\·tan\frac{\mathrm{\α}}{2},$

S1.3：采集各监测点处的噪声值、车流量、车速及每个监测点监测范围内的车流量、车速作为城市道路交通噪声的原始数据；

S1.4：进行数据归一化处理。