CN111814392B - 基于深度学习的工地敏感测点噪声预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的工地敏感测点噪声预测方法。通过配置接入固定噪声监测设备和移动噪声监测设备，使用这些设备建立固定监测设备监测值和敏感测点噪声值之间的关系，将固定噪声监测设备监测数据作为输入数据，输入到通过深度学习建立的预测模型，对工地敏感测点的噪声值进行实时预测。通过本发明解决了现有工地敏感测点噪音监控或预测方式具有的问题，提供了一种成本较低的能够对工地所有敏感测点噪声值进行预测的新方法，提高了建筑工地噪声管控质量和效率。

Description

基于深度学习的工地敏感测点噪声预测方法

技术领域

本发明涉及建筑工地噪声管控领域，尤其是涉及基于深度学习的工地敏感测点噪声预测方法。

背景技术

现阶段，在建筑行业中，人民对环境噪声污染的敏感度越来越高，时常出现工地周边居民对施工噪音污染进行举报的情况，举报后环保部门会进行例行检查，影响工地施工工作正常进行。而且现在国家的立法和标准，需要对工地现场噪声污染进行严格的管理和控制，避免施工噪声超出规定限制，对周边环境造成较大影响。

一般情况下，都是通过在工地上安装或配置噪声监测设备来对工地上敏感测点进行实时监测。(敏感测点指的是工地边界线上，离噪声敏感建筑或区域最近的点，一般有多个)。但这些方法存在着如下一些问题。

首先，如果在所有敏感测点上安装固定噪声监测设备成本太高，且有些敏感测点由于一些原因(需要建其他临时设施、电力供应不方便等)，无法安装固定噪声监测设备，无法对没个敏感测点噪音进行实时控制。

然后，如果采用移动噪声监测设备人工测量的方式，这样太耗费人力且无法对每一个敏感测点的噪声情况进行实时监测。

另外，如果通过理论知识，例如声功率级衰减公式、遮挡物的衰减、空气吸收衰减公式等。在理想情况下，可由这些理论公式，耗费极高的智力劳动推导出一个近似的噪声预测模型公式。但由于工地上情况复杂，主要噪声源时常移动、改变，随着建设进行，遮挡物也会不断改变等，耗费高智力劳动得出的固定公式极易失效，造成预测偏差较大，预测效率很低。

发明内容

本发明提供了技术方法，解决上述相关技术中不足，在配置较少噪声监测设备的前提下，对工地上所有敏感测点的噪声进行实时监测或预测，能对工地的整体噪声情况进行实时控制。

本发明提供了一种基于深度学习的工地敏感测点噪声预测方法，包括以下步骤：

S1、接入并配置多个固定噪声监测设备；

S2、接入并配置至少一个移动噪声监测设备；

S3、配置当前需要建立预测模型的敏感测点的属性，配置个数不超过已接入配置的移动噪声监测设备的数量；其中所述敏感测点的属性包括敏感测点唯一标识属性，敏感测点与接入的移动监测设备一一对应；

S4、将与所配置的敏感测点的属性对应的移动噪声监测设备放置在对应敏感测点位置上；

S5、将固定噪声监测设备和移动噪声监测设备的历史监测数据输入到深度学习的模型中进行训练，建立预测模型，其中，固定噪声监测设备的监测数据作为训练输入数据，移动噪声监测设备的监测数据作为训练结果数据；

重复步骤S3至S5，直到所有需要噪声预测的敏感测点都建立了预测模型；

S6、实时采集固定噪声监测设备的监测数据，并输入到通过深度学习建立的预测模型，对敏感测点的噪声值进行实时预测。

接上述技术方案，步骤S1中配置接入至少三个固定噪声监测设备。

接上述技术方案，固定噪声监测设备都安置在固定点上。

接上述技术方案，固定点为敏感测点。

接上述技术方案，固定点为非敏感测点。

本发明还提供了一种基于深度学习的工地敏感测点噪声预测系统，包括：

接入配置模块，用于接入并配置多个固定噪声监测设备，接入并配置至少一个移动噪声监测设备；以及配置当前需要建立预测模型的敏感测点的属性，配置个数不超过已接入配置的移动噪声监测设备的数量；其中所述敏感测点的属性包括敏感测点唯一标识属性，敏感测点与接入的移动监测设备一一对应；与所配置的敏感测点的属性对应的移动噪声监测设备均放置在对应敏感测点位置上；

深度学习模块，用于将固定噪声监测设备和移动噪声监测设备的历史监测数据输入到深度学习的模型中进行训练，建立预测模型，其中，固定噪声监测设备的监测数据作为训练输入数据，移动噪声监测设备的监测数据作为训练结果数据；直到所有需要噪声预测的敏感测点都建立了预测模型；

实时预测模块，用于实时采集固定噪声监测设备的监测数据，并输入到通过深度学习建立的预测模型，对敏感测点的噪声值进行实时预测。

本发明产生的有益效果是：本发明基于深度学习的工地敏感测点噪音值预测方法，通过配置接入固定噪声监测设备和移动噪声监测设备，使用这些设备建立固定监测设备监测值和敏感测点噪声值之间的关系，将固定噪声监测设备监测数据作为输入数据，输入到通过深度学习建立的预测模型，对工地敏感测点的噪声值进行实时预测。本发明解决了现有工地敏感测点噪音监控或预测方式具有的问题，提高了建筑工地噪声管控质量和效率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例基于深度学习的工地敏感测点噪声预测方法流程图；

图2为本发明实施例中工地上固定噪音监测设备安置点和敏感测点分布图；

图3为本发明实施例中应用了本发明方法的系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明的理论基础为：

在自由声场条件下，点生源的声波遵循着球面发散规律，按声功率级作为点声源评价量，声功率级衰减公式为：

ΔL＝10lg(1/4πr²)

式子中：ΔL表示距离增加产生的衰减值，dB；r表示点声源至测点的距离，m。

由上声功率级衰减公式可知，在距离点声源，r₁距离的测点1和r₂距离的测点2存在如下关系：

ΔL₁₂＝20lg(r₁/r₂)

意味着在理想情况下，如果单个点声源位置不动，两点间的声功率级衰减是固定的。在最理想情况下，我们只需要测一次测点1和测点2、测点1和测点3、测点1和测点4、……之间的声功率级衰减值，即可由测点1的声功率级值预测出测点2、测点3、测点4、……的声功率级值(即噪声值)。

另由上可知，即我们可以根据两点间的声功率衰减值求得两点间距离声源距离的比值。

进一步，如果平面上有三个测点坐标已知为(x1，y1)、(x2，y2)、(x3，y3)，声源坐标未知为(x4，y4)，距离点声源距离分别为r1，r2，r3，则

声源分别到这三个点的距离r1、r2、r3的表达式：

r1²＝(x4-x1)²+(y4-y1)²

r2²＝(x4-x2)²+(y4-y2)²

r3²＝(x4-x3)²+(y4-y3)²

因为r1²/r2²，r2²/r3²已知，将上面表达带入，即可求得x4，y4的值(这里只讨论一般情况，特殊情况，例如三个测点排布为直线时，无法求解)。

以上推导说明，一般情况下，平面上根据三个已知测点的声功率值和位置可以推导出声源的位置。同理可证，在三维空间中已知4个测点，即可求得声源位置。

但在现实中，工地中存在诸多额外需要考虑的情况，例如声源不是点声源、主要声源不止一个、存在诸多干扰或背景声源、主要声源可能会移动、存在遮挡物、遮挡物可能会改变等情况，不能简单使用以上方法、公式进行预测，但是以上推导也说明在稳定情况下各个测点之间的测值是存在关系的。

深度学习的优势就是能够通过训练数据来快速发现输入数据与输出结果之间隐藏的复杂关系(即复杂的模型)，使用深度学习来进行更为复杂的噪音预测模型的建立恰好能够发挥深度学习的特点。

所以本发明使用固定和移动噪声监测设备的监测数据作为训练数据，利用深度学习的方法来建立固定测点监测数据和敏感测点间的噪声值关系模型，然后使用建立的模型来对敏感测点噪声值进行预测。

如图1所示，本发明提供了一种基于深度学习的工地敏感测点噪声预测方法，包括以下步骤：

S1、接入并配置多个固定噪声监测设备；

S2、接入并配置至少一个移动噪声监测设备；

S3、配置当前需要建立预测模型的敏感测点的属性，配置个数不超过已接入配置的移动噪声监测设备的数量；其中所述敏感测点的属性包括敏感测点唯一标识属性，敏感测点与接入的移动监测设备一一对应；

S4、将与所配置的敏感测点的属性对应的移动噪声监测设备放置在对应敏感测点位置上；

S5、将固定噪声监测设备和移动噪声监测设备的历史监测数据输入到深度学习的模型中进行训练，建立预测模型，其中，固定噪声监测设备的监测数据作为训练输入数据，移动噪声监测设备的监测数据作为训练结果数据；

重复步骤S3至S5，直到所有需要噪声预测的敏感测点都建立了预测模型；

S6、实时采集固定噪声监测设备的监测数据，并输入到通过深度学习建立的预测模型，对敏感测点的噪声值进行实时预测。

进一步地，步骤S1中配置接入至少三个固定噪声监测设备。

进一步地，固定噪声监测设备都安置在固定点上。

固定点为敏感测点或者为非敏感测点。

如图2所示，为某一在建工地，依照《建筑施工场界环境噪声排放标准》中规定的测点布设原则“根据施工场地周围噪声敏感建筑物位置和声源位置的布局，测点应设在对噪声敏感建筑物影响较大、距离较近的位置”。我们在工地上选取了如图2所示的9个敏感测点。进行固定噪音监测设备安装数量和安置点的设计。在设计时根据以下原则进行确定：

1.固定噪音监测设备数量要大于等于3个。之所以要求采用三个或三个以上的固定噪声监测设备数据作为深度学习模型输入数据来源，是因为工地大部分是一个扁平的空间，而由前理论“一般情况下，平面上根据三个已知测点的声功率值和位置可以推导出声源的位置”可知，为了能够从数据中训练出与声源位置相关的信息，使模型预测更为精确，固定噪音监测设备数量要大于等于3个。

2.尽量设计更多的固定噪音监测设备和移动噪音监测设备的数量。在项目经费允许的情况下，本工地实时例中只够支持3个固定噪音监测设备和1个移动噪音监测设备的购置。

3.固定噪音监测设备安置点应尽量与敏感测点重合，且优先选取在更重要的敏感测点上安置。这样的好处是能够减少需要预测的敏感测点数，尽量保证重要敏感测点数据精度。

4.固定噪音监测设备安置点分布应尽量分散、均匀。这是为了使数据差异更大、更具有代表性。

5.固定噪音监测设备安置点还需要考虑安装的便利性。这是为了降低安置成本。

根据以上原则，在本工地上如图2置了3个固定噪音监测设备安置点，且安置点与其中3个敏感测点重合。另配置了1个移动噪音监测设备。

本发明实施例的基于深度学习的工地敏感测点噪声预测系统，包括：

接入配置模块，用于接入并配置多个固定噪声监测设备，接入并配置至少一个移动噪声监测设备；以及配置当前需要建立预测模型的敏感测点的属性，配置个数不超过已接入配置的移动噪声监测设备的数量；其中所述敏感测点的属性包括敏感测点唯一标识属性，敏感测点与接入的移动监测设备一一对应；与所配置的敏感测点的属性对应的移动噪声监测设备均放置在对应敏感测点位置上；

深度学习模块，用于将固定噪声监测设备和移动噪声监测设备的历史监测数据输入到深度学习的模型中进行训练，建立预测模型，其中，固定噪声监测设备的监测数据作为训练输入数据，移动噪声监测设备的监测数据作为训练结果数据；直到所有需要噪声预测的敏感测点都建立了预测模型；

实时预测模块，用于实时采集固定噪声监测设备的监测数据，并输入到通过深度学习建立的预测模型，对敏感测点的噪声值进行实时预测。

如图3所示，开发了一个应用了本发明方法的B/S系统，该系统后端包括多个应用模块，前端包括基于HTTP协议的浏览器页面和远程服务。在本工地上按照以下步骤应用本系统：

步骤S1，使用配置接入模块，在前端页面上配置接入工地上的3个固定噪声监测设备。设置他们的设备名称属性分别为“GD1”、“GD2”、“GD3”，且将他们的安置坐标(x1，y1)、(x2，y2)、(x3，y3)也配置到系统中。

步骤S2，使用配置接入模块，在前端页面上配置接入工地上的1个移动噪声监测设备，设置该设备名称属性为“YD1”。

步骤S3，使用配置接入模块，在前端页面上配置图1上敏感测点“CD1”的属性，设置该敏感测点唯一标识属性为“CD1”，坐标(X_cd1，Y_cd1)，并设置对应移动监测设备为“YD1”。

步骤S4，将与步骤S3中所配置的唯一标识属性为“CD1”敏感测点属性中，设置的对应移动监测设备“YD1”放置在对应敏感测点“CD1”的位置上。

步骤S5，使用深度学习模块，将步骤S1所述固定噪声监测设备和步骤S4中放置在对应敏感测点位置上的移动监测设备“YD1”监测数据和他们的坐标输入到深度学习的模型中进行训练，建立预测模型。具体包括：

1.获取所有噪声监测设备的样本数据。在正常施工日，每隔时间t采集噪声监测设备的噪声值，并将这些噪声值和它们的坐标作为样本数据。并且将样本数据抽取工作高峰时的1小时数据作为验证数据集，剩下的作为训练数据集。其中固定噪声监测设备“GD1”、“GD2”、“GD3”的噪声值和上面设置的坐标(x1，y1)、(x2，y2)、(x3，y3)、(X_cd1，Y_cd1)作为模型输入数据，移动监测设备“YD1”监测到的噪声值作为模型输出数据。设时间为Ti时的“GD1”、“GD2”、“GD3”和“YD1”的噪声值分别为

2.构建输入数据。本实施例中为了使预测更准确，考虑到当前时间的噪声值与前后时段的噪声值有一定的相关性，所以使用了双向RNN模型。设当前时间为Ti，RNN模型输入的噪声值序列时间范围为[Ti-n*t，Ti+n*t]，即输入数据为包括噪声值和坐标的张量，形状为(2n+1，11)，本实施例中n选取为2.示例如下：

[[z1^Ti-2*t，z2^Ti-2*t，z3^Ti-2^*t，x1，y1，x2，y2，x3，y3，X_cd1，Y_cd1]，

[z1^Ti-t，z2^Ti-t，z3^Ti-t，x1，y1，x2，y2，x3，y3，X_cd1，Y_cd1]，

[z1^Ti，z2^Ti，z3^Ti，x1，y1，x2，y2，x3，y3，X_cd1，Y_cd1]，

[z1^Ti+t，z2^Ti+t，z3^Ti+t，x1，y1，x2，y2，x3，y3，X_cd1，Y_cd1]，

[z1^Ti+2*t，z2^Ti+2*t，z3^Ti+2*t，x1，y1，x2，y2，x3，y3，X_cd1，Y_cd1]]

则Ti时输出数据为“YD1”此时在“CD1”上测得的噪声值，即

3.构建模型，对构建的输入数据进行训练。首先使用TensorFlow构建RNN层，前向RNN和后向RNN的隐藏层节点数都为设置为N_hid，则双向RNN层的输出形状为(1，2×N_hid)，然后连接激活层，激活层综合使用了relu和dropout激活函数，激活层权置矩阵为W1，偏置向量为B1，W1的形状为(2×N_hid，1)，B1的形状为(1)，最后的输出为Zp，定义作为损失函数，将损失函数传入AdamOptimizer优化器，作为深度学习优化器。最后将根据训练数据集构建的输入输出数据传入模型，进行学习，优化器会使用梯度下降算法不断优化双向RNN层和激活层的模型参数，直到损失函数小于设定值，模型训练完毕。

4.用上面训练得到的模型对验证数据集的数据进行预测，并与验证数据集中测量的真值比较求解均方差，以均方差作为精度的衡量条件，判断模型是否满足精度要求，如果不满足，重新对模型进行训练，直到满足要求。

重复步骤S3至步骤S5，将图中剩余敏感测点“CD2”、“CD3”、“CD4”、“CD5”、“CD6”进行深度学习训练，建立预测模型。

步骤S3至步骤S5的训练应尽量选择主要噪声源的工作时间，训练时长、数据量可以根据需要进行调整，当出现训练模型效果不理想、主要噪声源位置移动、主要噪声源数量改变等情况时，可以根据需要重新对敏感测点进行深度学习训练。同时本实施例中的深度学习模块使用的深度学习框架是TensorFlow，使用的主要深度学习模型为双向RNN，实际无论使用哪种框架，使用哪种模型，设置多少隐藏层数目，设置多少训练参数，采用何种训练系数，都可能达到训练敏感测点噪声预测模型的效果，可在实施过程中根据实际情况进行调整。

步骤S6，使用预测模块，将步骤S1所述固定噪声监测设备监测数据作为输入数据，输入到通过深度学习建立的预测模型，对工地各个敏感测点的噪声值进行实时预测。

使用展示模块，在前端页面，将3个固定噪声监测设备测得的噪音值和敏感测点的预测噪声值进行监控展示。

通过以上方法，解决了现有的工地敏感测点噪音监控或预测方法具有的一些缺点和问题，提供了一种成本较低的能够对工地所有敏感测点噪声值进行预测的新方法，提高了建筑工地噪声管控质量和效率。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于深度学习的工地敏感测点噪声预测方法，其特征在于，包括以下步骤：

S1、接入并配置多个固定噪声监测设备；

S2、接入并配置至少一个移动噪声监测设备；

S3、配置当前需要建立预测模型的敏感测点的属性，配置个数不超过已接入配置的移动噪声监测设备的数量；其中所述敏感测点的属性包括敏感测点唯一标识属性，敏感测点与接入的移动监测设备一一对应；

S4、将与所配置的敏感测点的属性对应的移动噪声监测设备放置在对应敏感测点位置上；

S5、将固定噪声监测设备和移动噪声监测设备的历史监测数据输入到深度学习的模型中进行训练，建立预测模型，其中，固定噪声监测设备的监测数据作为训练输入数据，移动噪声监测设备的监测数据作为训练结果数据；具体每隔时间t采集噪声监测设备的噪声值，并将这些噪声值和它们的坐标作为样本数据，并且将样本数据抽取工作高峰时的1小时数据作为验证数据集，剩下的作为训练数据集；该预测模型为双向RNN模型，设当前时间为Ti，双向RNN模型输入的噪声值序列时间范围为[Ti-n*t,Ti+n*t]；

重复步骤S3至S5，直到所有需要噪声预测的敏感测点都建立了预测模型；

S6、实时采集固定噪声监测设备的监测数据，并输入到通过深度学习建立的预测模型，对敏感测点的噪声值进行实时预测。

2.根据权利要求1所述的基于深度学习的工地敏感测点噪声预测方法，其特征在于，步骤S1中配置接入至少三个固定噪声监测设备。

3.根据权利要求1所述的基于深度学习的工地敏感测点噪声预测方法，其特征在于，固定噪声监测设备都安置在固定点上。

4.根据权利要求3所述的基于深度学习的工地敏感测点噪声预测方法，其特征在于，固定点为敏感测点。

5.根据权利要求3所述的基于深度学习的工地敏感测点噪声预测方法，其特征在于，固定点为非敏感测点。

6.一种基于深度学习的工地敏感测点噪声预测系统，其特征在于，包括：

接入配置模块，用于接入并配置多个固定噪声监测设备，接入并配置至少一个移动噪声监测设备；以及配置当前需要建立预测模型的敏感测点的属性，配置个数不超过已接入配置的移动噪声监测设备的数量；其中所述敏感测点的属性包括敏感测点唯一标识属性，敏感测点与接入的移动监测设备一一对应；与所配置的敏感测点的属性对应的移动噪声监测设备均放置在对应敏感测点位置上；

深度学习模块，用于将固定噪声监测设备和移动噪声监测设备的历史监测数据输入到深度学习的模型中进行训练，建立预测模型，其中，固定噪声监测设备的监测数据作为训练输入数据，移动噪声监测设备的监测数据作为训练结果数据；直到所有需要噪声预测的敏感测点都建立了预测模型；具体每隔时间t采集噪声监测设备的噪声值，并将这些噪声值和它们的坐标作为样本数据，并且将样本数据抽取工作高峰时的1小时数据作为验证数据集，剩下的作为训练数据集；该预测模型为双向RNN模型，设当前时间为Ti，双向RNN模型输入的噪声值序列时间范围为[Ti-n*t,Ti+n*t]；

实时预测模块，用于实时采集固定噪声监测设备的监测数据，并输入到通过深度学习建立的预测模型，对敏感测点的噪声值进行实时预测。