CN105513489A - 构建城市噪声地图的方法 - Google Patents

Abstract

本发明提供了一种构建城市噪声地图的方法，所述构建城市噪声地图的方法通过采集部分区域、部分日期及部分时间段的噪声数据并映射到构建的三维噪声数据张量模型上；基于采集的部分区域、部分日期及部分时间段的噪声数据和低秩张量填充算法恢复未采集的区域、日期及时间段的噪声数据并映射到三维噪声数据张量模型上；基于三维噪声数据张量模型上的所有区域、所有日期及所有时间段的噪声数据构建城市噪声地图。由于本发明基于稀疏的噪声数据恢复了整个城市的噪声数据，进而构建出不同时刻城市噪声地图，相比传统的方法，节约了社会资源，免除了大量检测站点的建立与维护，缩短了构建噪声地图的时间，提高了工作效率。

Description

构建城市噪声地图的方法

技术领域

本发明涉及噪声恢复技术领域，特别涉及一种构建城市噪声地图的方法。

背景技术

随着社会的发展，环境污染不仅限与水污染，大气污染等传统的污染。由于城市的加速发展，噪声污染越发的严重。研究表明，噪声对人类的伤害包括生理和心理的。生理上，噪声一定程度上会诱发多种疾病，例如头痛，脑胀，耳鸣，而长期处在高噪声环境下工作的人，高血压，动脉硬化和冠心病的发病率要比正常人的高2～3倍。心理上，噪声会对人类日常生活和睡眠造成干扰，导致人们注意力分散，反应迟钝工作效率下降等。因此，构建城市噪声地图，掌握城市的噪声分布，对于政府机关治理噪声污染，人民及时掌握周边噪声情况都是有着非常重要的意义的。但相比于其他污染，噪声污染有自己的特点。首先，噪声分布会随着时间动态改变，比如同一个地点，不同的时间，噪声污染的情况差异很大。其次，噪声的分布同时也是随着地理的位置的不同而改变的。最后，噪声源主要来自于人类活动，而人类活动的规律复杂性导致了噪声分布随着时间和空间的变化也变得极其的复杂。因此，构建城市噪声地图是一件相对复杂和困难的事。

目前，一些大的城市会在某些街道设置噪声监测站点，实时显示当前位置的噪声分贝值。然后虽然建立监测站能够最真实的反应当前该区域的噪声状况，但是建设成本和维护成本都是高昂的，大量的噪声监测站分布在城市的角落中不仅影响城市的美观，而且也会占用宝贵的土地资源。为了能够进一步推进对噪声污染的研究和整治，我们迫切需要一种新的方法来检测城市环境噪声。

发明内容

本发明的目的在于提供一种构建城市噪声地图的方法，以实时获知不同区域的噪声值，以便于推进对噪声污染的研究和整治工作。

为解决上述技术问题，本发明提供一种构建城市噪声地图的方法，所述构建城市噪声地图的方法包括：

构建三维噪声数据张量模型，所述三维噪声数据张量模型的三个维度分别表示不同区域、不同日期及不同时间段；

采集部分区域、部分日期及部分时间段的噪声数据并映射到所述三维噪声数据张量模型上；

基于采集的部分区域的噪声数据和低秩张量填充算法恢复未采集的区域、日期及时间段的噪声数据并映射到所述三维噪声数据张量模型上；

基于所述三维噪声数据张量模型上所有区域、所有日期及所有时间段的噪声数据构建城市噪声地图。

可选的，在所述的构建城市噪声地图的方法中，所述采集部分区域、部分日期及部分时间段的噪声数据在映射到所述三维噪声数据张量模型上之前包括：对噪声数据进行调整及矫正的步骤。

可选的，在所述的构建城市噪声地图的方法中，对噪声数据进行调整及矫正包括：

采集声音信号；

采用基2离散快速傅里叶变化对所述声音信号进行频率抽取，并将声音信号中分量最大的频率作为所述声音信号的频率；

根据所述声音信号的频率计算A记权声压级；

基于所述A记权声压级和所述声音信号的原始声压级计算A记权调整后的声压级；

根据A记权调整后的声压级及采集声音信号的设备的矫正参数计算矫正后的噪声数据。

可选的，在所述的构建城市噪声地图的方法中，所述计算A记权调整后的声压级采用如下式子：

SPL＝L_A+L_P；

其中，L_A为A记权声压级，L_P为声音信号的原始声压级，SPL为A记权调整后的声压级。

可选的，在所述的构建城市噪声地图的方法中，计算矫正后的噪声数据采用如下式子：

y_c＝aSPL+b；

其中，a，b为采集声音信号的设备的矫正参数，SPL为A记权调整后的声压级，y_c为矫正后的噪声数据。

可选的，在所述的构建城市噪声地图的方法中，所述采集声音信号的设备的矫正参数与设备的型号有关。

可选的，在所述的构建城市噪声地图的方法中，采集声音信号的设备为手机或平板电脑。

可选的，在所述的构建城市噪声地图的方法中，采集噪声数据的设备设置有声音传感器，并具有GPS定位和网络传输功能。

可选的，在所述的构建城市噪声地图的方法中，还包括利用城市POI和道路网络信息辅助恢复未采集的区域、日期及时间段的噪声数据。

在本发明所提供的构建城市噪声地图的方法中，所述构建城市噪声地图的方法通过采集部分区域、部分日期及部分时间段的噪声数据并映射到构建的三维噪声数据张量模型上；基于采集的部分区域、部分日期及部分时间段的噪声数据和低秩张量填充算法恢复未采集的区域、日期及时间段的噪声数据并映射到三维噪声数据张量模型上；基于三维噪声数据张量模型上的所有区域、所有日期及所有时间段的噪声数据构建城市噪声地图。由于本发明基于稀疏的噪声数据恢复了整个城市的噪声数据，进而构建出不同时刻城市噪声地图，相比传统的方法，节约了社会资源，免除了大量检测站点的建立与维护，缩短了构建噪声地图的时间，提高了工作效率。

附图说明

图1是本发明一实施例中构建城市噪声地图的方法的流程图；

图2是本发明一实施例中三维噪声数据张量模型的结构示意图；

图3是本发明一实施例中构建的城市噪声地图中格子之间的几何距离计算示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的构建城市噪声地图的方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

请参考图1，其为本发明的构建城市噪声地图的方法的流程图，如图1所示，所述构建城市噪声地图的方法包括：

首先，执行步骤S1，构建三维噪声数据张量模型，所述三维噪声数据张量模型的三个维度分别表示不同区域、不同日期及不同时间段；所谓的不同时间段指一天内的不同时间段，例如以一个小时为一个时间段，则需将一天分为24个时间段。

接着，执行步骤S2，采集部分区域、部分日期及部分时间段的噪声数据并映射到所述三维噪声数据张量模型上；

接着，执行步骤S3，基于采集的部分区域、部分日期及部分时间段的噪声数据和低秩张量填充算法恢复未采集的区域、日期及时间段的噪声数据并映射到所述三维噪声数据张量模型上；

接着，执行步骤S4，基于所述三维噪声数据张量模型上所有区域、所有日期及所有时间段的噪声数据构建城市噪声地图。

较佳的，为了提高采集噪声数据的可靠性，所述采集部分区域、部分日期及部分时间段的噪声数据在映射到所述三维噪声数据张量模型上之前包括对噪声数据进行调整及矫正的步骤。这里所谓的调整及矫正主要体现在对原始声压级进行A记权调整及采集噪声数据的设备相对于标准噪声仪器存在的误差进行矫正。原因在于，噪声污染程度主要由声压来衡量，其代表大气压受到声波扰动后产生的变化，即为大气压强的余压，它相当于在大气压强上的叠加一个声波扰动引起的压强变化。而现实生活中人耳对于不同频率的声音的感受是不一样的，而噪声污染最直接的影响就是人耳，为了更好的使用仪器来反应人耳对噪声的真实感受，本发明引入A记权，使用dB(A)作为噪声单位。A记权根据人耳对不同频率声音的感受对分贝值进行调整，即人耳对于低频的声音较不敏感而对于高频的声音则比较敏感，反应出来的主观感受就是，对于同样响度的声音，人耳会认为高频的声音较低频的声音更加响。首先计算出声音信号的频率，由于考虑到性能，因此在本方法中采用了采用基2离散快速傅里叶变化对所述声音信号进行频率抽取，并将声音信号中分量最大的频率作为所述声音信号的频率。利用此频率计算A记权声压级。

因此，经过A记权调整后的声压级(即A记权调整后的声压级)为：

SPL＝L_A+L_P(1)

其中，L_A为A记权声压级，L_P为声音信号的原始声压级，SPL为A记权调整后的声压级。

由于采集噪声数据的设备的差异，例如采集设备为手机时，手机噪声测量值和标准噪声测试仪存在一定的偏差，因此，本发明需要对手机采集的噪声进行矫正。基于大量实验数据的分析，本发明发现手机噪声测量值和标准噪声测试仪测量值存在线性关系，而不同手机(如型号不同的手机或品牌不同的手机)的线性系数(即作为矫正参数)不同。表1显示了在相同环境下，不同的手机和标准的噪声测量仪的测量值有偏差，但是偏差相对稳定，并且同一款手机的偏差大小几乎相同。假定手机和标准噪声测量仪器的噪声样布存在如下线性关系：

y_c＝aSPL+b(2)

其中，a,b为采集声音信号的设备的矫正参数，SPL为A记权调整后的声压级，y_c为矫正后的噪声数据。

因此，本发明收集了市场上部分主流手机进行测量矫正，与标准噪声测量仪器DT-8852进行对比，得到了各种类型手机的矫正系数如下表所示：

表1

当然采集噪声数据的设备包括但不局限于手机，也可以是平板电脑，只要该设备设置有声音传感器以可采集声音信号，并具有GPS定位和网络传输功能即可。

请参考图2，其是步骤S1中构建的三维噪声数据张量模型的结构示意图。如图2所示，本发明将城市的地图划分为不相交的格子，例如每个格子的大小300m*300m，并假定在同一个格子内噪声水平相同，这样，每个样本噪声值就代表某个格子某个时刻的噪声水平。为了获得城市的噪声地图，避免采集不同区域、不同日期及不同时间段时所耗费的人力和物力，本发明利用采集部分区域、部分日期及部分时间段的噪声数据(即稀疏的噪声数据)映射到所述三维噪声数据张量模型上，形成了部分噪声数据缺失的三维噪声数据张量模型，接下来利用已采集的噪声数据及低秩张量填充算法计算当前三维噪声数据张量模型所缺失的噪声数据(即恢复噪声数据)。

具体的，构建三维噪声数据张量模型的过程如下：首先考虑噪声的分布在时间和空间有着特殊的连续性。从空间上看，如果某个格子噪声污染较严重，由于声音的传播性，其周围邻近的格子很可能遭受着严重噪声污染。从一天的时间段上看，噪声在一天的分布很大程度受到人类活动的影响，例如上下班的几个高峰时段，城市主干道由汽车所造成的噪声污染较大，而夜晚道路很长一段时间上却相对较安静。相反，诸如商场，购物街等地方白天则比较沉寂，夜晚则较嘈杂。从日期上看，工作日之间每天噪声值分布相似，而节假日之间也相似。

基于噪声分布在时间和空间上的假设，本发明构建的三维噪声数据张量模型满足各个维度的噪声都有相似的特性，满足张量的低秩特性。将噪声张量沿时间段维度和日期维度展开分别得到矩阵A_(S)和A_(D)，矩阵A_(S)和A_(D)应是低秩的，因此，应用低秩张量填充算法，得到目标函数如下：

$\underset{s}{min}{\mathrm{\α}}_1\left|\right|S_{\left(T\right)}|{|}_{*}+{\mathrm{\α}}_2|\left|S_{\left(D\right)}\right|{|}_{*}---\left(3\right)$

s.t.S_Ω＝A_Ω

除了张量的低秩特性外，为了进一步提高噪声数据的恢复准确度，本发明采用额外的城市POI和道路网络信息辅助张量的填充，即如果某个格子噪声污染较严重，而与该改格子具有相似城市POI和道路网络信息的格子很可能也遭受着严重的噪声污染(这些格子可能含有相同的噪声源)，反之亦然。

首先，假设整个城市被分为n个格子，本发明定义了一个n*n的矩阵W，代表格子与格子之前的相似度，格子的相似度越高，噪声水平应该越相近，反之，则越远。相似度主要来源与两个方面，一个是格子之间的几何距离，另一个是格子内所含“特征”的相似度，即特征距离，这里的特征指的是城市POI和道路网络(以下统称为特征)。

如图3所示，格子相互之间的几何距离定义如下：

$d_g=\sqrt{{(r_i^x-r_j^x)}^2+{(r_i^y-r_j^y)}^2}---\left(4\right)$

其中，经度w和纬度h方向上的单位距离为1。

当某片区域缺失大量数据即数据极端缺失时，POI和路网信息给噪声的恢复提供了极大的帮助。城市的噪声源和人类的活动紧密的相关，而人类的活动主要依赖于城市的物质基础，因此，城市POI的分布对人类活动产生了很大的影响，而车辆噪音是城市噪声的主要来源。我们从此得出结论，当两个格子中的特征越接近，代表它们的噪声水平很可能越接近。然后并不是所有的特征都和噪声分布相关的，因此，首先本发明通过训练数据分析出和噪声分布相关性较高的特征，然后用这些特征作为辅助去恢复缺失的噪声数据。

假设原始的特征为F＝[P₁,P₂,...P_t,R₁,R₂,...R_m]，特征和噪声的相关性用以下式子定义：

$S_i=\underset{F_i}{\Σ}\underset{y}{\Σ}p(F_i,y)log\frac{p(F_i,y)}{p\left(F_i\right)p\left(y\right)}---\left(5\right)$

S_i越大，表示特征F_i和噪声分布相关性越高。

本发明选取相关度较高的特征集合，定义为Φ，并定义特征距离：

$d_f=\underset{k\∈\mathrm{\Φ}}{\Σ}\frac{1}{S_k}{(F_i^k-F_j^k)}^2---\left(6\right)$

有了格子之间的几何距离和特征距离，格子的相似度矩阵定义如下：

$W(i,j)=e^{-\min ({\mathrm{\β}}_1{d}_g,{\mathrm{\β}}_2{d}_f)}---\left(7\right)$

格子之间的相似度由几何距离和特征距离中较小的一个决定，距离越小，相似度则越大。将噪声张量沿格子维度展开分别得到矩阵A_(G)应是低秩的，对于任意的格子i和格子j，W(i,j)越大，则向量A_(G)i和向量A_(G)j的距离应该越小。因此得到关于A_(G)的目标函数：

$\frac{1}{2}\underset{i\∈r,j\∈r}{\Σ}W(i,j)\left|\right|A_{\left(G\right)i}-A_{\left(G\right)j}|{|}^2=tr\left(A_{\left(G\right)}{\mathrm{LA}}_{\left(G\right)}^T\right)---\left(8\right)$

结合上述式子辅助张量填充，总体的目标函数如下：

$\underset{s}{min}{\mathrm{\α}}_1\left|\right|S_{\left(T\right)}|{|}_{*}+{\mathrm{\α}}_2|\left|S_{\left(D\right)}\right|{|}_{*}+{\mathrm{\α}}_{3}tr\left(A_{\left(G\right)}{{\mathrm{LA}}_{\left(G\right)}}^T\right)---\left(9\right)$

s.t.S_Ω＝A_Ω

其中L＝D-W是拉普拉斯矩阵，D是对角矩阵(D_i,i＝∑_jW(i,j))。使得式9的目标函数最小，从而恢复出所有噪声数据。

采用HaLRTC算法对M_T和M_D的核函数求解，用梯度下降法求解式9后面部分的迹函数。具体算法步骤如下:

1)初始化张量S，使得S_Ω＝A_Ω，S_Ω＝0，A为原始的噪声张量，Ω表示有真实数据的集合，表示需要填充的集合。输入参数ρ,K，K为迭代次数，令k＝0；

2)当k<K时，用以下公式更新：

$M_T={\mathrm{fold}}_T\&lsqb;D_{\frac{{\mathrm{\&alpha;}}_1}{\mathrm{\&rho;}}}(S_{\left(T\right)}+\frac{1}{\mathrm{\&rho;}}{Y}_{T\left(T\right)})\&rsqb;$

$M_D={\mathrm{fold}}_D\&lsqb;D_{\frac{{\mathrm{\&alpha;}}_2}{\mathrm{\&rho;}}}(S_{\left(D\right)}+\frac{1}{\mathrm{\&rho;}}{Y}_{D\left(D\right)})\&rsqb;$

M_G＝fold_G(M_G(G)-α₃LM_G(G))

$S_{\stackrel{\&OverBar;}{\mathrm{\&Omega;}}}=\frac{1}{3}{\&lsqb;M_T+M_D+M_G-\frac{1}{\mathrm{\&rho;}}(Y_T+Y_D)\&rsqb;}_{\stackrel{\&OverBar;}{\mathrm{\&Omega;}}}$

Y_T＝Y_T-ρ(M_T-S)

Y_D＝Y_D-ρ(M_D-S)

k＝k+1,返回2)重新执行；

否则，执行3)

3)输出恢复后的张量S

综上，在本发明所提供的构建城市噪声地图的方法中，所述构建城市噪声地图的方法通过采集部分区域、部分日期及部分时间段的噪声数据并映射到构建的三维噪声数据张量模型上；基于采集的部分区域、部分日期及部分时间段的噪声数据和低秩张量填充算法恢复未采集的区域、日期及时间段的噪声数据并映射到三维噪声数据张量模型上；基于三维噪声数据张量模型上的所有区域、所有日期及所有时间段的噪声数据构建城市噪声地图。由于本发明基于稀疏的噪声数据恢复了整个城市的噪声数据，进而构建出不同时刻城市噪声地图，相比传统的方法，节约了社会资源，免除了大量检测站点的建立与维护，缩短了构建噪声地图的时间，提高了工作效率。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (9)

1.一种构建城市噪声地图的方法，其特征在于，包括：

构建三维噪声数据张量模型，所述三维噪声数据张量模型的三个维度分别表示不同区域、不同日期及不同时间段；

采集部分区域、部分日期及部分时间段的噪声数据并映射到所述三维噪声数据张量模型上；

基于采集的部分区域的噪声数据和低秩张量填充算法恢复未采集的区域、日期及时间段的噪声数据并映射到所述三维噪声数据张量模型上；

基于所述三维噪声数据张量模型上所有区域、所有日期及所有时间段的噪声数据构建城市噪声地图。

2.如权利要求1所述的构建城市噪声地图的方法，其特征在于，所述采集部分区域、部分日期及部分时间段的噪声数据在映射到所述三维噪声数据张量模型上之前包括：对噪声数据进行调整及矫正的步骤。

3.如权利要求2所述的构建城市噪声地图的方法，其特征在于，对噪声数据进行调整及矫正包括：

采集声音信号；

采用基2离散快速傅里叶变化对所述声音信号进行频率抽取，并将声音信号中分量最大的频率作为所述声音信号的频率；

根据所述声音信号的频率计算A记权声压级；

基于所述A记权声压级和所述声音信号的原始声压级计算A记权调整后的声压级；

根据A记权调整后的声压级及采集声音信号的设备的矫正参数计算矫正后的噪声数据。

4.如权利要求3所述的构建城市噪声地图的方法，其特征在于，所述计算A记权调整后的声压级采用如下式子：

SPL＝L_A+L_P；

其中，L_A为A记权声压级，L_P为声音信号的原始声压级，SPL为A记权调整后的声压级。

5.如权利要求4所述的构建城市噪声地图的方法，其特征在于，计算矫正后的噪声数据采用如下式子：

y_c＝aSPL+b；

其中，a，b为采集声音信号的设备的矫正参数，SPL为A记权调整后的声压级，y_c为矫正后的噪声数据。

6.如权利要求3所述的构建城市噪声地图的方法，其特征在于，所述采集声音信号的设备的矫正参数与设备的型号有关。

7.如权利要求3所述的构建城市噪声地图的方法，其特征在于，采集声音信号的设备为手机或平板电脑。

8.如权利要求1所述的构建城市噪声地图的方法，其特征在于，采集噪声数据的设备设置有声音传感器，并具有GPS定位和网络传输功能。

9.如权利要求1-8中任一项所述的构建城市噪声地图的方法，其特征在于，还包括利用城市POI和道路网络信息辅助恢复未采集的区域、日期及时间段的噪声数据。