CN114485916B - 一种环境噪声监测方法、系统、计算机设备和存储介质 - Google Patents
一种环境噪声监测方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114485916B CN114485916B CN202210035091.7A CN202210035091A CN114485916B CN 114485916 B CN114485916 B CN 114485916B CN 202210035091 A CN202210035091 A CN 202210035091A CN 114485916 B CN114485916 B CN 114485916B
- Authority
- CN
- China
- Prior art keywords
- noise
- environmental
- sampling points
- searched
- monitored
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种环境噪声监测方法、系统、计算机设备和存储介质,方法包括:获取环境噪声采样点的噪声数据;将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域;按照预设步长的步数获取待搜索区域内的环境噪声采样点的数量,若达到预设采样点数量,将预设步长的步数作为带宽,若否,将半径增加一个预设步长,重新生成待搜索区域,直至数量达到预设采样点数量,将增加后的步数作为带宽;建立核回归模型,将带宽和待搜索区域内环境噪声采样点的噪声数据输入核回归模型,得到待监测环境点的噪声分贝估算值。本发明根据地点周围噪声采样点密度来决定带宽,使得模型回归的精度更高,算法复杂度低,能够充分满足环境噪声的实时监控需求。
Description
技术领域
本发明涉及环境监测技术领域,特别是涉及一种环境噪声监测方法、系统、计算机设备和存储介质。
背景技术
随着经济的发展,人民生活水平的提高,生态环境状况愈来愈受到社会的关注,市民对本市环境状况的实时监测要求亦越来越高。而且越来越多的人认识到,噪声危害人类健康,是影响健康的一个重要原因。安静已经成为评价城市综合环境的一个重要指数。2000年以来,噪声投诉已跃居各类污染投诉前列,有逐年递增的趋势。面对这种严峻的声环境污染,传统的人工监测、手持仪器监测显然无法满足现阶段生态网络建设的发展诉求。发展和建设智能化、全天候的噪声地图及网络化的噪声在线监测系统对城市声环境质量及变化趋势进行实时、准确的全方位监测,对噪声污染水平评估及其防治进行监督监测有着重要的促进作用。
我国的城市发展迅速,由于政治、经济、历史、文化等方面的原因,大多数城市都是在旧城改造的演变中发展形成的,普遍存在布局尚欠合理、建筑密度高、居住人口集中。人均道路占有率低,城市繁华区域纵横交错和分层重叠的城市道路随处可见。城市环境噪声污染较为严重,城市居民对当地环境噪声污染的反映也较水、空气污染强烈。由于噪声有随机性和起伏变化大的特点,用手工监测方法获取的监测数据实时性、代表性差,花费的人力多,很难满足城市环境噪声污染的正确评价和管理决策需要。为了让监管部门和广大群众实时监控和知晓城市环境的噪声水平,可以基于现有的物联网基础设施进行定点采样,也可以采用移动端设备进行动态采样,但是目前有限的采样点无法覆盖所有的区域,而且整个环境的噪声生成、传播和叠加都是瞬息万变的,传统的机器学习如有监督学习需要对环境噪声做独立同分布的假设,因此无法处理环境噪声分布的快速变化的问题。
发明内容
为了解决上述技术问题,本发明的目的是提供一种根据现有的噪声环境监测点的采样数据,以及用户移动端的采样数据,实时进行数据汇集和回归分析,能够根据任意地点附近的采样点密度动态调整带宽,从而高效拟合出整个地区的噪声分布情况的环境噪声监测方法、系统、计算机设备和存储介质。
第一方面,本发明提供了一种环境噪声监测方法,所述方法包括:
获取环境噪声采样点的噪声数据,所述噪声数据包括时间戳、位置和分贝数;
将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域;
按照所述预设步长的步数,逐步获取所述待搜索区域内的所述环境噪声采样点的数量,若所述数量达到预设采样点数量,则将所述预设步长的步数作为带宽,若否,则将所述半径增加一个所述预设步长,重新生成所述待搜索区域,并以增加后的步数逐步获取所述待搜索区域内的所述环境噪声采样点的数量,直至所述数量达到所述预设采样点数量,则将增加后的步数作为所述带宽;
建立核回归模型,将所述带宽和所述待搜索区域内的所述环境噪声采样点的所述噪声数据输入所述核回归模型,得到所述待监测环境点的噪声分贝估算值。
进一步地,所述方法还包括:
生成待监测环境点地图,在所述待监测环境点地图上根据数个预设的所述环境噪声采样点生成网格;
通过所述核回归模型计算所述网格中每个所述待监测环境点的所述噪声分贝估算值;
根据所述噪声分贝估算值,在所述待监测环境点地图上生成环境噪声热力图。
进一步地,所述核回归模型的计算公式为:
式中,y为待监测环境点,xi为环境噪声采样点,f(xi)为环境噪声采样点的实时噪声分贝数,h为带宽,n为预设采样点数量,dist(xi-y)为xi和y两点之间的欧式距离,其中,xij和yi分别为向量xi和y的第j个分量,K为核函数。
进一步地,所述核函数为高斯核函数、Epanechnikov核函数、余弦核函数、Logistic核函数、Sigmoid核函数或Silverman核函数。
进一步地,所述获取环境噪声采样点的噪声数据的步骤包括:
通过环境噪声物联网采样设备获取环境噪声采样点的噪声数据;
通过数据终端获取所述环境噪声采样点的所述噪声数据。
第二方面,本发明提供了一种环境噪声监测系统,所述系统包括:
噪声数据获取模块,用于获取环境噪声采样点的噪声数据,所述噪声数据包括时间戳、位置和分贝数;
待搜索区域生成模块,用于将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域;
带宽生成模块,用于按照所述预设步长的步数,逐步获取所述待搜索区域内的所述环境噪声采样点的数量,若所述数量达到预设采样点数量,则将所述预设步长的步数作为带宽,若否,则将所述半径增加一个所述预设步长,重新生成所述待搜索区域,并以增加后的步数逐步获取所述待搜索区域内的所述环境噪声采样点的数量,直至所述数量达到所述预设采样点数量,则将增加后的步数作为所述带宽;
模型生成模块,用于建立核回归模型,将所述带宽和所述待搜索区域内的所述环境噪声采样点的所述噪声数据输入所述核回归模型,得到所述待监测环境点的噪声分贝估算值。
进一步地,所述系统还包括:
地图网格生成模块,用于生成待监测环境点地图,在所述待监测环境点地图上根据数个预设的所述环境噪声采样点生成网格;
噪声分贝估算模块,用于通过所述核回归模型计算所述网格中每个所述待监测环境点的所述噪声分贝估算值;
热力图生成模块,用于根据所述噪声分贝估算值,在所述待监测环境点地图上生成环境噪声热力图。
进一步地,所述核回归模型的计算公式为:
式中,y为待监测环境点,xi为环境噪声采样点,f(xi)为环境噪声采样点的实时噪声数据,h为带宽,n为预设采样点数量,dist(xi-y)为xi和y两点之间的欧式距离,其中,xij和yi分别为向量xi和y的第j个分量,K为核函数。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述本发明提供了一种环境噪声监测方法、系统、计算机设备和存储介质。通过所述方法,将现有的环境噪声监测点的采样数据和用户移动端的采样数据实时进行数据汇集,通过无监督学习进行回归分析,不需要任何噪声分布的先验知识,对数据分布不附加任何假定,完全基于采样点的数据进行拟合,从而高效拟合出整个地区的噪声分布情况,并且以热力图的形式进行展示,本发明的计算步骤简洁,模型部署方便,并且算法的复杂度低,能够充分满足环境噪声的实施监控需求,可以有效适应环境噪声的随机性、动态性和波动性的特性,并且克服了传统方法使用统一带宽对不同的环境噪声采样点密度和人口密度进行计算导致的计算结果偏差问题,这对于环境监测领域来说,是非常有意义的。
附图说明
图1是本发明实施例中环境噪声监测方法的流程示意图;
图2是图1中步骤S10的流程示意图;
图3是本发明实施例中待搜索区域的示意图;
图4是本发明实施例中环境噪声监测方法的另一种流程示意图;
图5是本发明实施例中环境噪声监测系统的结构示意图;
图6是本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
请参阅图1,本发明第一实施例提出的一种环境噪声监测方法,包括步骤S10~S40:
步骤S10,获取环境噪声采样点的噪声数据,所述噪声数据包括时间戳、位置和分贝数。
本实施例中环境噪声采样点的噪声数据的采集可以通过两种途径,如图2所示:
步骤S101,通过环境噪声物联网采样设备获取环境噪声采样点的噪声数据;
步骤S102,通过数据终端获取所述环境噪声采样点的所述噪声数据。
其中,固定的环境噪声物联网采样设备是由政府部门部署的,可以对固定的环境噪声采样点的噪声数据进行采样,另一种方法则是通过移动的数据终端APP进行环境噪声采样,通过这两种途径不仅可以对固定地点的环境噪声进行采集,还可以通过用户使用的数据终端进行移动地点的环境噪声进行采集,从而提高了采集到的噪声数据的多样性,方便后续的进一步处理。
本实施例中,固定端的环境噪声物联网采样设备和移动端的APP都以某个时间间隔如1s采集环境噪声的分贝数,具体的时间间隔可以根据实际情况进行设置,在此不做具体限制。对于采集到的噪声数据会被实时传输到后台云端服务器,其中噪声数据除了分贝数之外包括时间戳和位置,以便以后续对环境噪声采样点的位置和时间进行处理。
步骤S20,将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域。
步骤S30,按照所述预设步长的步数,逐步获取所述待搜索区域内的所述环境噪声采样点的数量,若所述数量达到预设采样点数量,则将所述预设步长的步数作为带宽,若否,则将所述半径增加一个所述预设步长,重新生成所述待搜索区域,并以增加后的步数逐步获取所述待搜索区域内的所述环境噪声采样点的数量,直至所述数量达到所述预设采样点数量,则将增加后的步数作为所述带宽。
首先预设一个步长参数L,对于任一待监测的地点y,我们以步长L为半径r,以待监测的地点y为圆心,生成一个待搜索的圆形区域,如图3所示,我们将在这个圆形区域内进行环境噪声采样点xi的搜索,将该待搜索区域内搜索到的采样点xi数量与预设采样点数量n进行比对,若搜索到的采样点xi数量没有达到预设采样点数量n,那么将半径增加一个步长,重新生成待搜索区域,继续进行搜索,直到搜索到的采样点xi数量达到预设采样点数量n,此时,假设待搜索区域的半径增加到了m个步数的预设步长,那么我们将预设步长的步数m作为带宽h以供下一步的计算。本实施例中优选地,将预设步长L设置为50米,预设采样点数量n设置为6,并且根据实验数据,预设采样点数量n一般可以设置在5到15之间,当然,预设步长L以及预设采样点数量n也可以根据实际情况进行设置,在此不做具体限制。
步骤S40,建立核回归模型,将所述带宽和所述待搜索区域内的所述环境噪声采样点的所述噪声数据输入所述核回归模型,得到所述待监测环境点的噪声分贝估算值。
通过上述步骤可以看到计算得到的带宽m实际上是一个可变带宽,在此,我们建立了基于可变带宽的核回归模型,其原因是由于环境噪声采样点的数据来源既有环保部门的固定监测点,也有用户的APP移动监测点,除了数据更加充分之外,也会出现每个地点的环境噪声监控采样点密度和人口密度差别过大的问题,此时若使用统一的带宽去计算则会造成计算结果的较大偏差,因此,本实施例通过建立可变带宽的核回归模型,根据地点周围的环境噪声采样点密度来决定带宽,从而提高了模型回归的精度。
在建立好核回归模型之后,将上述步骤得到了带宽和采集到了环境噪声采集点的噪声数据输入模型,从而得到待监测环境点的噪声分布估算值,其中,核回归模型的计算公式为:
式中,y为待监测环境点,xi为环境噪声采样点,f(xi)为环境噪声采样点的实时噪声分贝数,h为带宽,n为预设采样点数量,dist(xi-y)为xi和y两点之间的欧式距离,其中,xij和yi分别为向量xi和y的第j个分量,K为核函数。
核函数K可以为高斯核函数、Epanechnikov核函数、余弦核函数、Logistic核函数、Sigmoid核函数或Silverman核函数。其中,高斯核函数为:
Epanechnikov核函数为:
余弦核函数为:
Logistic核函数为:
Sigmoid核函数为:
Silverman核函数:
本实施例中的核回归模型并不局限于某一种核函数,实际上核函数可以使用上述核函数中的任一种,都具有良好的估算效果,具体选择的核函数可以根据实际情况进行灵活设置。本实施例中基于可变带宽的核回归模型属于无监督学习,无需像通常的机器学习那样需要收集、清洗、标注、训练、测试和部署等繁琐的步骤,可以直接部署上线运行,算法复杂度低,能够充分满足环境噪声的实时监控需求。
在通过上述步骤对待监测环境点的噪声分贝进行估算之后,为了更直观的显示整个地区的环境噪声状态,本实施例在拟合出了整个地区的噪声分布情况后,还可以以热力图的形式进行展示,具体步骤如图4所示:
步骤S50,生成待监测环境点地图,在所述待监测环境点地图上根据数个预设的所述环境噪声采样点生成网格。
首先生成待监测环境点地图,地图的生成可以使用现有的技术在此不做过多描述,然后在待监测环境点地图上用上下左右均匀采样若干点形成网格,生成的网格大小一般是根据显示屏幕的分辨率,假设屏幕分辨率是a*b,那么根据采样点生成的网格大小是(a/100)*(b/100),当然,用户也可以根据实际需要指定标准生成网格。
步骤S60,通过所述核回归模型计算所述网格中每个所述待监测环境点的所述噪声分贝估算值。
步骤S70,根据所述噪声分贝估算值,在所述待监测环境点地图上生成环境噪声热力图。
在待监测环境点地图上生成网格之后,对于每个网格中的待监测环境点可以通过上述步骤建立的核回归模型进行噪声分贝估算值的计算,每个待监测环境点的噪声估算值可以每秒钟更新计算一次,从而得到每个待监测环境点的实时噪声分贝估算值,然后将噪声分贝估算值以热力图的方式加载到待监测环境点地图上,颜色越深表示噪声污染越严重,其中热力图的生成和加载可以使用现有工具进行,如Python的pyecharts工具包等,在此不再一一赘述。
本实施例提供的一种环境噪声监测方法,相比传统方法需要收集、清洗、标注、训练、测试、部署等繁琐的步骤,以及需要对环境噪声做独立同分布的假设,本发明建立的模型简单可以直接部署上线运行,算法复杂度低,能够充分满足环境噪声的实时监控需求,并且不需要任何噪声分布的先验知识,对数据分布不附加任何假定,完全基于采样点的数据进行拟合,可以有效适应环境噪声的特点,同时本发明的数据来源有环保部门的固定监测点,也有用户的APP移动监测点,数据更加充分,并且建立的核回归模型是根据地点周围的噪声采样点密度来决定带宽,使得模型回归的精度更高,噪声分贝的估算更加准确。
请参阅图5,基于同一发明构思,本发明第二实施例提出的一种环境噪声监测系统,包括:
噪声数据获取模块10,用于获取环境噪声采样点的噪声数据,所述噪声数据包括时间戳、位置和分贝数;
待搜索区域生成模块20,用于将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域;
带宽生成模块30,用于按照所述预设步长的步数,逐步获取所述待搜索区域内的所述环境噪声采样点的数量,若所述数量达到预设采样点数量,则将所述预设步长的步数作为带宽,若否,则将所述半径增加一个所述预设步长,重新生成所述待搜索区域,并以增加后的步数逐步获取所述待搜索区域内的所述环境噪声采样点的数量,直至所述数量达到所述预设采样点数量,则将增加后的步数作为所述带宽;
模型生成模块40,用于建立核回归模型,将所述带宽和所述待搜索区域内的所述环境噪声采样点的所述噪声数据输入所述核回归模型,得到所述待监测环境点的噪声分贝估算值。
本实施例高效拟合出整个地区的噪声分布情况,并且还可以以热力图的形式展现出来,包括:
地图网格生成模块50,用于生成待监测环境点地图,在所述待监测环境点地图上根据数个预设的所述环境噪声采样点生成网格;
噪声分贝估算模块60,用于通过所述核回归模型计算所述网格中每个所述待监测环境点的所述噪声分贝估算值;
热力图生成模块70,用于根据所述噪声分贝估算值,在所述待监测环境点地图上生成环境噪声热力图。
其中,核回归模型的计算公式为:
式中,y为待监测环境点,xi为环境噪声采样点,f(xi)为环境噪声采样点的实时噪声分贝数,h为带宽,n为预设采样点数量,dist(xi-y)为xi和y两点之间的欧式距离,其中,xij和yi分别为向量xi和y的第j个分量,K为核函数。
本发明实施例提出的环境噪声监测系统统的技术特征和技术效果与本发明实施例提出的方法相同,在此不予赘述。上述环境噪声监测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图6,一个实施例中计算机设备的内部结构图,该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现环境噪声监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算设备可以包括比途中所示更多或更少的部件,或者组合某些部件,或者具有相同的部件布置。
此外,本发明实施例还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
此外,本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
综上,本发明实施例提出的一种环境噪声监测方法、系统、计算机设备和存储介质,所述方法通过获取环境噪声采样点的噪声数据,所述噪声数据包括时间戳、位置和分贝数;将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域;按照所述预设步长的步数,逐步获取所述待搜索区域内的所述环境噪声采样点的数量,若所述数量达到预设采样点数量,则将所述预设步长的步数作为带宽,若否,则将所述半径增加一个所述预设步长,重新生成所述待搜索区域,并以增加后的步数逐步获取所述待搜索区域内的所述环境噪声采样点的数量,直至所述数量达到所述预设采样点数量,则将增加后的步数作为所述带宽;建立核回归模型,将所述带宽和所述待搜索区域内的所述环境噪声采样点的所述噪声数据输入所述核回归模型,得到所述待监测环境点的噪声分贝估算值。本发明的数据来源有环保部门的固定监测点,也有用户的APP移动监测点,数据更加充分,并且建立的核回归模型是根据地点周围的噪声采样点密度来决定带宽,使得模型回归的精度更高,噪声分贝的估算更加准确,算法复杂度低,能够充分满足环境噪声的实时监控需求,并且不需要任何噪声分布的先验知识,对数据分布不附加任何假定,完全基于采样点的数据进行拟合,可以有效适应环境噪声的特点。
本说明书中的各个实施例均采用递进的方式描述,各个实施例直接相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。需要说明的是,上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种环境噪声监测方法,其特征在于,包括:
获取环境噪声采样点的噪声数据,所述噪声数据包括时间戳、位置和分贝数;包括:通过环境噪声物联网采样设备获取环境噪声采样点的噪声数据;通过数据终端获取所述环境噪声采样点的所述噪声数据;
将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域;
按照所述预设步长的步数,逐步获取所述待搜索区域内的所述环境噪声采样点的数量,若所述数量达到预设采样点数量,则将所述预设步长的步数作为带宽,若否,则将所述半径增加一个所述预设步长,重新生成所述待搜索区域,并以增加后的步数逐步获取所述待搜索区域内的所述环境噪声采样点的数量,直至所述数量达到所述预设采样点数量,则将增加后的步数作为所述带宽;
建立核回归模型,将所述带宽和所述待搜索区域内的所述环境噪声采样点的所述噪声数据输入所述核回归模型,得到所述待监测环境点的噪声分贝估算值;
生成待监测环境点地图,在所述待监测环境点地图上根据数个预设的所述环境噪声采样点生成网格;
通过所述核回归模型计算所述网格中每个所述待监测环境点的所述噪声分贝估算值;
根据所述噪声分贝估算值,在所述待监测环境点地图上生成环境噪声热力图。
3.根据权利要求2所述的环境噪声监测方法,其特征在于,所述核函数为高斯核函数、Epanechnikov核函数、余弦核函数、Logistic核函数、Sigmoid核函数或Silverman核函数。
4.一种环境噪声监测系统,其特征在于,包括:
噪声数据获取模块,用于获取环境噪声采样点的噪声数据,所述噪声数据包括时间戳、位置和分贝数;
待搜索区域生成模块,用于将待监测环境点作为圆心,以一个预设步长为半径,生成待搜索区域;
带宽生成模块,用于按照所述预设步长的步数,逐步获取所述待搜索区域内的所述环境噪声采样点的数量,若所述数量达到预设采样点数量,则将所述预设步长的步数作为带宽,若否,则将所述半径增加一个所述预设步长,重新生成所述待搜索区域,并以增加后的步数逐步获取所述待搜索区域内的所述环境噪声采样点的数量,直至所述数量达到所述预设采样点数量,则将增加后的步数作为所述带宽;
模型生成模块,用于建立核回归模型,将所述带宽和所述待搜索区域内的所述环境噪声采样点的所述噪声数据输入所述核回归模型,得到所述待监测环境点的噪声分贝估算值;
地图网格生成模块,用于生成待监测环境点地图,在所述待监测环境点地图上根据数个预设的所述环境噪声采样点生成网格;
噪声分贝估算模块,用于通过所述核回归模型计算所述网格中每个所述待监测环境点的所述噪声分贝估算值;
热力图生成模块,用于根据所述噪声分贝估算值,在所述待监测环境点地图上生成环境噪声热力图。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035091.7A CN114485916B (zh) | 2022-01-12 | 2022-01-12 | 一种环境噪声监测方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210035091.7A CN114485916B (zh) | 2022-01-12 | 2022-01-12 | 一种环境噪声监测方法、系统、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114485916A CN114485916A (zh) | 2022-05-13 |
CN114485916B true CN114485916B (zh) | 2023-01-17 |
Family
ID=81512770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210035091.7A Active CN114485916B (zh) | 2022-01-12 | 2022-01-12 | 一种环境噪声监测方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114485916B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115540998A (zh) * | 2022-10-18 | 2022-12-30 | 广州小声智能科技有限公司 | 基于声级计的环境噪声监测方法及装置 |
CN117313981B (zh) * | 2023-07-11 | 2024-05-14 | 厦门身份宝网络科技有限公司 | 一种城中村人口动态分析方法、装置、设备及可读存储介质 |
CN117706045B (zh) * | 2024-02-06 | 2024-05-10 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6992625B1 (en) * | 2003-04-25 | 2006-01-31 | Microsoft Corporation | Calibration of a device location measurement system that utilizes wireless signal strengths |
US7889950B2 (en) * | 2005-08-30 | 2011-02-15 | The Regents Of The University Of California, Santa Cruz | Kernel regression for image processing and reconstruction |
CN104598457A (zh) * | 2013-10-31 | 2015-05-06 | 南京思润软件有限公司 | 一种通过插值算法以多点噪声值预测面噪声情况的方法 |
CN103901713B (zh) * | 2014-03-12 | 2017-01-18 | 北京理工大学 | 一种采用核回归技术的自适应光学邻近效应校正方法 |
EP3279818A4 (en) * | 2015-01-26 | 2018-07-18 | Shenzhen Grandsun Electronic Co., Ltd. | Noise map drawing method and apparatus |
CN107066831B (zh) * | 2017-05-19 | 2021-04-23 | 君晟合众(北京)科技有限公司 | 一种区域综合环境评价方法、装置及系统 |
CN110459236B (zh) * | 2019-08-15 | 2021-11-30 | 北京小米移动软件有限公司 | 音频信号的噪声估计方法、装置及存储介质 |
CN110795693A (zh) * | 2019-09-24 | 2020-02-14 | 集美大学 | 一种噪声监测数据自动校正方法、装置及计算机可读存储介质 |
JP2021179906A (ja) * | 2020-05-15 | 2021-11-18 | 富士通株式会社 | 影響度算出プログラム、影響度算出装置、影響度算出方法 |
-
2022
- 2022-01-12 CN CN202210035091.7A patent/CN114485916B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114485916A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114485916B (zh) | 一种环境噪声监测方法、系统、计算机设备和存储介质 | |
US7676490B1 (en) | Project predictor | |
TW201947463A (zh) | 模型測試的方法及裝置 | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
CN106502815A (zh) | 一种异常原因定位方法、装置和计算设备 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN113886181B (zh) | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 | |
JP2018531458A6 (ja) | ガソリンスタンドpoiの自動発見方法、自動発見装置、及び記憶媒体と機器 | |
JP2018531458A (ja) | ガソリンスタンドpoiの自動発見方法、自動発見装置、及び記憶媒体と機器 | |
CN112948123B (zh) | 一种基于Spark的网格水文模型分布式计算方法 | |
Ma et al. | A novel broad learning system based leakage detection and universal localization method for pipeline networks | |
CN111311014B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN106844736B (zh) | 基于时空网络的时空同现模式挖掘方法 | |
WO2016037346A1 (en) | Measuring and diagnosing noise in urban environment | |
CN112418684A (zh) | 空中水资源时空分布规律的评估方法、装置、设备和介质 | |
CN114511149B (zh) | 一种分层分布式气象预测平台、方法、介质及设备 | |
CN111199345B (zh) | 海绵城市的设计降雨量的测算方法及终端设备 | |
CN114595764A (zh) | 用于获取城市要素对内涝灾害损失影响程度的方法及系统 | |
CN110995365B (zh) | 射频基因库建立方法及违法违规无线电波检测方法 | |
CN114611990A (zh) | 一种网络信息体系要素体系贡献率评估方法和装置 | |
CN111461344A (zh) | 高阶特征的自动生成方法、系统、设备和介质 | |
CN114139995B (zh) | 试验区的监测评价方法、装置、电子设备及存储介质 | |
CN117521908B (zh) | 一种城市空间区域适配性评估方法、系统及终端 | |
CN118094163B (zh) | 一种基于多特征关联的数字物理模型管理系统及方法 | |
CN115622894B (zh) | 基于历史数据概率分析的动态网络拓扑预测方法与系统 |
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 |