CN107705566A - 一种城市道路交通噪声预测方法及系统 - Google Patents
一种城市道路交通噪声预测方法及系统 Download PDFInfo
- Publication number
- CN107705566A CN107705566A CN201710982728.2A CN201710982728A CN107705566A CN 107705566 A CN107705566 A CN 107705566A CN 201710982728 A CN201710982728 A CN 201710982728A CN 107705566 A CN107705566 A CN 107705566A
- Authority
- CN
- China
- Prior art keywords
- road
- mrow
- vehicle
- sound pressure
- pressure level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市道路交通噪声预测方法,包括:在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆‑道路噪声特征数据;根据所述交通流量和所述车辆‑道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;将所述瞬态声压级预测值转换为等效连续声压级预测值。同时,本发明还公开了一种城市道路交通噪声预测系统。本发明适用于各种城市道路的噪声预测,预测精度高,能够为城市规划和土地规划提供可靠的决策依据。
Description
技术领域
本发明涉及城市道路交通噪声管理技术领域,具体涉及一种城市道路交通噪声预测方法及系统。
背景技术
道路交通噪声是指各种机动车辆行驶过程中产生的道路整体的综合噪声,是城市噪声的重要组成部分。为减轻城市噪声污染,有必要分析城市道路交通噪声的波动规律和发展趋势,对城市道路交通噪声作出精确可靠的预测,实现交通规划与城市规划的有效衔接。
现有的道路交通噪声预测模型包括日本声学会道路交通委员会提出的道路交通噪声预测模型,美国联邦高速公路管理局提出的高速公路交通噪声预测模型(FHWA模型),英国交通部发布的CRTN模型、CRTN88模型,我国《环境影响技术评价导则声环境(HJ2.4-2009)》和《公路建设项目环境影响评价规范(JTGB03-2006)》提出的噪声预测模型等。上述预测模型大多以一定的假设条件为前提,比如,车辆匀速行驶、车辆在直线路段上行驶,并采用若干修正系数对预测结果进行修正,比如,坡度修正、路面粗糙度修正等。在实际运行中,道路影响因素众多、情况复杂、车型种类也多,现有技术中的预测模型的适用范围有限且预测值与实际观测值存在一定程度的偏差,实用性不高。
因此,有必要寻找一个精度较高的城市道路交通噪声预测模型。
发明内容
为了解决现有技术中存在的问题,本发明提供了一种城市道路交通噪声预测方法,具体技术方案如下:
一种城市道路交通噪声预测方法,包括如下步骤:
在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
将所述瞬态声压级预测值转换为等效连续声压级预测值。
进一步地,所述在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数之前,还包括:
对所述车辆进行车型划分;所述车型包括电动自行车、摩托车、客车、小型客车、大货车和汽车,所述汽车包括轿车、皮卡、小型箱式货车和微型客车;
根据所述道路噪声参数对所述道路进行类型划分。
进一步地,所述车辆噪声参数包括车辆类型和车速;所述道路噪声参数包括路面宽度和路面类型。
进一步地,所述查询并获取对应的车辆-道路噪声特征数据之前,还包括:
在设定的时间窗口按预定时间步长获取道路上通过所述观测点的每一车辆的所述车辆噪声参数,并记录所述观测点的瞬态声压级实测值和所述交通流量;
根据所述车辆噪声参数将所述瞬态声压级实测值划分成子群;
平均处理每个所述子群的所述瞬态声压级实测值,生成所述车辆-道路噪声特征数据。
进一步地,所述将所述瞬态声压级预测值转换为等效连续声压级预测值,包括:
在所述道路为单车道时,按公式(1)将所述瞬态声压级预测值转换为等效连续声压级预测值:
在所述道路为多车道时,按公式(2)将所述瞬态声压级预测值转换为等效连续声压级预测值:
其中,Li,1s为所述瞬态声压级预测值,Leq,t为所述道路的所述等效连续声压级预测值,Leq,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,a为观测时长t与预设步长之间的单位换算系数。
进一步地,所述将所述瞬态声压级预测值转换为等效连续声压级预测值之后,还包括:将所述等效连续声压级预测值转换为噪声评价指标。
本发明还提供了一种城市道路交通噪声预测系统,具体技术方案如下:
一种城市道路交通噪声预测系统,包括如下模块:
第一采集模块,用于在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
获取模块,用于根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
预测模块,用于根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
第一转换模块,用于将所述瞬态声压级预测值转换为等效连续声压级预测值。
进一步地,还包括:
车辆类型划分模块,用于对所述车辆进行车型划分;所述车型包括电动自行车、摩托车、客车、小型客车、大货车和汽车,所述汽车包括轿车、皮卡、小型箱式货车和微型客车;
道路类型划分模块,用于根据所述道路噪声参数对所述道路进行类型划分。
进一步地,所述车辆噪声参数包括车辆类型和车速;所述道路噪声参数包括路面宽度和路面类型。
进一步地,还包括:
第二采集模块,用于在设定的时间窗口按预定时间步长获取道路上通过所述观测点的每一车辆的所述车辆噪声参数,并记录所述观测点的瞬态声压级实测值和所述交通流量;
数据分类模块,用于根据所述车辆噪声参数将所述瞬态声压级实测值划分成子群;
数据处理模块,用于平均处理每个所述子群的所述瞬态声压级实测值,生成所述车辆-道路噪声特征数据。
进一步地,所述第一转换模块包括:
单车道转换模块,用于在所述道路为单车道时,按公式(1)将所述瞬态声压级预测值转换为等效连续声压级预测值:
多车道转换模块,用于在所述道路为多车道时,按公式(2)将所述瞬态声压级预测值转换为等效连续声压级预测值:
其中,Li,1s为所述瞬态声压级预测值,Leq,t为所述道路的所述等效连续声压级预测值,Leq,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,a为观测时长t与预设步长之间的单位换算系数。
进一步地,还包括:
第二转换模块,用于将所述等效连续声压级预测值转换为噪声评价指标。
与现有技术相比,本发明的实施能够带来如下有益效果:
1、本发明对车辆类型进行了详细分类,基于所述分类获得的车辆-道路特征数据完整、精确、可靠,有利于提高噪声预测精确度。
2、本发明获取了每种车型以不同车速通过观测点的车辆-道路特征数据,既适用于车辆匀速行驶的情况,也适用于车辆变速行驶的情况,具有普适性和可移植性。
3、本发明将受多个因素共同作用的道路噪声参数作为一个整体,减少了预测工作量、得到的预测结果更接近实际观测值,可用于各种城市道路的噪声预测。
4、本发明基于互联网和图像识别技术获取车型、车速和交通流量信息,基于大数据技术构建车辆-道路特征数据库,建立了城市道路交通噪声预测系统与城市规划的连接,有利于交通规划与城市规划接轨,为城市规划和土地规划提供可靠的决策依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例提供的一种城市道路交通噪声预测方法的计算机终端的硬件结构框图;
图2是本发明实施例提供的计算机终端的结构框图;
图3是本发明实施例提供的一种城市道路交通噪声预测方法的流程图;
图4是本发明实施例提供的一种城市道路交通噪声预测方法的流程图;
图5是本发明实施例提供的车辆-道路噪声特征数据生成方法的流程图;
图6是本发明实施例提供的一种城市道路交通噪声预测系统的结构框图;
图7是本发明实施例提供的城市交通噪声预测系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本发明提供了一种城市道路交通噪声预测方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,图1是根据本发明实施例的一种城市道路交通噪声预测方法的计算机终端的硬件结构框图。如图1所示,计算机终端100可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端100还可包括比图2中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的一种城市道路交通噪声预测方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种城市道路交通噪声预测方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端100的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在上述运行环境下,本申请提供了如图3所示的一种城市道路交通噪声预测方法。该方法可以应用于计算机终端中,也可以应用于智能终端设备中,由智能终端设备中的处理器执行,智能终端设备可以是智能手机、平板电脑等。智能终端设备中安装有至少一个应用程序,本发明实施例并不限定应用程序的种类,可以为系统类应用程序,也可以为软件类应用程序。
随着我国汽车保有量以及城市人口密度的增加,城市交通噪声正在成为一个亟待控制的污染问题。城市噪声污染无形中影响着人们的健康状况,同时也在一定程度上阻碍着经济的发展。根据欧盟的报导,这种由城市噪声污染每年直接和间接造成的经济损失高达130~380亿美元。
在城市交通噪声预测方面,研究人员曾提出了一个最基本的模型,即建立了汽车数量的对数及其产生的声压级之间的关系。显而易见,当汽车数量越大,对应的噪声也越大。随后,研究人员也提出了更加详细的模型,将重型车辆的比重、车速、路面类型、路面宽度、路面倾斜度、建筑物高度等影响因素列入了预测模型中。
图3是根据本发明一个实施例提供的一种城市道路交通噪声预测方法的流程图。如图3所示,该一种城市道路交通噪声预测方法的一种可选的方案包括如下步骤:
S101:在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
需要指出的是,城市道路交通噪声预测的结果有赖于原始数据的精确程度,这是任何一种预测方法都不可回避的一点,原始数据的精确程度与所述车辆噪声参数和所述道路噪声参数的选取相关。现有技术提供的道路交通噪声预测模型大部分将车辆按照一定的系数折合成小汽车的噪声级进行分类,如英国CRTN交通噪声预测模型中将车辆分为大型车和小型车,我国公路交通运输噪声模型中根据车型的总质量将车辆分为小、中、大三种类型。当车辆速度相同时,小、中、大三种车型平均声功率级的大小顺序为大型车>中型车>小型车。然而,车辆产生的噪声与发动机、排气管、轮胎、冷却风扇和车辆振动噪声等多个因素相关,不同类型的车辆其载重量和发动机型号等各不相同,其车辆噪声辐射性能也不同,将车辆类型笼统的分为三种类型计算出的结果相对粗糙,预测的准确度和精度难以满足。为提高原始数据的准确度和精度,具体地,在所述在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数之前,还包括:对所述车辆进行车型划分;所述车型包括电动自行车、摩托车、客车、小型客车、大货车和汽车,所述汽车包括轿车、皮卡、小型箱式货车和微型客车;根据所述道路噪声参数对所述道路进行类型划分。
S102:根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
具体地,所述车辆噪声参数包括车辆类型和车速,所述道路噪声参数包括路面宽度和路面类型。
不同道路条件也是影响交通噪声的主要因素。可选地,所述道路噪声参数还包括路面结构、路面平整度、道路线型、道路坡度、道路结构中的一项或多项,根据所述道路结构还可以将所述道路分为地面道路、高架、路堑和隧道等。由于影响因素众多,道路交通噪声实际上是一种起伏很大的随机非稳态噪声。
路面宽度对车辆噪声有较大的影响,详细地,当道路的交通流量一定时,道路越宽,噪声较小,因为当道路较原来加宽时,道路拥堵状况较原来好,交通流饱和度降低,车辆均可以自由流的形式同行,显而易见的,车辆在匀速时产生的噪声较减速、加速和停车时候的小。
路面结构对车辆噪声有较大的影响,详细地,路面结构主要对小汽车的影响较大,因为路面和轮胎之间由摩擦而引起的噪声,对大型车辆造成的影响较小。
路面坡度对车辆噪声有较大影响,详细地,路面坡度对重型车辆的影响较小型车辆大,特别是载重汽车在上坡时,由于负荷和发动机转速的增加,使噪声明显提高,因而随着载重量的增加,坡度对声级的影响也增加,在路面具有一定坡度时,交通噪声要比一般平地道路高。
路段特征对车辆噪声也有一定的影响,详细地,城市道路的十字交叉路段,由于车辆的频繁启动、加速、减速和制动,使得该路段交通噪声比一般的道路要高。
道路线型对车辆噪声也有一定的影响,详细的,车辆在弯曲路段和直路段行驶时的速度变化情况不同,相应的,弯曲路段和直路段的交通噪声也不同。
另外,天气条件,如雨、雪等,可能引起机动车行驶速度降化,导致交通拥堵,机动车在匀速行驶时产生的噪声比低速行驶时小。
S103:根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
S104:将所述瞬态声压级预测值转换为等效连续声压级预测值。
具体地,所述将所述瞬态声压级预测值转换为等效连续声压级预测值,包括:
在所述道路为单车道时,按公式(1)将所述瞬态声压级预测值转换为等效连续声压级预测值:
在所述道路为多车道时,按公式(2)将所述瞬态声压级预测值转换为等效连续声压级预测值:
其中,Li,1s为所述瞬态声压级预测值,Leq,t为所述道路的所述等效连续声压级预测值,Leq,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,a为观测时长t与预设步长之间的单位换算系数。
根据上述公式进行预测发现单车道和双车道的预测结果较为准确,但是随着车道数的增加,噪声影响因素增加,比如车道间存在的声能量叠加影响,因此,预测值与实测值真简单偏差成都可能会发生变化。
图4本发明实施例提供的一种城市道路交通噪声预测方法的流程图,该实施例提供的方法既支持调用数据库中已有的车辆-道路噪声数据,也支持车辆-道路噪声数据的现用现采,现用现采相对于从数据库中调用数据能保证基础数据在时间上最新,避免因预测时间点与基础数据采集时间点之间间隔过长影响预测准确性;同时,在数据库中不存在与当前车辆噪声参数、道路噪声参数对应的数据时,现用现采模式能解决这一不足。如图4所示,该一种城市道路交通噪声预测方法的一种可选的方案包括如下步骤:
S201:划分车辆类型和道路类型;
对所述车辆进行车型划分;所述车型包括电动自行车、摩托车、客车、小型客车、大货车和汽车,所述汽车包括轿车、皮卡、小型箱式货车和微型客车;
根据所述道路噪声参数对所述道路进行类型划分。
S202:生成车辆-道路噪声特征数据;
图5是本发明实施例提供的车辆-道路噪声特征数据生成方法的流程图;如图5所示,该车辆-道路噪声特征数据的生成方法包括如下步骤:
S2021:在设定的时间窗口按预定时间步长获取道路上通过所述观测点的每一车辆的所述车辆噪声参数,并记录所述观测点的瞬态声压级实测值和所述交通流量;
S2022:根据所述车辆噪声参数将所述瞬态声压级实测值划分成子群;
S2023:平均处理每个所述子群的所述瞬态声压级实测值,生成所述车辆-道路噪声特征数据。
S203:在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
S204:根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
具体地,所述车辆噪声参数包括车辆类型和车速,当车辆速度增大时,产生的交通噪声随之增大;所述道路噪声参数包括路面宽度和路面类型。
S205:根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
S206:将所述瞬态声压级预测值转换为等效连续声压级预测值;
进一步地,所述将所述瞬态声压级预测值转换为等效连续声压级预测值,包括:
在所述道路为单车道时,按公式(1)将所述瞬态声压级预测值转换为等效连续声压级预测值:
在所述道路为多车道时,按公式(2)将所述瞬态声压级预测值转换为等效连续声压级预测值:
其中,Li,1s为所述瞬态声压级预测值,Lea,t为所述道路的所述等效连续声压级预测值,Leq,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,a为观测时长t与预设步长之间的单位换算系数。
在一个实施例中,所述道路为单车道,将所述瞬态声压级预测值转换为等效连续声压级预测值采用公式(3)计算:
在一个实施例中,所述道路为双车道时,将所述瞬态声压级预测值转换为等效连续声压级预测值采用公式(4)计算:
其中,Li,1s为所述瞬态声压级预测值,Leq,t为所述道路的所述等效连续声压级预测值,Leq,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,t=10min,a为观测时长t与预设步长之间的单位换算系数,a=60。
S207:将所述等效连续声压级预测值转换为噪声评价指标。
具体地,所述噪声评价指标包括但不限于等效声级、昼夜等效声级。
在一个实施例中,首先,将车辆划分为以下几个种类:电动自行车、摩托车、汽车(包括轿车、皮卡、小型箱式货车、微型客车)、客车、小型客车、大货车等等。其次,需要某种道路类型下对每一种车辆进行单独的噪声采集,以此排除实际道路上其他车辆和噪声源的干扰。最后,需要完成不同道路类型下的噪声采集,因为不同道路类型下的车辆通过噪声、背景噪声、路面宽度(影响车辆与测点的距离)等具有一定的差异,比如单车道/多车道、水泥路面/柏油路面等。
为了达到这个目的,本专利在不同的路况下采用传声器测量每一辆车通过测点时的瞬态声压级。具体地,在测试过程中,采用三脚架将传声器固定在距离地面1.2m、距离路边(机动车道的路边-可以为路肩,也可以为非机动车道、人行道,视具体情况而定)1m的位置。测试前,传声器需要调整到A计权和慢计权(时间常数为1s)。
另外,本专利采用图像识别技术,通过高清摄像头完成车速的测量、车数的统计并获取车牌号信息,其中,车牌信息用于车型的辨认,实际操作时,车型的辨认需要与交通部门联网,获取与所述车牌号对应的车辆信息,根据所述车辆信息判断其所属的车辆类型。
为了提升数据的可靠性,具体地,在测试过程中还需要满足如下要求:路面平整且干燥;风速小于4km/h;其他声源的干扰尽可能小。具体地,在数据处理过程中还需要满足如下要求:对于任一种类的车辆,在最大声压级(当车辆通过传声器的时刻)和车速之间建立了回归分析。为了避免出现较低的可决系数(指回归平方和在总变差中所占的比重),本实施例采用分类树将不同车速作为子群,然后将每个子群在不同时刻的声压级进行平均处理。为了简便起见,将车辆通过传声器的时刻作为0,将车辆接近传声器的8s定义为-1s至-8s,时间步长为1s。在以上数据的支持下,本专利基于线性和非线性回归分析,可以找到可决系数最高的模型。需要说明的是,预测系统假设车辆接近和离开测点的声学特性是对称的。
基于第一部分的工作,城市道路交通噪声预测工作主要包括以下内容:具体地,获取每一秒钟车辆是否出现、车辆属于哪个分类、车速为多少、在何种道路类型下等各项噪声参数,也就是说,每一个车道的各项噪声参数的集合可以抽象为一个蒙特卡洛模型,所述模型采用的是不放回抽样的形式;具体地,在每一个车道上定义一个时间窗,时间窗对称设置,时间范围为[-t,t],t的单位为秒,t为正整数,在该实施例中,t的取值为8,时间窗的时长为17s,步长为1s,即-8,-7,…,0,…,7,8。在时间窗内,基于Weibull函数得到某车型在某车速下行驶过程中的瞬态声压级(L_(i,1s));具体地,还包括设定一个数据信息收集点,用于接收每一秒下两车道的瞬态声压,并且计算得到连续的等效声压级。最后通过求解可以得到一个时间段内的声压级常数,它是各个时刻下声能的等效值。噪声预测系统的计算和采样时间可参考道路交通流量观测的时长设置,根据实际预测需要确定,可选地,计算和采样时间可为5分钟、10分钟、15分钟或20分钟。
实施本实施例具有以下有益效果:
1、本实施例对车辆类型进行了详细分类,基于所述分类获得的车辆-道路特征数据完整、精确、可靠,有利于提高噪声预测精确度。
2、本实施例获取了每种车型以不同车速通过观测点的车辆-道路特征数据,既适用于车辆匀速行驶的情况,也适用于车辆变速行驶的情况,具有普适性和可移植性。
3、本实施例将受多个因素共同作用的道路噪声参数作为一个整体,不再对影响道路噪声参数的各项因素条陈缕析、逐一判别,规避了繁琐的分析和修正过程,如道路坡度修正、地面吸收修正、声屏障修正、车速修正、车流量修正、距离衰减和有限长路段修正以及道路结构修正等,减少了预测工作量、得到的预测结果更接近实际观测值,可用于各种城市道路的噪声预测。
4、本实施例将等效声压级转换为噪声影响评价指标,增强了预测结果的可读性,根据噪声评价指标转绘制的噪声预测曲线使得噪声预测结果变化趋势一目了然,可读性强。
5、本实施例基于互联网和图像识别技术获取车型、车速和交通流量信息,基于大数据技术构建车辆-道路特征数据库,建立了城市道路交通噪声预测系统与城市规划的连接,有利于交通规划与城市规划接轨,为城市规划和土地规划提供可靠的决策依据。
实施例2
本发明还提供了一种城市道路交通噪声预测系统,如图6所示,具体技术方案如下:
一种城市道路交通噪声预测系统,包括如下模块:
第一采集模块301,用于在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
获取模块302,用于根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
具体地,所述车辆噪声参数包括车辆类型和车速;所述道路噪声参数包括路面宽度和路面类型。
预测模块303,用于根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
第一转换模块304,用于将所述瞬态声压级预测值转换为等效连续声压级预测值。
具体地,所述第一转换模块304包括单车道转换模块和多车道转换模块,所述单车道转换模块,用于在所述道路为单车道时,按公式(1)将所述瞬态声压级预测值转换为等效连续声压级预测值:
所述多车道转换模块,用于在所述道路为多车道时,按公式(2)将所述瞬态声压级预测值转换为等效连续声压级预测值:
其中,Li,1s为所述瞬态声压级预测值,Leq,t为所述道路的所述等效连续声压级预测值,Leq,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,a为观测时长t与预设步长之间的单位换算系数。
优选地,所述系统还包括第二转换模块,所述第二转换模块,用于将所述等效连续声压级预测值转换为噪声评价指标。
具体地,所述系统还包括车辆类型划分模块和道路类型划分模块,所述车辆类型划分模块,用于对所述车辆进行车型划分;所述车型包括电动自行车、摩托车、客车、小型客车、大货车和汽车,所述汽车包括轿车、皮卡、小型箱式货车和微型客车。
需要指出的是,车型的划分方法包括但不限于上述分类,车型划分越详细,所获取的车辆-道路噪声特征数据越准确,相应的数据采集和处理工作量也随之增大。因此,在实际预测过程中,车辆类型划分的详细程度应与道路属性、交通组成以及数据处理能力相适应。在一个实施例中,所述道路为快速路,所述车型包括客车、小型客车、大货车、轿车、皮卡、小型箱式货车和微型客车;在一个实施例中,所述道路为支路,所述车型包括电动自行车、摩托车和汽车。
道路类型划分模块,用于根据所述道路噪声参数对所述道路进行类型划分。
可选地,所述系统还包括第二采集模块、数据分类模块和数据处理模块,所述第二采集模块,用于在设定的时间窗口按预定时间步长获取道路上通过所述观测点的每一车辆的所述车辆噪声参数,并记录所述观测点的瞬态声压级实测值和所述交通流量;所述数据分类模块,用于根据所述车辆噪声参数将所述瞬态声压级实测值划分成子群;所述数据处理模块,用于平均处理每个所述子群的所述瞬态声压级实测值,生成所述车辆-道路噪声特征数据。
图7是本发明实施例提供的城市交通噪声预测系统的示意图,如图7所示,所示城市交通噪声预测系统包括高清摄像头、传声器、数据采集器和预测终端,其中每条车道上均设置有高清摄像头,其中传声器距离路边1m,摄像头与数据采集器通信连接,传声器与数据采集器通信连接,数据采集器与预测终端通信连接,预测终端用于运行噪声预测算法并显示,所述预测终端还用于与交通管理部门的系统进行交互,以查询和获取车辆信息。
实施本实施例具有以下有益效果:
1、本发明对车辆类型进行了详细分类,基于所述分类获得的车辆-道路特征数据完整、精确、可靠,有利于提高噪声预测精确度。
2、本发明获取了每种车型以不同车速通过观测点的车辆-道路特征数据,既适用于车辆匀速行驶的情况,也适用于车辆变速行驶的情况,具有普适性和可移植性。
3、本发明将受多个因素共同作用的道路噪声参数作为一个整体,不再对影响道路噪声参数的各项因素条陈缕析、逐一判别,规避了繁琐的分析和修正过程,如道路坡度修正、地面吸收修正、声屏障修正、车速修正、车流量修正、距离衰减和有限长路段修正以及道路结构修正等,减少了预测工作量、得到的预测结果更接近实际观测值,可用于各种城市道路的噪声预测。
4、本发明将等效声压级转换为噪声影响评价指标,增强了预测结果的可读性,根据噪声评价指标转绘制的噪声预测曲线使得噪声预测结果变化趋势一目了然,可读性强。
5、本发明基于互联网和图像识别技术获取车型、车速和交通流量信息,基于大数据技术构建车辆-道路特征数据库,建立了城市道路交通噪声预测系统与城市规划的连接,有利于交通规划与城市规划接轨,为城市规划和土地规划提供可靠的决策依据。
实施例3
本发明还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一种城市道路交通噪声预测方法所执行的程序代码。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
第一步,在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
第二步,根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
第三步,根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
第四步,将所述瞬态声压级预测值转换为等效连续声压级预测值。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
实施例4
本发明的实施例还提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。
可选地,图2是根据本发明实施例的计算机终端的结构框图。如图2所示,该计算机终端A可以包括:一个或多个(图中仅示出一个)处理器161和存储器163。
其中,存储器163可用于存储软件程序以及模块,如本发明实施例中的一种城市道路交通噪声预测方法及系统对应的程序指令/模块,处理器161通过运行存储在存储器163内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的城市道路交通噪声预测程序。存储器163可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器163可进一步包括相对于处理器161远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端A。
其中,具体地,存储器163用于存储预设动作条件和预设权限用户的信息、以及应用程序。
处理器161可以通过传输装置调用存储器163存储的信息及应用程序,以执行下述步骤:
可选的,上述处理器161还可以执行如下步骤的程序代码:
第一步,在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
第二步,根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
第三步,根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
第四步,将所述瞬态声压级预测值转换为等效连续声压级预测值。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (12)
1.一种城市道路交通噪声预测方法,其特征在于,包括:
在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
将所述瞬态声压级预测值转换为等效连续声压级预测值。
2.根据权利要求1所述的方法,其特征在于,所述在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数之前,还包括:
对所述车辆进行车型划分;所述车型包括电动自行车、摩托车、客车、小型客车、大货车和汽车,所述汽车包括轿车、皮卡、小型箱式货车和微型客车;
根据所述道路噪声参数对所述道路进行类型划分。
3.根据权利要求1所述的方法,其特征在于,所述车辆噪声参数包括车辆类型和车速;所述道路噪声参数包括路面宽度和路面类型。
4.根据权利要求1所述的方法,其特征在于,所述查询并获取对应的车辆-道路噪声特征数据之前,还包括:
在设定的时间窗口按预定时间步长获取道路上通过所述观测点的每一车辆的所述车辆噪声参数,并记录所述观测点的瞬态声压级实测值和所述交通流量;
根据所述车辆噪声参数将所述瞬态声压级实测值划分成子群;
平均处理每个所述子群的所述瞬态声压级实测值,生成所述车辆-道路噪声特征数据。
5.根据权利要求1所述的方法,其特征在于,所述将所述瞬态声压级预测值转换为等效连续声压级预测值,包括:
在所述道路为单车道时,按公式(1)将所述瞬态声压级预测值转换为等效连续声压级预测值:
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>10</mn>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>a</mi>
<mi>t</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mn>1</mn>
<mrow>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msubsup>
<msup>
<mn>10</mn>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
<mi>s</mi>
</mrow>
</msub>
<mo>/</mo>
<mn>10</mn>
</mrow>
</msup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
在所述道路为多车道时,按公式(2)将所述瞬态声压级预测值转换为等效连续声压级预测值:
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>10</mn>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mn>10</mn>
<mfrac>
<msub>
<mi>L</mi>
<mrow>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
<mo>,</mo>
<mi>l</mi>
<mi>a</mi>
<mi>n</mi>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>10</mn>
</mfrac>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Li,1s为所述瞬态声压级预测值,Leq,t为所述道路的所述等效连续声压级预测值,Leq,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,a为观测时长t与预设步长之间的单位换算系数。
6.根据权利要求1所述的方法,其特征在于,所述将所述瞬态声压级预测值转换为等效连续声压级预测值之后,还包括:将所述等效连续声压级预测值转换为噪声评价指标。
7.一种城市道路交通噪声预测系统,其特征在于,包括:
第一采集模块,用于在设定的时间窗口按预定时间步长获取道路上通过观测点的每一车辆的车辆噪声参数,并记录所述观测点的交通流量;
获取模块,用于根据所述车辆噪声参数和预先获取的所述道路的道路噪声参数,查询并获取对应的车辆-道路噪声特征数据;
预测模块,用于根据所述交通流量和所述车辆-道路噪声特征数据,计算各时刻点所述观测点的瞬态声压级预测值;
第一转换模块,用于将所述瞬态声压级预测值转换为等效连续声压级预测值。
8.根据权利要求7所述的系统,其特征在于,还包括:
车辆类型划分模块,用于对所述车辆进行车型划分;所述车型包括电动自行车、摩托车、客车、小型客车、大货车和汽车,所述汽车包括轿车、皮卡、小型箱式货车和微型客车;
道路类型划分模块,用于根据所述道路噪声参数对所述道路进行类型划分。
9.根据权利要求7所述的系统,其特征在于,所述车辆噪声参数包括车辆类型和车速;所述道路噪声参数包括路面宽度和路面类型。
10.根据权利要求7所述的系统,其特征在于,还包括:
第二采集模块,用于在设定的时间窗口按预定时间步长获取道路上通过所述观测点的每一车辆的所述车辆噪声参数,并记录所述观测点的瞬态声压级实测值和所述交通流量;
数据分类模块,用于根据所述车辆噪声参数将所述瞬态声压级实测值划分成子群;
数据处理模块,用于平均处理每个所述子群的所述瞬态声压级实测值,生成所述车辆-道路噪声特征数据。
11.根据权利要求7所述的系统,其特征在于,所述第一转换模块包括:
单车道转换模块,用于在所述道路为单车道时,按公式(1)将所述瞬态声压级预测值转换为等效连续声压级预测值:
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>10</mn>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>a</mi>
<mi>t</mi>
</mrow>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mn>1</mn>
<mrow>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msubsup>
<msup>
<mn>10</mn>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mn>1</mn>
<mi>s</mi>
</mrow>
</msub>
<mo>/</mo>
<mn>10</mn>
</mrow>
</msup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
多车道转换模块,用于在所述道路为多车道时,按公式(2)将所述瞬态声压级预测值转换为等效连续声压级预测值:
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>10</mn>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mn>10</mn>
<mfrac>
<msub>
<mi>L</mi>
<mrow>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>t</mi>
<mo>,</mo>
<mi>l</mi>
<mi>a</mi>
<mi>n</mi>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mn>10</mn>
</mfrac>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Li,1s为所述瞬态声压级预测值,Leq,t为所述道路的所述等效连续声压级预测值,Let,t,lanei为所述道路的一个车道的所述等效连续声压级预测值,t为观测时长,a为观测时长t与预设步长之间的单位换算系数。
12.根据权利要求7所述的系统,其特征在于,还包括:
第二转换模块,用于将所述等效连续声压级预测值转换为噪声评价指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710982728.2A CN107705566B (zh) | 2017-10-20 | 2017-10-20 | 一种城市道路交通噪声预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710982728.2A CN107705566B (zh) | 2017-10-20 | 2017-10-20 | 一种城市道路交通噪声预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705566A true CN107705566A (zh) | 2018-02-16 |
CN107705566B CN107705566B (zh) | 2020-04-28 |
Family
ID=61181894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710982728.2A Active CN107705566B (zh) | 2017-10-20 | 2017-10-20 | 一种城市道路交通噪声预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705566B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108981892A (zh) * | 2018-06-20 | 2018-12-11 | 温州新鸿检测技术有限公司 | 一种环境噪声检测方法 |
CN109785621A (zh) * | 2019-02-02 | 2019-05-21 | 重庆港力环保股份有限公司 | 一种依托大数据的道路交通噪声智能优化控制方法 |
CN110319920A (zh) * | 2019-05-15 | 2019-10-11 | 中国船舶重工集团公司第七一九研究所 | 一种基于设备等效声源点的噪声定量预报方法及系统 |
CN110458475A (zh) * | 2019-08-20 | 2019-11-15 | 中国地铁工程咨询有限责任公司 | 基于声环境的城市轨道交通高架线规划方法和装置 |
CN110738855A (zh) * | 2019-10-29 | 2020-01-31 | 王程 | 一种数据稀疏时间段的道路交通流状况预测方法 |
CN111949942A (zh) * | 2020-07-11 | 2020-11-17 | 中国第一汽车股份有限公司 | 一种加速车内噪声线性度的评价方法 |
CN112071073A (zh) * | 2020-09-18 | 2020-12-11 | 上海市环境科学研究院 | 一种噪声地图系统的道路噪声自动修正方法 |
CN113420588A (zh) * | 2021-05-11 | 2021-09-21 | 东南大学 | 可视化道路噪声场建立方法、装置、设备及计算机存储介质 |
CN113421422A (zh) * | 2021-06-22 | 2021-09-21 | 吴桐雨 | 一种基于物联网及云计算技术的城市道路噪声预测系统 |
CN115235614A (zh) * | 2022-09-23 | 2022-10-25 | 广州声博士声学技术有限公司 | 一种城市环境噪声实时监测方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542121A (zh) * | 2012-01-20 | 2012-07-04 | 中山大学 | 一种不同行驶状态下的机动车噪声排放预测方法 |
CN103778299A (zh) * | 2014-02-08 | 2014-05-07 | 东南大学 | 一种基于动态交通流的长直公路周边区域噪声预测方法 |
CN104332050A (zh) * | 2014-10-27 | 2015-02-04 | 浙江省环境保护科学设计研究院 | 一种智能环境噪声与振动监测装置及监测方法 |
CN106503448A (zh) * | 2016-10-25 | 2017-03-15 | 中山大学 | 一种自由流道路交通噪声概率预测方法 |
CN106777837A (zh) * | 2017-02-20 | 2017-05-31 | 中国环境监测总站 | 一种城市道路噪声源强预测方法及装置 |
-
2017
- 2017-10-20 CN CN201710982728.2A patent/CN107705566B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542121A (zh) * | 2012-01-20 | 2012-07-04 | 中山大学 | 一种不同行驶状态下的机动车噪声排放预测方法 |
CN103778299A (zh) * | 2014-02-08 | 2014-05-07 | 东南大学 | 一种基于动态交通流的长直公路周边区域噪声预测方法 |
CN104332050A (zh) * | 2014-10-27 | 2015-02-04 | 浙江省环境保护科学设计研究院 | 一种智能环境噪声与振动监测装置及监测方法 |
CN106503448A (zh) * | 2016-10-25 | 2017-03-15 | 中山大学 | 一种自由流道路交通噪声概率预测方法 |
CN106777837A (zh) * | 2017-02-20 | 2017-05-31 | 中国环境监测总站 | 一种城市道路噪声源强预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
张昌佳: "一种交通噪声预测的新方法", 《电声技术》 * |
马心坦 等: "四车道高速公路交通噪声模型仿真分析", 《机械设计与制造》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108981892A (zh) * | 2018-06-20 | 2018-12-11 | 温州新鸿检测技术有限公司 | 一种环境噪声检测方法 |
CN109785621A (zh) * | 2019-02-02 | 2019-05-21 | 重庆港力环保股份有限公司 | 一种依托大数据的道路交通噪声智能优化控制方法 |
CN109785621B (zh) * | 2019-02-02 | 2021-08-27 | 重庆港力环保股份有限公司 | 一种依托大数据的道路交通噪声智能优化控制方法 |
CN110319920B (zh) * | 2019-05-15 | 2021-07-20 | 中国船舶重工集团公司第七一九研究所 | 一种基于设备等效声源点的噪声定量预报方法及系统 |
CN110319920A (zh) * | 2019-05-15 | 2019-10-11 | 中国船舶重工集团公司第七一九研究所 | 一种基于设备等效声源点的噪声定量预报方法及系统 |
CN110458475A (zh) * | 2019-08-20 | 2019-11-15 | 中国地铁工程咨询有限责任公司 | 基于声环境的城市轨道交通高架线规划方法和装置 |
CN110458475B (zh) * | 2019-08-20 | 2020-10-09 | 中国地铁工程咨询有限责任公司 | 基于声环境的城市轨道交通高架线规划方法和装置 |
CN110738855A (zh) * | 2019-10-29 | 2020-01-31 | 王程 | 一种数据稀疏时间段的道路交通流状况预测方法 |
CN111949942A (zh) * | 2020-07-11 | 2020-11-17 | 中国第一汽车股份有限公司 | 一种加速车内噪声线性度的评价方法 |
CN111949942B (zh) * | 2020-07-11 | 2023-11-10 | 中国第一汽车股份有限公司 | 一种加速车内噪声线性度的评价方法 |
CN112071073A (zh) * | 2020-09-18 | 2020-12-11 | 上海市环境科学研究院 | 一种噪声地图系统的道路噪声自动修正方法 |
CN112071073B (zh) * | 2020-09-18 | 2021-08-17 | 上海市环境科学研究院 | 一种噪声地图系统的道路噪声自动修正方法 |
CN113420588A (zh) * | 2021-05-11 | 2021-09-21 | 东南大学 | 可视化道路噪声场建立方法、装置、设备及计算机存储介质 |
CN113420588B (zh) * | 2021-05-11 | 2022-12-13 | 东南大学 | 可视化道路噪声场建立方法、装置、设备及计算机存储介质 |
CN113421422A (zh) * | 2021-06-22 | 2021-09-21 | 吴桐雨 | 一种基于物联网及云计算技术的城市道路噪声预测系统 |
CN113421422B (zh) * | 2021-06-22 | 2022-04-12 | 吴桐雨 | 一种基于物联网及云计算技术的城市道路噪声预测系统 |
CN115235614A (zh) * | 2022-09-23 | 2022-10-25 | 广州声博士声学技术有限公司 | 一种城市环境噪声实时监测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107705566B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705566A (zh) | 一种城市道路交通噪声预测方法及系统 | |
Mishra et al. | Evaluation and analysis of traffic noise along bus rapid transit system corridor | |
CN113515722B (zh) | 一种道路交通排放与扬尘排放的实时监测方法与系统 | |
Anderson | Comparison of spatial methods for measuring road accident ‘hotspots’: a case study of London | |
Fontes et al. | Are HOV/eco-lanes a sustainable option to reducing emissions in a medium-sized European city? | |
CN105206056B (zh) | 道路交通污染源智能预测方法及系统 | |
Landis | Bicycle system performance measures | |
Du et al. | Predicting freeway work zone delays and costs with a hybrid machine-learning model | |
CN105975721A (zh) | 事故重现碰撞仿真建立方法及基于车辆实时运动状态的事故重现碰撞仿真方法 | |
Rajakumara et al. | Road traffic noise prediction model under interrupted traffic flow condition | |
Mansourkhaki et al. | A neural network noise prediction model for Tehran urban roads | |
CN112863172A (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
Lin et al. | The application of GIS to air quality analysis in Taichung City, Taiwan, ROC | |
CN113935442B (zh) | 汽车自动驾驶功能测试道路的分类方法、设备和存储介质 | |
CN114819305A (zh) | 一种基于碳排放度量尺度下的路径规划方法 | |
Coelho et al. | A methodology for modelling and measuring traffic and emission performance of speed control traffic signals | |
Abdur-Rouf et al. | A before-and-after traffic noise analysis of a roundabout converted to a signalized intersection | |
Anjaneyulu et al. | Modeling ambient carbon monoxide pollutant due to road traffic | |
CN113849976B (zh) | 规划用地的开发强度评估方法、装置及设备 | |
Roh et al. | Microscopic and macroscopic diagnosis of the effect of winter weather conditions on distribution pattern of truck types in regional commuter road | |
Singh et al. | Modelling of urban traffic noise using a systems approach | |
Yadav et al. | Determination of passenger car noise equivalent for mid-sized cities in India | |
Tanvir et al. | Development of interrupted flow traffic noise prediction model for Dhaka City | |
Jia et al. | Modeling and simulation of rainfall impacts on urban traffic flow: A case study in Beijing | |
CN112308447A (zh) | 试验场管理系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |