CN117690303A - 一种基于交通数据采集的噪声预警系统、装置及预警方法 - Google Patents
一种基于交通数据采集的噪声预警系统、装置及预警方法 Download PDFInfo
- Publication number
- CN117690303A CN117690303A CN202410158065.2A CN202410158065A CN117690303A CN 117690303 A CN117690303 A CN 117690303A CN 202410158065 A CN202410158065 A CN 202410158065A CN 117690303 A CN117690303 A CN 117690303A
- Authority
- CN
- China
- Prior art keywords
- real
- noise
- time
- data
- machine learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 113
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 230000005855 radiation Effects 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000003287 optical effect Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000013480 data collection Methods 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 10
- 230000033228 biological regulation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于交通数据采集技术领域，本发明公开了一种基于交通数据采集的噪声预警系统、装置及预警方法；包括：收集路线实时交通量、实时车辆类型与实时车速；收集噪声分贝数据与噪声信号数据；基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。
Description
技术领域
本发明涉及交通数据采集技术领域，更具体地说，本发明涉及一种基于交通数据采集的噪声预警系统、装置及预警方法。
背景技术
交通数据包括交通噪声，交通噪声主要分为动力性噪声、非动力性噪声和轮胎路面噪声三方面。随着城市道路交通的快速发展，随着车流量的急剧增加，交通噪声越来越多地严重影响到人们生活和工作。因此必须分析造成交通噪声的根源，有针对性地制定出防治措施。只有这样，才能降低城市公害之一的噪声，才能确保城市的社会经济健康发展。
授权公告号CN108573602B的中国专利公开了一种交通噪声数据采集系统及其控制方法，能够实时检测采集交通噪声数据，并对情况进行预警，能够对交通噪声进行判断和评估，并在影响到居民时发出交通控制请求，但该发明专利未能宏观可视化地对城市整体噪声路线进行预测和调控。
鉴于此，本发明提出一种基于交通数据采集的噪声预警系统、装置及预警方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于交通数据采集的噪声预警系统、装置及预警方法。
为实现上述目的，本发明提供如下技术方案：
一种基于交通数据采集的噪声预警系统，包括：
第一数据收集模块用于收集路线实时交通量、实时车辆类型与实时车速；
第二数据收集模块用于收集噪声分贝数据与噪声信号数据；
模型训练模块基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；
数据分析模块基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；
数据分析模块基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。
进一步地，路线实时交通量为D时刻道路某断面的交通量；
实时车辆类型是指D时刻通过道路某断面的车辆类型；
实时车速是D时刻通过道路某断面车辆的实时速度；具体是由道路摄像头实时拍摄出道路图片，并对道路图片进行光流法分析得到；
噪声分贝数据是与路线实时交通量、实时车辆类型与实时车速对应的实时噪声的分贝数据；
噪声信号数据包括与路线实时交通量、实时车辆类型与实时车速对应的实时噪声的实时录音数据；噪声信号数据还包括若干只含有动力性噪声，与只含有非动力性噪声的噪声信号。
进一步的，光流法的过程包括：
特征检测；使用特征检测算法在相邻帧中提取出一组特征点；特征匹配；通过比较相邻帧中的特征点，找到特征点之间的对应关系；
光流计算；根据特征点之间的对应关系，计算得到每个特征点的光流向量；
在相邻的两幅图像帧之间，第一帧图像中的像素点在第二帧中对应的像素点为/>，则光流向量为(u,v)，其中/>表水平方向的位移，/>表示竖直方向的位移。根据光流向量计算出每个像素点的运动速度/>；/>为两幅相邻图像帧之间的时间间隔；
光流估计；通过双线性插值将特征点的光流向量扩展到整个图像区域，得到图像中每个像素点的光流向量，多个光流向量组合成光流场；
计算车速；基于光流场结合画面景深计算实时车速。
进一步地，所述第一机器学习模型的训练过程包括：
为每一种实时车辆类型预设对应的实时车辆类型系数；基于实时交通量、实时车辆类型、实时车速与实时车辆类型系数计算道路特征数据；式中为路线实时交通量，/>为通过道路某断面第/>辆车的实时车辆类型系数，/>为通过道路某断面第/>辆车的实 车速，/>实时通过道路某断面一共的车辆数；
采用滑动窗口将道路特征数据与噪声分贝数据转化为第一训练集；滑动窗口的过程包括：将道路特征数据划分为n个大小相等的时间窗口，每个时间窗口为一个训练样本，每个训练样本对应的标签为未来k时刻的噪声分贝数据。将训练样本与对应的标签标记为训练数据，收集多组训练数据标记为第一训练集。
将第一训练集作为第一机器学习模型的输入，所述第一机器学习模型以未来k时刻的噪声分贝数据作为输出；以实时的道路特征数据所对应的标签作为预测目标，以最小化第一机器学习模型损失函数值作为训练目标；当第一机器学习模型损失函数值小于等于预设的第一目标损失值时停止训练；
所述第一机器学习模型损失函数为均方误差；均方误差通过将损失函数最小化为目标来训练模型，损失函数中mse为损失函数值，i为道路特征数据组号；/>为道路特征数据组数；/>为第i组道路特征数据对应的标签，/>为第i组道路特征数据实时预测的标签；所述机器学习模型为循环神经网络模型，所述循环神经网络模型为长短时记忆网络；
将第一机器学习模型的输出标记为预测噪声分贝数据。
进一步地，噪声辐射图为多个图层叠加而成；
噪声辐射图第一图层为城市路线图；将城市路线图二值化；
将每个观测的道路断面位置标记在对应的第一图层中的城市路线中；
以每个道路断面位置为圆心，以道路断面处实时的预测噪声分贝数据辐射长度在城市路线图对应的长度为半径，绘制实心圆，每一个道路断面位置对应一个图层；绘制所有图层，实心圆的颜色选取除黑、白与灰之外的颜色，并且所有同心圆颜色需要相同；将城市区域内所有观测的道路断面位置对应的同心圆绘制完成后，叠加所有图层，成为噪声辐射图；
将噪声辐射图中所有的像素点进行与预设色深程度对比，将所有大于等于预设色深程度的颜色区域标记为噪声严重区域并发出预警指令；
预警指令包括提前对道路噪声严重区域进行疏散分流。
进一步的，第二机器学习模型的训练方式如下：
将噪声信号数据进行短时傅里叶变换提取频谱；短时傅里叶变换定义为：；式中：/>为短时傅里叶变换频率分布；/>为时域信号；/>为傅里叶变换后频率；/>为短时傅里叶变换起始时间；/>为时间；/>为虚数单位；/>为窗的时间长度。
将频谱使用矩阵表示；所述矩阵标记为频谱矩阵；
将道路特征数据与道路特征数据对应的频谱矩阵使用滑动窗口构建为第二训练集；未来k时刻的频谱矩阵是道路特征数据的标签；将第二训练集作为第二机器学习模型的输入，所述第二机器学习模型以未来k时刻的频谱矩阵作为输出；以实时的道路特征数据所对应的标签作为预测目标，以最小化第二机器学习模型损失函数值作为训练目标；当第二机器学习模型损失函数值小于等于预设的第二目标损失值时停止训练；
将第二机器学习模型输出的频谱矩阵转化为频谱。
进一步地，第三机器学习模型的训练方式包括：
将动力性噪声信号数据的标签设置为1，非动力性噪声信号数据标签设置为0；
将噪声信号数据作为第三机器学习模型的输入，所述第三机器学习模型以实时第二机器学习模型的输出结果所对应的标签作为输出；第三机器学习模型的输出为0-1的有理数；以实时第二机器学习模型的输出结果所对应的标签作为预测目标，以最小化第三机器学习模型损失函数值作为训练目标；当第三机器学习模型损失函数值小于等于预设的第三目标损失值时停止训练。
进一步地，将第三机器学习模型的输出与预设比例值比较，预设比例值包括第一预设比例值与第二预设比例值；第一预设比例值大于第二预设比例值；将大于等于第一预设比例值时生成第一调节指令，将小于等于第二预设比例值时生成第二调节指令；第一调节指令包括降低道路最高速度等操作；第二调节指令包括提前对车辆进行疏通分流等操作。
一种基于交通数据采集的噪声预警方法，包括：收集路线实时交通量、实时车辆类型与实时车速；
收集噪声分贝数据与噪声信号数据；
基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；
基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；
基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。
一种基于交通数据采集的噪声预警装置，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于交通数据采集的噪声预警方法。
本发明一种基于交通数据采集的噪声预警系统、装置及预警方法的技术效果和优点：
基于多种道路相关参数，创造性地绘制出预测噪声的噪声辐射图，对于城市宏观调控和预警交通噪声具有重要的意义，并且对于预测噪声的噪声类型有进一步的划分，实现了交通噪声宏观调控从0到1的突破，提高了城市交通管理的水平，进一步降低了城市交通噪声可能引起的风险。
附图说明
图1为本发明的一种交通噪声预警系统示意图；
图2为本发明的一种交通噪声预警方法示意图；
图3是本申请一个实施例提供的交通噪声预警装置结构示意图；
图4是本申请一个实施例提供的计算机可读存储介质结构示意图；
图5是本申请一个实施例提供的光流示意图；
图6是本申请一个实施例提供的光流场示意图；
图7是本申请一个实施例提供的噪声辐射图示意图；
图8是本申请一个实施例提供的色深示意图；
图9是本申请一个实施例提供的噪声信号数据示意图；
图10是本申请一个实施例提供的短时傅里叶变换后提取频谱示意图。
具体实施方式
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。
实施例1，请参阅图1所示，本实施例所述一种基于交通数据采集的噪声预警系统，包括：第一数据收集模块、第二数据收集模块、模型训练模块与数据分析模块。各个模块之间通过有线和/或无线网络方式连接。
第一数据收集模块用于收集路线实时交通量、实时车辆类型与实时车速；
路线实时交通量为D时刻道路某断面的交通量；具体由设置在路口的地感线圈实时获取；
交通量是指单位时间内通过道路某断面的交通流量，具体的是单位时间通过道路某断面的车辆数目。地感线圈是一种用于测量交通量的传感器装置，通过放置在道路上的一组电磁线圈，当车辆经过地感线圈时，引起线圈中的电磁场发生变化，通过检测这种变化来计算交通量。
实时车辆类型是指D时刻通过道路某断面的车辆类型，具体可通过道路摄像头拍摄实时道路图片，并对实时道路图片进行计算机视觉技术分析，得到D时刻某断面的所有车辆类型。示例性的，D时刻通过道路某断面的车辆有1辆大型货车、2辆小型轿车与1辆中型客车，则计算机视觉技术可以基于道路摄像头拍摄的实时道路图片识别出1辆大型货车、2辆小型轿车与1辆中型客车。
计算机视觉技术可以应用于道路摄像头拍摄实时道路图片的处理和分析，通过应用计算机视觉技术可以对道路上的车辆进行识别和分类，实现车辆类型的统计和分析。
计算机视觉技术示例性具体实现过程如下：
图像采集；在道路上设置摄像头，并利用计算机建立与摄像头相连的数据传输通道，实时采集道路交通情况的图像数据。
图像预处理；对实时采集的道路图像进行预处理，去除图像噪声和背景干扰，提高图像质量。
车辆检测；使用目标检测算法，将道路图像中的车辆目标框出，生成包含车辆的位置和大小的矩形框。
特征提取；对车辆目标进行特征提取，以便对车辆进行分类；示例性的，可以使用卷积神经网络（CNN）对车辆目标进行特征提取。
车辆分类；通过训练好的分类模型，对车辆目标进行分类，得到各类型车辆的数量和分布。
数据分析；通过统计和分析车辆分类结果，得到D时刻道路某断面的所有车辆类型。
实时车速是D时刻通过道路某断面车辆的实时速度；具体是由道路摄像头实时拍摄出道路图片，并对道路图片进行光流法分析得到。
光流是空间运动物体在观察成像平面上的像素运动的瞬时速度。示例性的光流示意图如图5所示。
光流法是一种基于计算机视觉的运动估计技术，通过分析连续图像帧之间的亮度变化来推断物体在图像中的运动。光流法的原理基于亮度恒定假设和空间一致性假设。
亮度恒定假设指的是在短时间内物体的亮度保持不变，根据亮度恒定假设，光流法认为相邻图像帧中的像素点对应的亮度值的变化主要源于物体的运动而非光照变化，因此，光流法通过比较相邻帧中位置相同的像素点的亮度值变化来推测物体的运动。
空间一致性假设认为在一个连续图像序列中，相邻像素点之间的光流向量是相似的，一幅图像中相邻像素点的运动方向和速度趋势是相似的。基于这个假设，光流法通过对相邻像素点之间的亮度值变化进行分析，可以得到一组光流向量，表示物体的运动。
光流向量表示相邻图像帧中像素的位移，用于描述图像中物体的运动。
光流法的示例性过程包括：
特征检测；使用特征检测算法（如SIFT、SURF或FAST等）在相邻帧中提取出一组特征点。特征点通常具有较强的纹理、角点或边缘等显著特性。
特征匹配；通过比较相邻帧中的特征点，找到特征点之间的对应关系。具体可以通过最近邻匹配算法或最佳候选匹配算法计算特征点的对应关系。
光流计算；根据特征点之间的对应关系，计算得到每个特征点的光流向量，表示物体在图像中的运动方向和速度。
设在相邻的两幅图像帧之间，第一帧图像中的像素点在第二帧中对应的像素点为/>，则光流向量为(u,v)，其中/>表示水平方向的位移，/>表示竖直方向的位移。根据光流向量计算出每个像素点的运动速度/>；/>为两幅相邻图像帧之间的时间间隔。
光流估计；通过双线性插值将特征点的光流向量扩展到整个图像区域，得到图像中每个像素点的光流向量，多个光流向量组合成光流场，光流场示意图如图6所示；
计算车速；基于光流场结合画面景深计算实时车速；画面景深为道路摄像头拍摄的道路图片中的像素距离，对应于实际场景长度的比例。示例性的画面景深为1:100，表示道路图片1cm的长度对应于实际长度1m，画面景深由道路摄像头具体参数或人工测量获取。
使用光流法计算实时车速可以节约监测各种不同车辆实时速度的硬件成本，便于实施，充分利用现有的道路摄像头，节约成本。
收集路线实时交通量、实时车辆类型与实时车速是因为，道路交通噪声包括动力性噪声，动力性噪声主要指机动车辆与车速、发动机转速有关的进、排气噪声、发动机表面辐射噪声、传动系统噪声与车体震动噪声等。车速越大，车辆重量越大，动力性噪声越大，将实时车辆类型与实时车速对应，有利于更为精准地实现噪声的观测和预测，结合路线实时交通量，有效地考虑了路面的各种情况，相对于传统测量噪声只考虑交通量，更加精准有效，方便对于交通噪声宏观的调控。
第二数据收集模块用于收集噪声分贝数据与噪声信号数据。
噪声分贝数据是与路线实时交通量、实时车辆类型与实时车速对应的实时噪声的分贝数据，具体由设置在道路一侧的分贝仪实时获得。
噪声信号数据是与路线实时交通量、实时车辆类型与实时车速对应的实时噪声的实时录音数据，具体由设置在道路一侧的高质量麦克风获取。
噪声分贝数据与噪声信号数据都和路线实时交通量、实时车辆类型与实时车速同一时刻是一一对应的，有利于更加精准精确地分析和预测交通噪声。
模型训练模块基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；
模型训练模块基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；
根据车辆的体型与重量为每一种实时车辆类型预设对应的实时车辆类型系数，车辆的体型越大，重量越重，则预设的实时车辆类型系数越大；示例性的，大型货车的实时车辆类型系数为7，小型轿车的实时车辆类型系数为2；基于实时交通量、实时车辆类型、实时车速与实时车辆类型系数计算道路特征数据；式中/>为路线实时交通量，/>为通过道路某断面第/>辆车的实时车辆类型系数，/>为通过道路某断面第/>辆车的实时车速，/>为实时通过道路某断面一共的车辆数；
路线实时交通量越大，实时车辆类型系数越大，实时车速越大，实时的道路特征数据越大；道路特征数据充分考虑了交通噪声有关的因素，并且创新性地加入车辆类型与车速，同样的车辆类型不同的车速对于交通噪声有不同的影响，而同样的车速对于不同的车辆类型对于交通噪声影响结果也不一样，因此道路特征数据对于预测噪声分贝数据具有重要意义。
所述第一机器学习模型的训练过程包括：
采用滑动窗口将道路特征数据与噪声分贝数据转化为第一训练集；滑动窗口的过程包括：将道路特征数据划分为n个大小相等的时间窗口，每个时间窗口为一个训练样本，每个训练样本对应的标签为未来k时刻的噪声分贝数据。将训练样本与对应的标签标记为训练数据，收集多组训练数据标记为第一训练集。
示例性的，设每个时间窗口大小为5小时，要预测未来1小时的噪声分贝数据，现有道路特征数据集合，/>,/> 为第i小时道路特征数据，第一个训练样本则为/>，第一个训练样本对应的标签为/>；为第6小时实时的噪声分贝数据；
和/>为第一条训练数据，/>和为第二条训练数据，以此类推；
将第一训练集作为第一机器学习模型的输入，所述第一机器学习模型以未来k时刻的噪声分贝数据作为输出；以实时的道路特征数据所对应的标签作为预测目标，以最小化第一机器学习模型损失函数值作为训练目标；当第一机器学习模型损失函数值小于等于预设的第一目标损失值时停止训练；
所述第一机器学习模型损失函数为均方误差；均方误差通过将损失函数最小化为目标来训练模型，损失函数中mse为损失函数值，i为道路特征数据组号；/>为道路特征数据组数；/>为第i组道路特征数据对应的标签，/>为第i组道路特征数据实时预测的标签。所述机器学习模型为循环神经网络模型，所述循环神经网络模型可以是长短时记忆网络（LSTM）或门控循环单元（GRU）。
将第一机器学习模型的输出标记为预测噪声分贝数据；
数据分析模块基于预测噪声分贝数据绘制噪声辐射图；
噪声辐射图为多个图层叠加而成，可以反映预测的城市宏观噪声状态，并提供了可视化的分析，便于决策者根据不同道路不同交通噪声水平宏观调控。
噪声辐射图第一图层为城市路线图，城市路线图由地图软件获取；将城市路线图二值化；即只保留黑白色；
二值化的目的为便于将噪声大小可视化为颜色深度，便于宏观了解城市交通噪声水平；
将每个观测的道路断面位置标记在对应的第一图层中的城市路线中；
以每个道路断面位置为圆心，以道路断面处实时的预测噪声分贝数据辐射长度在城市路线图对应的长度为半径，绘制实心圆，绘制若干图层，每一个道路断面位置对应一个图层；
预测噪声分贝数据辐射长度为实验提前获取；在安静无风环境下，人为制造不同分贝数的噪声，记录人耳未感知到人为噪声的位置与人为制造噪声位置的距离；将所述距离标记为预测噪声分贝数据辐射长度；
可以理解的是，城市路线图是根据城市真实路线一定比例缩小的地图，因此预测噪声分贝数据辐射长度也应缩小相同比例，绘制在城市路线图之上。
实心圆的颜色可选取除黑、白与灰之外的任意颜色，需要注意的是，选择黑、白或灰颜色会导致噪声对应的实心圆与城市路线图颜色重叠，无法分辨；并且所有同心圆颜色需要相同；因为不同的颜色如果互补，叠加后会变成白色，影响观测；
将城市区域内所有观测的道路断面位置对应的同心圆绘制完成后，叠加所有图层，成为噪声辐射图；噪声辐射图示意图如图7；
不同同心圆可能会有重叠的部分，重叠部分会因为相同颜色进行叠加产生色深的变化；色深是对于每个像素点的灰阶定义；色深示意图如图8；重叠次数越多，代表噪声越集中越大，交通噪声对于民众的影响越大，色深越深；
将噪声辐射图中所有的像素点进行与预设色深程度对比，将所有大于等于预设色深程度的颜色区域标记为噪声严重区域并发出预警指令。
预警指令包括提前对道路噪声严重区域进行疏散分流等。
基于噪声辐射图标记出的噪声严重区域在宏观上更加直白明显地显示出城市整体未来交通噪声严重的道路或区域，便于城市管理者更加有针对性地对道路进行调控，提前预警。
第二机器学习模型的训练方式如下：
将噪声信号数据进行短时傅里叶变换提取频谱；短时傅里叶变换定义为：；式中：/>为短时傅里叶变换频率分布；/>为时域信号；为傅里叶变换后频率；/>为短时傅里叶变换起始时间；/>为时间；/>为虚数单位；/>为窗的时间长度。
噪声信号数据示意图如图9，短时傅里叶变换后提取频谱示意图如图10。
短时傅里叶变换可以将声音信号从时域转换为频域，生成频谱，便于计算机进行进一步的处理。
频谱是指信号在频率域上的表示，描述了信号在不同频率上的成分和能量分布情况。在音频、无线通信、信号处理等领域中，频谱是一种常用的工具，用于分析和理解信号的频率特性。
将频谱使用矩阵表示；矩阵中每一行与每一列表示不同的频率，每个元素表示对应频率的幅度值。由于机器学习无法直接处理频谱，因此采用矩阵表示频谱，有利于进一步完成第二机器学习模型的建立。所述矩阵标记为频谱矩阵。
将道路特征数据与道路特征数据对应的频谱矩阵使用滑动窗口构建为第二训练集；未来k时刻的频谱矩阵是道路特征数据的标签；滑动窗口方式与上文类似，不再赘述。
将第二训练集作为第二机器学习模型的输入，所述第二机器学习模型以未来k时刻的频谱矩阵作为输出；以实时的道路特征数据所对应的标签作为预测目标，以最小化第二机器学习模型损失函数值作为训练目标；当第二机器学习模型损失函数值小于等于预设的第二目标损失值时停止训练；
第二机器学习模型的建立，可以根据路面现有的情况预测此时的声音信号频谱，根据声音信号频谱可以推测出此时交通信号的噪声类型占比，由于交通噪声包括动力性噪声与非动力性噪声，动力性噪声与车速以及车辆类型有关，动力性噪声包括进、排气噪声、发动机表面辐射噪声、传动系统噪声、与车体振动噪声；
非动力性噪声与汽车鸣笛相关，可以理解的是，汽车鸣笛噪声的频谱数据与汽车动力性噪声频谱数据不一致，因此可以根据第二机器学习模型输出的频谱矩阵，转化为频谱，根据频谱分析出汽车动力性与非动力性噪声类型的比例；
当实时车速较低，同时路线实时交通量较大，实时车辆类型中较多的大型车时，动力性噪声可能会相对较低，道路更有可能发生堵塞，司机情绪会逐渐焦虑，发生汽车鸣笛的概率会大大增加，此时非动力性噪声将会升高。因此第二机器学习模型的建立对于宏观了解城市交通噪声组成成分与交通噪声预警有重要的意义。
第二数据收集模块收集的噪声信号数据还包括若干只含有动力性噪声，与只含有非动力性噪声的噪声信号；将动力性噪声信号数据的标签设置为1，非动力性噪声信号数据标签设置为0；
模型训练模块基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；
将噪声信号数据作为第三机器学习模型的输入，所述第三机器学习模型以实时第二机器学习模型的输出结果所对应的标签作为输出；第三机器学习模型的输出为0-1的有理数；以实时第二机器学习模型的输出结果所对应的标签作为预测目标，以最小化第三机器学习模型损失函数值作为训练目标；当第三机器学习模型损失函数值小于等于预设的第三目标损失值时停止训练；
第三机器学习模型，在第二机器学习模型预测的频谱之上，进一步辨别交通噪声类型所占比例，第二机器学习模型和第三机器学习模型层层递进、不可分割，缺少一个则无法完整地实现预测未来的噪声类型比例这一效果。当发出预警指令时，才进行第二机器学习模型与第三机器学习模型的使用，避免了当预测噪声并不大时，动用的过剩算力资源，节省了资源。
数据分析模块将第三机器学习模型的输出与预设比例值比较，预设比例值包括第一预设比例值与第二预设比例值；第一预设比例值大于第二预设比例值；将大于等于第一预设比例值时生成第一调节指令，将小于等于第二预设比例值时生成第二调节指令。
第一调节指令包括降低道路最高速度等操作。
第二调节指令包括提前对车辆进行疏通分流等操作。
实施例1基于多种道路相关参数，创造性地绘制出预测噪声的噪声辐射图，对于城市宏观调控和预警交通噪声具有重要的意义，并且对于预测噪声的噪声类型有进一步的划分，实现了交通噪声宏观调控从0到1的突破，提高了城市交通管理的水平，进一步降低了城市交通噪声可能引起的风险。
实施例2，请参阅图2所示，本实施例未详细叙述部分见实施例1描述内容，提供一种基于交通数据采集的噪声预警方法，所述方法包括：收集路线实时交通量、实时车辆类型与实时车速；收集噪声分贝数据与噪声信号数据；基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。
实施例3，请参阅图3所示，根据本申请的又一方面还提供了一种基于交通数据采集的噪声预警装置500。该交通噪声预警装置500可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的一种基于交通数据采集的噪声预警系统、装置及预警方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的一种基于交通数据采集的噪声预警装置的架构来实现。如图3所示，一种基于交通数据采集的噪声预警装置500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。交通噪声预警装置500中的存储设备，例如ROM503或硬盘507可存储本申请提供的一种基于交通数据采集的噪声预警方法。一种基于交通数据采集的噪声预警方法可如包括：收集路线实时交通量、实时车辆类型与实时车速；收集噪声分贝数据与噪声信号数据；基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。进一步地，交通噪声预警装置500还可包括用户界面508。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的交通噪声预警装置中的一个或多个组件。
实施例4，请参阅图4所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的一种基于交通数据采集的噪声预警系统、装置及预警方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：收集路线实时交通量、实时车辆类型与实时车速；收集噪声分贝数据与噪声信号数据；
基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。
在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，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，仅仅为一种基于交通数据采集的噪声预警系统、装置及预警方法，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于交通数据采集的噪声预警系统，其特征在于，包括：
第一数据收集模块用于收集路线实时交通量、实时车辆类型与实时车速；
第二数据收集模块用于收集噪声分贝数据与噪声信号数据；
模型训练模块基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；
数据分析模块基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；
数据分析模块基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。
2.根据权利要求1所述的一种基于交通数据采集的噪声预警系统，其特征在于，
路线实时交通量为D时刻道路某断面的交通量；
实时车辆类型是指D时刻通过道路某断面的车辆类型；
实时车速是D时刻通过道路某断面车辆的实时速度；具体是由道路摄像头实时拍摄出道路图片，并对道路图片进行光流法分析得到；
噪声分贝数据是与路线实时交通量、实时车辆类型与实时车速对应的实时噪声的分贝数据；
噪声信号数据包括与路线实时交通量、实时车辆类型与实时车速对应的实时噪声的实时录音数据；噪声信号数据还包括若干只含有动力性噪声，与只含有非动力性噪声的噪声信号。
3.根据权利要求2所述的一种基于交通数据采集的噪声预警系统，其特征在于，光流法的过程包括：
特征检测；使用特征检测算法在相邻帧中提取出一组特征点；特征匹配；通过比较相邻帧中的特征点，找到特征点之间的对应关系；
光流计算；根据特征点之间的对应关系，计算得到每个特征点的光流向量；
在相邻的两幅图像帧之间，第一帧图像中的像素点在第二帧中对应的像素点为/>，则光流向量为(u,v)，其中/>表示水平方向的位移，表示竖直方向的位移，根据光流向量计算出每个像素点的运动速度；/>为两幅相邻图像帧之间的时间间隔；
光流估计；通过双线性插值将特征点的光流向量扩展到整个图像区域，得到图像中每个像素点的光流向量，多个光流向量组合成光流场；
计算车速；基于光流场结合画面景深计算实时车速。
4.根据权利要求3所述的一种基于交通数据采集的噪声预警系统，其特征在于：所述第一机器学习模型的训练过程包括：
为每一种实时车辆类型预设对应的实时车辆类型系数；基于实时交通量、实时车辆类型、实时车速与实时车辆类型系数计算道路特征数据；式中/>为路线实时交通量，/>为通过道路某断面第/>辆车的实时车辆类型系数，/>为通过道路某断面第/>辆车的实时车速，/>为实时通过道路某断面一共的车辆数；
采用滑动窗口将道路特征数据与噪声分贝数据转化为第一训练集；滑动窗口的过程包括：将道路特征数据划分为n个大小相等的时间窗口，每个时间窗口为一个训练样本，每个训练样本对应的标签为未来k时刻的噪声分贝数据，将训练样本与对应的标签标记为训练数据，收集多组训练数据标记为第一训练集；
将第一训练集作为第一机器学习模型的输入，所述第一机器学习模型以未来k时刻的噪声分贝数据作为输出；以实时的道路特征数据所对应的标签作为预测目标，以最小化第一机器学习模型损失函数值作为训练目标；当第一机器学习模型损失函数值小于等于预设的第一目标损失值时停止训练；
所述第一机器学习模型损失函数为均方误差；均方误差通过将损失函数最小化为目标来训练模型，损失函数中mse为损失函数值，i为道路特征数据组号；/>为道路特征数据组数；/>为第i组道路特征数据对应的标签，/>为第i组道路特征数据实时预测的标签；所述机器学习模型为循环神经网络模型，所述循环神经网络模型为长短时记忆网络；
将第一机器学习模型的输出标记为预测噪声分贝数据。
5.根据权利要求4所述的一种基于交通数据采集的噪声预警系统，其特征在于，噪声辐射图为多个图层叠加而成；
噪声辐射图第一图层为城市路线图；将城市路线图二值化；
将每个观测的道路断面位置标记在对应的第一图层中的城市路线中；
以每个道路断面位置为圆心，以道路断面处实时的预测噪声分贝数据辐射长度在城市路线图对应的长度为半径，绘制实心圆，每一个道路断面位置对应一个图层；绘制所有图层，实心圆的颜色选取除黑、白与灰之外的颜色，并且所有同心圆颜色需要相同；将城市区域内所有观测的道路断面位置对应的同心圆绘制完成后，叠加所有图层，成为噪声辐射图；
将噪声辐射图中所有的像素点进行与预设色深程度对比，将所有大于等于预设色深程度的颜色区域标记为噪声严重区域并发出预警指令；
预警指令包括提前对道路噪声严重区域进行疏散分流。
6.根据权利要求5所述的一种基于交通数据采集的噪声预警系统，其特征在于，第二机器学习模型的训练方式如下：
将噪声信号数据进行短时傅里叶变换提取频谱；短时傅里叶变换定义为：；式中：/>为短时傅里叶变换频率分布； />为时域信号；/>为傅里叶变换后频率；/>为短时傅里叶变换起始时间；/>为时间；/>为虚数单位；/>为窗的时间长度；
将频谱使用矩阵表示；所述矩阵标记为频谱矩阵；
将道路特征数据与道路特征数据对应的频谱矩阵使用滑动窗口构建为第二训练集；未来k时刻的频谱矩阵是道路特征数据的标签；将第二训练集作为第二机器学习模型的输入，所述第二机器学习模型以未来k时刻的频谱矩阵作为输出；以实时的道路特征数据所对应的标签作为预测目标，以最小化第二机器学习模型损失函数值作为训练目标；当第二机器学习模型损失函数值小于等于预设的第二目标损失值时停止训练；
将第二机器学习模型输出的频谱矩阵转化为频谱。
7.根据权利要求6所述的一种基于交通数据采集的噪声预警系统，其特征在于，第三机器学习模型的训练方式包括：
将动力性噪声信号数据的标签设置为1，非动力性噪声信号数据标签设置为0；
将噪声信号数据作为第三机器学习模型的输入，所述第三机器学习模型以实时第二机器学习模型的输出结果所对应的标签作为输出；第三机器学习模型的输出为0-1的有理数；以实时第二机器学习模型的输出结果所对应的标签作为预测目标，以最小化第三机器学习模型损失函数值作为训练目标；当第三机器学习模型损失函数值小于等于预设的第三目标损失值时停止训练。
8.根据权利要求7所述的一种基于交通数据采集的噪声预警系统，其特征在于，将第三机器学习模型的输出与预设比例值比较，预设比例值包括第一预设比例值与第二预设比例值；第一预设比例值大于第二预设比例值；将大于等于第一预设比例值时生成第一调节指令，将小于等于第二预设比例值时生成第二调节指令；第一调节指令包括降低道路最高速度操作；第二调节指令包括提前对车辆进行疏通分流操作。
9.一种基于交通数据采集的噪声预警方法，其特征在于，
收集路线实时交通量、实时车辆类型与实时车速；
收集噪声分贝数据与噪声信号数据；
基于路线实时交通量、实时车辆类型、实时车速与噪声分贝数据训练预测未来k时刻噪声分贝的第一机器学习模型；基于路线实时交通量、实时车辆类型、实时车速与噪声信号数据训练预测未来k时刻频谱的第二机器学习模型；基于噪声信号数据训练实时判别噪声类型的第三机器学习模型；
基于预测噪声分贝数据绘制噪声辐射图，将噪声辐射图与预设色深程度比对分析，生成预警指令；
基于第三机器学习模型输出与预设比例值比对分析，生成第一调节指令和第二调节指令。
10.一种基于交通数据采集的噪声预警装置，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求9所述的一种基于交通数据采集的噪声预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410158065.2A CN117690303B (zh) | 2024-02-04 | 2024-02-04 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410158065.2A CN117690303B (zh) | 2024-02-04 | 2024-02-04 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690303A true CN117690303A (zh) | 2024-03-12 |
| CN117690303B CN117690303B (zh) | 2024-04-26 |
Family
ID=90137622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410158065.2A Active CN117690303B (zh) | 2024-02-04 | 2024-02-04 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690303B (zh) |
Citations (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
| CN104008644A (zh) * | 2014-06-06 | 2014-08-27 | 中国民航大学 | 一种基于梯度下降的城市道路交通噪声测量方法 |
| CN104036087A (zh) * | 2014-06-24 | 2014-09-10 | 同济大学 | 基于功率流-边界元模型的高架轨道交通振动噪声仿真预测方法 |
| 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 |
| CN104361887A (zh) * | 2014-11-20 | 2015-02-18 | 哈尔滨工业大学 | 行车噪声环境下的快速声学事件检测系统 |
| CN104415545A (zh) * | 2013-08-23 | 2015-03-18 | 诠亚科技股份有限公司 | 动作感应式遥控装置 |
| CN105306648A (zh) * | 2014-07-17 | 2016-02-03 | 福特全球技术公司 | 具有学习能力的基于车辆状态的免提电话自适应降噪 |
| CN105930923A (zh) * | 2016-04-15 | 2016-09-07 | 东南大学 | 基于3d噪声地图的城市道路绿地降噪导向的优化控制方法 |
| CN106448050A (zh) * | 2016-11-15 | 2017-02-22 | 山东科技大学 | 一种基于车辆噪音的智能手机交通危险预警方法与系统 |
| CN206931362U (zh) * | 2017-04-19 | 2018-01-26 | 杭州派尼澳电子科技有限公司 | 一种高速公路隧道安全监控系统 |
| CN108491999A (zh) * | 2018-02-10 | 2018-09-04 | 山东国金汽车制造有限公司 | 一种对电动汽车稳态噪声主观评价的客观量化方法 |
| 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 |
| JP2020067669A (ja) * | 2018-10-19 | 2020-04-30 | 株式会社ファブリカコミュニケーションズ | 情報処理装置及びプログラム |
| CN111159938A (zh) * | 2019-12-23 | 2020-05-15 | 东南大学 | 一种公路过江隧道水下振动噪声预测方法 |
| CN111724763A (zh) * | 2020-07-01 | 2020-09-29 | 江苏理工学院 | 一种汽车噪声控制装置及方法 |
| CN112185335A (zh) * | 2020-09-27 | 2021-01-05 | 上海电气集团股份有限公司 | 一种降噪方法、装置、电子设备及存储介质 |
| CA3093436A1 (en) * | 2019-09-19 | 2021-03-19 | Caterpillar, Inc. | System and method for avoiding contact between autonomous and manned vehicles caused by loss of traction |
| CN112556834A (zh) * | 2020-12-11 | 2021-03-26 | 陈学良 | 一种基于物联网的城市噪声报警预测系统 |
| CN113112845A (zh) * | 2021-04-07 | 2021-07-13 | 时孝贺 | 一种双工通信中的干扰抑制系统及方法 |
| CN113139495A (zh) * | 2021-04-29 | 2021-07-20 | 姜冬阳 | 一种基于深度学习的隧道侧装视频交通流检测方法和系统 |
| CN113362851A (zh) * | 2020-03-06 | 2021-09-07 | 上海其高电子科技有限公司 | 基于深度学习交通场景声音分类的方法及系统 |
| KR20210116066A (ko) * | 2020-03-17 | 2021-09-27 | 성균관대학교산학협력단 | 심층 신경망을 이용한 음성 발생 방향 추론 방법 및 그 장치 |
| CN113450565A (zh) * | 2021-06-11 | 2021-09-28 | 南通市江海公路工程有限公司 | 一种减小沥青路面噪音的方法及系统 |
| KR20210117637A (ko) * | 2020-03-19 | 2021-09-29 | 주식회사 아이오라이트 | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 |
| CN113505524A (zh) * | 2021-06-16 | 2021-10-15 | 广州大学 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
| CN113537040A (zh) * | 2021-07-13 | 2021-10-22 | 南京理工大学 | 一种基于半监督学习的时序行为检测方法及系统 |
| CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警系统及方法 |
| CN113946912A (zh) * | 2021-11-17 | 2022-01-18 | 湖南工业大学 | 一种列车噪声预测系统及方法 |
| CN114509162A (zh) * | 2022-04-18 | 2022-05-17 | 四川三元环境治理股份有限公司 | 一种声环境数据监测方法及系统 |
| CN114973657A (zh) * | 2022-05-12 | 2022-08-30 | 中南大学 | 基于轨迹数据的城市交通噪声污染分析与评估方法 |
| 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 |
| CN115435891A (zh) * | 2022-08-17 | 2022-12-06 | 北京市高速公路交通工程有限公司 | 基于矢量传声器的道路车辆声功率监测系统 |
| CN115758289A (zh) * | 2023-01-10 | 2023-03-07 | 西南交通大学 | 一种基于多任务学习神经网络的钢轨波磨识别方法 |
| WO2023069474A1 (en) * | 2021-10-22 | 2023-04-27 | Nec Laboratories America, Inc. | Dynamic road traffic noise mapping using distributed fiber optic sensing (dfos) over telecom network |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
| CN116733341A (zh) * | 2023-02-09 | 2023-09-12 | 四川三元环境治理股份有限公司 | 电动滑移式安全通风隔声窗的控制方法及装置 |
| CN116778748A (zh) * | 2023-05-18 | 2023-09-19 | 华南师大(清远)科技创新研究院有限公司 | 基于深度学习的车辆转弯盲区智能预警方法 |
| CN116994552A (zh) * | 2023-09-28 | 2023-11-03 | 深圳市齐奥通信技术有限公司 | 一种基于深度学习的音频降噪方法及系统 |
| CN117037847A (zh) * | 2023-07-31 | 2023-11-10 | 深圳市万物云科技有限公司 | 一种端到端社区噪音监测方法、装置及相关组件 |
| CN117022323A (zh) * | 2023-08-22 | 2023-11-10 | 南京项尚车联网技术有限公司 | 一种智能驾驶车辆行为分析与预测系统及方法 |
| CN117313249A (zh) * | 2023-11-30 | 2023-12-29 | 中汽研（天津）汽车工程研究院有限公司 | 整车风噪语音清晰度预测方法、设备和存储介质 |
| WO2024003756A1 (en) * | 2022-06-28 | 2024-01-04 | Silentium Ltd. | Apparatus, system, and method of neural-network (nn) based active acoustic control (aac) |
| CN117376575A (zh) * | 2023-10-17 | 2024-01-09 | 西安交通大学 | 一种基于条件扩散模型的压缩域视频异常检测方法 |
| CN117421563A (zh) * | 2023-12-18 | 2024-01-19 | 深圳火眼智能有限公司 | 基于多传感器数据融合分析噪声的方法、装置以及设备 |
-
2024
- 2024-02-04 CN CN202410158065.2A patent/CN117690303B/zh active Active
Patent Citations (45)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104415545A (zh) * | 2013-08-23 | 2015-03-18 | 诠亚科技股份有限公司 | 动作感应式遥控装置 |
| CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
| CN104008644A (zh) * | 2014-06-06 | 2014-08-27 | 中国民航大学 | 一种基于梯度下降的城市道路交通噪声测量方法 |
| CN104036087A (zh) * | 2014-06-24 | 2014-09-10 | 同济大学 | 基于功率流-边界元模型的高架轨道交通振动噪声仿真预测方法 |
| CN105306648A (zh) * | 2014-07-17 | 2016-02-03 | 福特全球技术公司 | 具有学习能力的基于车辆状态的免提电话自适应降噪 |
| 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 |
| CN104361887A (zh) * | 2014-11-20 | 2015-02-18 | 哈尔滨工业大学 | 行车噪声环境下的快速声学事件检测系统 |
| CN105930923A (zh) * | 2016-04-15 | 2016-09-07 | 东南大学 | 基于3d噪声地图的城市道路绿地降噪导向的优化控制方法 |
| CN106448050A (zh) * | 2016-11-15 | 2017-02-22 | 山东科技大学 | 一种基于车辆噪音的智能手机交通危险预警方法与系统 |
| CN206931362U (zh) * | 2017-04-19 | 2018-01-26 | 杭州派尼澳电子科技有限公司 | 一种高速公路隧道安全监控系统 |
| CN108491999A (zh) * | 2018-02-10 | 2018-09-04 | 山东国金汽车制造有限公司 | 一种对电动汽车稳态噪声主观评价的客观量化方法 |
| JP2020067669A (ja) * | 2018-10-19 | 2020-04-30 | 株式会社ファブリカコミュニケーションズ | 情報処理装置及びプログラム |
| CA3093436A1 (en) * | 2019-09-19 | 2021-03-19 | Caterpillar, Inc. | System and method for avoiding contact between autonomous and manned vehicles caused by loss of traction |
| 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 |
| CN111159938A (zh) * | 2019-12-23 | 2020-05-15 | 东南大学 | 一种公路过江隧道水下振动噪声预测方法 |
| CN113362851A (zh) * | 2020-03-06 | 2021-09-07 | 上海其高电子科技有限公司 | 基于深度学习交通场景声音分类的方法及系统 |
| KR20210116066A (ko) * | 2020-03-17 | 2021-09-27 | 성균관대학교산학협력단 | 심층 신경망을 이용한 음성 발생 방향 추론 방법 및 그 장치 |
| KR20210117637A (ko) * | 2020-03-19 | 2021-09-29 | 주식회사 아이오라이트 | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 |
| CN111724763A (zh) * | 2020-07-01 | 2020-09-29 | 江苏理工学院 | 一种汽车噪声控制装置及方法 |
| CN112185335A (zh) * | 2020-09-27 | 2021-01-05 | 上海电气集团股份有限公司 | 一种降噪方法、装置、电子设备及存储介质 |
| CN112556834A (zh) * | 2020-12-11 | 2021-03-26 | 陈学良 | 一种基于物联网的城市噪声报警预测系统 |
| CN114495553A (zh) * | 2021-04-07 | 2022-05-13 | 时孝贺 | 一种双工通信中的干扰抑制系统 |
| CN113112845A (zh) * | 2021-04-07 | 2021-07-13 | 时孝贺 | 一种双工通信中的干扰抑制系统及方法 |
| CN113139495A (zh) * | 2021-04-29 | 2021-07-20 | 姜冬阳 | 一种基于深度学习的隧道侧装视频交通流检测方法和系统 |
| CN113450565A (zh) * | 2021-06-11 | 2021-09-28 | 南通市江海公路工程有限公司 | 一种减小沥青路面噪音的方法及系统 |
| CN113505524A (zh) * | 2021-06-16 | 2021-10-15 | 广州大学 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
| CN113537040A (zh) * | 2021-07-13 | 2021-10-22 | 南京理工大学 | 一种基于半监督学习的时序行为检测方法及系统 |
| WO2023069474A1 (en) * | 2021-10-22 | 2023-04-27 | Nec Laboratories America, Inc. | Dynamic road traffic noise mapping using distributed fiber optic sensing (dfos) over telecom network |
| CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警系统及方法 |
| CN113946912A (zh) * | 2021-11-17 | 2022-01-18 | 湖南工业大学 | 一种列车噪声预测系统及方法 |
| CN114509162A (zh) * | 2022-04-18 | 2022-05-17 | 四川三元环境治理股份有限公司 | 一种声环境数据监测方法及系统 |
| CN114973657A (zh) * | 2022-05-12 | 2022-08-30 | 中南大学 | 基于轨迹数据的城市交通噪声污染分析与评估方法 |
| WO2024003756A1 (en) * | 2022-06-28 | 2024-01-04 | Silentium Ltd. | Apparatus, system, and method of neural-network (nn) based active acoustic control (aac) |
| CN115435891A (zh) * | 2022-08-17 | 2022-12-06 | 北京市高速公路交通工程有限公司 | 基于矢量传声器的道路车辆声功率监测系统 |
| 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 |
| CN115758289A (zh) * | 2023-01-10 | 2023-03-07 | 西南交通大学 | 一种基于多任务学习神经网络的钢轨波磨识别方法 |
| CN116733341A (zh) * | 2023-02-09 | 2023-09-12 | 四川三元环境治理股份有限公司 | 电动滑移式安全通风隔声窗的控制方法及装置 |
| CN116778748A (zh) * | 2023-05-18 | 2023-09-19 | 华南师大(清远)科技创新研究院有限公司 | 基于深度学习的车辆转弯盲区智能预警方法 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
| CN117037847A (zh) * | 2023-07-31 | 2023-11-10 | 深圳市万物云科技有限公司 | 一种端到端社区噪音监测方法、装置及相关组件 |
| CN117022323A (zh) * | 2023-08-22 | 2023-11-10 | 南京项尚车联网技术有限公司 | 一种智能驾驶车辆行为分析与预测系统及方法 |
| CN116994552A (zh) * | 2023-09-28 | 2023-11-03 | 深圳市齐奥通信技术有限公司 | 一种基于深度学习的音频降噪方法及系统 |
| CN117376575A (zh) * | 2023-10-17 | 2024-01-09 | 西安交通大学 | 一种基于条件扩散模型的压缩域视频异常检测方法 |
| CN117313249A (zh) * | 2023-11-30 | 2023-12-29 | 中汽研（天津）汽车工程研究院有限公司 | 整车风噪语音清晰度预测方法、设备和存储介质 |
| CN117421563A (zh) * | 2023-12-18 | 2024-01-19 | 深圳火眼智能有限公司 | 基于多传感器数据融合分析噪声的方法、装置以及设备 |
Non-Patent Citations (9)
| Title |
|---|
| AHMED ABDULKAREEM AHMED ADULAIMI等: "Traffic Noise Modelling Using Land Use Regression Model Based on Machine Learning, Statistical Regression and GIS", 《ENERGIES》, no. 14, 18 August 2021 (2021-08-18), pages 1 - 19 * |
| PUTU ALIT SUTHANAYAA等: "Modelling road traffic noise for collector road (case study of Denpasar City)", 《PROCEDIA ENGINEERING》, no. 125, 31 May 2015 (2015-05-31), pages 467 - 473 * |
| 冯志宏: "基于运行速度的公路交通噪声研究", 《物流科技》, no. 5, 31 May 2013 (2013-05-31), pages 48 - 51 * |
| 周亚凌: "基于OpenCV的交通车流量检测系统", 《中国优秀硕士学位论文全文数据库》, no. 8, 15 August 2015 (2015-08-15), pages 138 - 1235 * |
| 张瑞宾: "融合时空状态与场景特征的车辆运行风险评估及预警研究", 《中国博士学位论文全文数据库》, no. 5, 15 May 2023 (2023-05-15), pages 034 - 28 * |
| 李盟: "街区制居住小区交通噪声预测模型研究", 《中国优秀硕士学位论文全文数据库》, no. 1, 15 January 2019 (2019-01-15), pages 034 - 1980 * |
| 杨川琦: "山区铁路噪声影响预测及线路方案优选研究", 《中国优秀硕士学位论文全文数据库》, no. 5, 15 May 2022 (2022-05-15), pages 033 - 158 * |
| 田川超: "基于整车道路试验的汽车噪声评价内容概述", 《汽车工业研究》, no. 4, 31 December 2021 (2021-12-31), pages 49 - 52 * |
| 陈柳晓: "山地城市交通噪声特性分析及预测模型研究", 《中国博士学位论文全文数据库》, no. 3, 15 March 2023 (2023-03-15), pages 034 - 37 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690303B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
| CN100502463C (zh) | 一种交通流信息视频检测中的特征采集方法 | |
| CN107315095B (zh) | 基于视频处理的具有光照适应性的多车辆自动测速方法 | |
| CN111798386B (zh) | 一种基于边缘识别与最大序列密度估计的河道流速测量方法 | |
| CN112257609B (zh) | 一种基于自适应关键点热图的车辆检测方法及装置 | |
| CN106128121B (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
| CN109584204A (zh) | 一种图像噪声强度估计方法、存储介质、处理及识别装置 | |
| CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
| CN104378582A (zh) | 一种基于ptz摄像机巡航的智能视频分析系统及方法 | |
| CN109817013A (zh) | 基于视频流的停车位状态识别方法及装置 | |
| CN108804992B (zh) | 一种基于深度学习的人群统计方法 | |
| CN111915583B (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
| CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及系统 | |
| CN107516423B (zh) | 一种基于视频的车辆行驶方向检测方法 | |
| CN110633671A (zh) | 基于深度图像的公交车客流实时统计方法 | |
| CN104063882A (zh) | 一种基于双目的车辆视频测速方法 | |
| CN111353496B (zh) | 一种红外弱小目标实时检测方法 | |
| CN106778540A (zh) | 停车检测准确的基于双层背景的停车事件检测方法 | |
| CN110321855A (zh) | 一种雾天检测预警装置 | |
| CN111783675A (zh) | 基于车辆语义感知的智慧城市视频自适应hdr控制方法 | |
| CN111598845A (zh) | 基于深度学习与neo-6m定位模块的路面裂缝检测与定位的方法 | |
| CN117690303B (zh) | 一种基于交通数据采集的噪声预警系统、装置及预警方法 | |
| CN110316630B (zh) | 电梯摄像头安装角度的偏离预警方法及系统 | |
| KR100532058B1 (ko) | 카메라 캘리브레이션을 이용한 교통정보 추출 방법 및 장치 | |
| Yao et al. | Embedded technology and algorithm for video-based vehicle queue length detection |
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 |