基于轨迹数据的城市交通噪声污染分析与评估方法

摘要

本发明提供了一种基于轨迹数据的城市交通噪声污染分析与评估方法，包括道路交通噪声数据采集、车辆轨迹数据获取、开放街景地图数据获取；基于开放街景地图数据的车辆轨迹数据地图匹配；路段交通速度和流量计算；将道路交通噪声数据集与路段进行匹配，获取训练数据集；建立道路交通噪声与路段交通速度、流量、道路等级之间的BP神经网络交通噪声预测模型；基于训练好的噪声预测模型进行其他路段噪声分布预测；绘制区域交通噪声地图。本发明为实现城市道路交通噪声时空分布状态的全范围、细粒度的动态监测与可视化提供了解决思路和技术支撑，在城市噪声污染治理、城市区域环境与宜居性评价、购租房推荐和城市规划等领域具有重要应用价值。

说明书

技术领域

本发明涉及时空数据挖掘与环境治理技术领域，特别涉及一种基于轨迹数据的城市交通噪声污染分析与评估方法。

背景技术

21世纪以来，城市化进程快速推进，科技文化与社会经济同步高速发展。一方面，人们平均生活水平日益提高，流动人口不断增加，出行更加便捷，出行方式更加多元化；另一方面，城市轨道交通全面铺开，机动车保有量日益增加。据相关统计，2021年全国机动车保有量达3.95亿辆，其中汽车数量达3.02亿量，城市道路交通密度持续增大。然而在城市各方面飞速发展的同时，伴随而来的是一系列亟待解决的城市环境问题，其中尤以城市交通噪声污染日益严重。

城市交通噪声作为城市噪声的一种类型，是指城市机动车辆在城市道路上高速运行过程中所产生的影响人们正常工作休息的声音，已经成为我国城市环境治理过程中面临的一大问题，加大了我国环境治理的难度，影响着人们的身心健康，因此有必要对城市噪声定时、定量、全面监测管控。目前，城市噪声污染分析主要通过环境部门在城市布设一定数量的噪声监测点，以季度或者年度为更新尺度，对城市噪声的各项指标进行计算，以判别城市的噪声达标情况，缺乏对城市噪声的全范围、精细化监测与实时动态管控，是城市环境治理面临的一大挑战。

现有技术中，城市交通噪声预测模型大约可以分为三类：第一类是基于噪声的产生和传播原理提出的理论计算预测方法，这类方法国家基于本国道路特点和车辆特征，在充分分析交通噪声影响因素的基础上构建的噪声模型表达式，如美国FHWA模型，德国RLS模型、英国CRTN88模型等；第二类是是根据数学统计分析方法提出的预测模型，通过建立各种数学统计模型进行交通噪声预测；第三类是数据驱动的机器学习的噪声预测方法，是指利用神经网络相关技术建立交通噪声与其影响因子之间的预测模型。

上述三类方法可以较好的实现城市交通噪声的预测，但可能存在更新繁重、需要持续获取噪声相关监测数据的问题，因而难以实现道路交通噪声全范围、细粒度与实时动态监测。

近些年，随着移动互联网、红外传感器、定位导航技术以及大数据技术的快速发展，积累了海量移动轨迹数据，使得利用有限的噪声监测数据和先进的技术获取全范围、细粒度的道路交通噪声数据成为可能。同时，地理信息系统技术为城市交通噪声提供了便捷的数据处理、数据可视化、数据分析功能。

总之，如何在当前交通噪声模型受限的情况下利用有限的噪声监测数据进行全范围、细粒度、实时动态监测仍是亟待解决的问题，主要体现在：当前噪声监测站点布设稀疏，噪声评估周期长，难以满足上述要求；当前噪声预测手段多通过建立丰富的交通噪声影响因子与交通噪声之间的关系模型，重点在于分析交通噪声的产生与传播机理；缺少利用多源轨迹大数据结合有效的噪声监测数据进行全范围、细粒度的交通噪声预测反演统一框架。

发明内容

本发明的目的是：针对上述背景技术中存在的不足，提供一种基于轨迹大数据的城市道路交通噪声污染分析与评估方案，为道路交通噪声全范围、细粒度的动态监测与可视化分析提供新的解决思路和技术支撑，将在城市噪声污染治理、城市区域环境与宜居性评价、购租房推荐、城市规划等应用中发挥重要作用。

为了达到上述目的，本发明提供了一种基于轨迹大数据的城市道路交通噪声污染分析与评估方法，包括如下步骤：

S1，获取道路交通噪声样本数据、车辆轨迹数据、开放街景地图数据；

S2，基于开放街景地图数据中的矢量路网数据完成车辆轨迹数据的地图匹配；

S3，利用经过地图匹配的车辆轨迹数据计算路段的交通速度和交通流量；

S4，根据道路名称和时间将道路交通噪声数据和交通速度、交通流量以及本身的道路等级进行匹配，获取模型训练和测试数据集；

S5，建立道路交通噪声与交通速度、交通流量、道路等级之间的BP神经网络交通噪声预测模型，利用样本数据集训练和测试模型；

S6，通过BP神经网络道路交通噪声预测模型，以道路交通速度、交通流量及道路等级数据和输入数据，对缺少道路交通监测数据的路段和时刻进行道路交通噪声的反演预测；

S7，绘制区域交通噪声地图，对噪声污染进行评估。

进一步地，S2具体包括如下子步骤：

S21，车辆轨迹数据预处理，将轨迹经纬度坐标转换为平面投影坐标，根据车辆ID划分轨迹数据，每个车辆ID的轨迹数据保存，并且对同一个车辆ID的轨迹数据按照时间进行排序；

S22，矢量路网数据预处理，包括拓扑检查、坐标系投影变换、删除多余字段数据，只保留路段名称、道路等级、路段ID，字段缺失值填充，道路等级根据矢量路网数据中的道路类型，按照开源地图中道路等级映射关系转换为数字；

S23，以矢量路网数据为匹配模板，采用隐马尔可夫模型完成车辆轨迹数据的地图匹配，车辆轨迹匹配结果包含每个轨迹点所属的路段ID。

进一步地，S23中采用隐马尔可夫模型地图匹配时设置最大搜索距离、候选匹配点数量、观察概率和转移概率，观察概率是指某一时刻观察到的轨迹点的分布情况，服从高斯分布，转移概率是车辆从某一时刻位置转移到下一时刻位置的概率，服从指数分布，高斯分布中共有两个参数，分别是σ和emission_expected，指数分布中有一个参数β，均采用预设值；

transition_probalility＝1/β*e

其中，cur_matched_dist是当前待匹配轨迹点与候选匹配轨迹点之间的最短距离，dist是当前匹配候选轨迹点到下一刻时刻待匹配轨迹点的网络距离。

进一步地，σ设置为25，emission_expected设置为0，β设置为5-10。

进一步地，S3中根据道路交通噪声监测采样频率和车辆轨迹数据采样频率以及研究的时间尺度，设置时间间隔，按照时间间隔计算路段交通流量和交通速度，其中路段交通速度通过对时间间隔内路段上的轨迹点速度求取平均值获取，路段交通流量通过统计时间间隔内路段上匹配的轨迹点不重复车辆ID的个数进行计算。

进一步地，S4中自变量为道路交通速度、交通流量和道路等级，因变量为道路交通噪声。

进一步地，S5具体包括以下子步骤：

S51，对训练集和测试集数据的自变量进行最小最大归一化，计算公式如下：

其中，X为自变量矩阵，min(X)为自变量矩阵中的最小值，max(X)为自变量矩阵中的最大值,

S52，按照预设划分比例随机划分模型训练集和测试集数据，训练集数据用于在模型训练阶段进行参数训练、特征学习，测试集数据用于测试模型训练效果，验证模型的泛化能力；

S53，初始化BP神经网络相关参数，包括输入层节点数、隐藏层节点数、输出层节点数、损失函数、激活函数、学习率、优化器、损失函数和最大迭代次数；然后构建多层全连接BP神经网络，对模型进行若干次重复训练，调整参数，保存训练效果最好的模型；

S54，使用训练效果最好的BP神经网络道路交通噪声预测模型对测试数据集进行预测；

S55，使用均方根误差、绝对平方误差以及误差小于预设值百分比衡量模型测试集预测效果。

进一步地，预设划分比例设置为70％：30％。

进一步地，S55中误差小于的预设值分为五组，分别是0.5dBA、1dBA、2dBA、4dBA、5dBA。

进一步地，S7具体包括如下子步骤：

S71，将道路交通噪声预测结果作为路段一个属性添加到道路矢量数据；

S72，加载S71步骤中附加有道路交通噪声的道路矢量数据，以道路交通噪声为渲染字段，选择合适的符号进行渲染；

S73，叠加研究区域内建筑物数据与行政区数据，用于分析区域噪声污染的空间分布；

S74，道路交通噪声地图绘制结果导出。

本发明的上述方案有如下的有益效果：

本发明提供的基于轨迹数据的城市交通噪声污染分析与评估方法，构建了基于有限噪声监测数据和移动轨迹大数据的城市交通噪声预测反演统一框架，充分利用了当前积累的海量移动轨迹大数据以及机器学习技术，为实现道路交通噪声全范围、细粒度、实时动态预测提供了解决思路和技术支撑，在城市噪声污染治理、城市区域环境与宜居性评价、人们购租房推荐等应用中提供有益参考和指导依据；

本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。

附图说明

图1为本发明的步骤流程示意图；

图2为本发明的训练集上的预测结果示意图；

图3为本发明的测试集上的预测结果示意图；

图4为本发明的研究区域某一时刻缺少噪声监测数据的噪声预测结果示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。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。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

在本发明的描述中，为了简单说明，该方法或规则作为一系列操作来描绘或描述，其目的既不是对实验操作进行穷举，也不是对实验操作的次序加以限制。例如，实验操作可以各种次序进行和/或同时进行，并包括其他再次没有描述的实验操作。此外，所述的步骤不都是在此描述的方法和算法所必备的。本领域技术人员可以认识和理解，这些方法和算法可通过状态图或项目表示为一系列不相关的状态。

本发明涉及时空数据挖掘与环境治理领域，目前如何在现有交通噪声模型受限的情况下利用有限的噪声监测数据进行全范围、细粒度、实时动态监测仍是亟待解决的问题，主要体现在以下几个方面：当前噪声监测站点布设稀疏，噪声评估周期长，难以满足上述要求；当前噪声预测手段多通过建立丰富的交通噪声影响因子与交通噪声之间的关系模型，重点在于分析交通噪声的产生与传播机理；缺少利用多源轨迹大数据结合有效的噪声监测数据进行全范围、细粒度的交通噪声预测反演统一框架。基于此，本发明的实施例提供了一种基于轨迹大数据的城市道路交通噪声污染分析与评估方法，旨在解决上述问题。

如图1所示，该方法包括如下步骤：

S1，获取道路交通噪声样本数据、车辆轨迹数据、开放街景地图数据。

其中，道路交通噪声样本数据集的获取方式为：采用购买的多台噪声监测仪器(AR854)，在研究区域根据设计的道路交通噪声布设原则，以10分钟为采样频率对道路交通噪声进行一定时长的连续监测，将噪声监测仪器中的噪声监测数据导出(为csv文件)，基于拉依达准则剔除监测数据中的异常数据，对剔除的部分和缺失的部分按照历史均值或者上下文均值进行噪声数据补全，并且根据采集时记录的噪声监测点所在的道路名称和地理位置坐标为每条道路交通噪声监测记录增加道路名称和监测点位置坐标字段。

在本实施例中，道路交通噪声监测点布设原则为：尽可能不选取分布有吸引密集人群的景点、商圈的道路干道；选择交通顺畅、远离道路交叉口的路段(减少车速变化的影响)；测量记录每小时连续A声级，剔除阴雨、大风天气的数据；监测点距离道路较近且之间无其他遮挡。声级值以主要反映道路本身交通噪声为主。

S2，基于开放街景地图数据中的矢量路网数据完成车辆轨迹数据的地图匹配。该步骤包括以下子步骤：

S21，车辆轨迹数据预处理，将轨迹经纬度坐标转换为平面投影坐标，根据车辆ID划分轨迹数据，每个车辆ID的轨迹数据保存(为一个csv文件)，并且对同一个车辆ID的轨迹数据按照时间进行排序。

S22，矢量路网数据预处理，包括拓扑检查、坐标系投影变换、删除多余字段数据(只保留路段名称、道路等级、路段ID)、字段缺失值填充，其中道路等级根据矢量路网数据中的道路类型按照开源地图(OSM)中道路等级映射关系转换为数字(道路等级从1到6)。

S23，以矢量路网数据为匹配模板，采用隐马尔可夫模型完成车辆轨迹数据的地图匹配工作，车辆轨迹匹配结果包含每个轨迹点所属的路段ID。

其中，隐马尔可夫模型地图匹配算法需要设置最大搜索距离、候选匹配点数量、观察概率和转移概率等相关参数，其中观察概率是指某一时刻观察到的轨迹点的分布情况，认为其服从高斯分布，转移概率是车辆从某一时刻位置转移到下一时刻位置的概率，认为其服从指数分布。高斯分布中共有两个参数需要确定，分别是σ和emission_expected。本实施例中根据道路的实际情况，σ设置为25，emission_expected设置为0。指数分布中有一个参数β需要确定，根据实验尝试，β设置为5-10可以取得较好的结果。

transition_probalility＝1/β*e

其中，cur_matched_dist是当前待匹配轨迹点与候选匹配轨迹点之间的最短距离，dist是当前匹配候选轨迹点到下一刻时刻待匹配轨迹点的网络距离。

S24，对经过地图匹配的轨迹数据进行二次预处理，包括剔除速度为0的轨迹点数据、速度超过预设值(150km/h)的轨迹点数据、完全重复的轨迹点数据以及未匹配到路段上的轨迹点数据。

S3，利用经过地图匹配的车辆轨迹数据计算路段的交通速度和交通流量。具体地，根据道路交通噪声监测采样频率和车辆轨迹数据采样频率以及研究的时间尺度，设置时间间隔，按照时间间隔计算路段交通流量和交通速度。

其中，路段交通速度通过对时间间隔内路段上的轨迹点数据速度求取平均值获取，路段交通流量通过统计时间间隔内路段上匹配的轨迹点不重复车辆ID的个数进行计算。

S4，根据道路名称和时间将道路交通噪声监测数据和路段交通速度、交通流量以及路段本身的道路等级进行匹配，获取模型训练和测试数据集，其中自变量为道路交通速度、交通流量和道路等级，因变量为道路交通噪声。

S5，建立道路交通噪声与路段的交通速度、交通流量、道路等级之间的BP神经网络交通噪声预测模型，利用样本数据集训练和测试模型，该步骤具体包括以下子步骤：

S51，对训练集和测试集数据的自变量进行最小最大归一化，计算公式如下：

其中，X为自变量矩阵，min(X)为自变量矩阵中的最小值，max(X)为自变量矩阵中的最大值,

S52，按照预设划分比例(本实施例中为70％：30％)随机划分模型训练集和测试集数据，训练集数据用于在模型训练阶段进行参数训练、特征学习，测试集数据用于测试模型训练效果，验证模型的泛化能力。

S53，初始化BP神经网络相关参数，包括输入层节点数、隐藏层节点数、输出层节点数、损失函数、激活函数、学习率、优化器、损失函数和最大迭代次数；然后利用Python提供的Keras库构建三层全连接BP神经网络，对模型进行若干次重复训练，调整参数，保存训练效果最好的模型，图2为保存的模型训练集预测结果。

S54，使用训练效果最好的BP神经网络道路交通噪声预测模型对测试数据集进行预测，图3为保存的模型测试集预测结果。

S55，使用均方根误差、绝对平方误差以及误差小于0.5dBA、1dBA、2dBA、4dBA、5dBA百分比衡量模型测试集预测效果，其中误差小于0.5dBA百分比是指道路交通噪声预测结果和真实噪声监测结果差值绝对值小于0.5dBA的个数占据总预测数据个数百分比，误差小于1dBA、2dBA、4dBA、5dBA百分比同理，该指标衡量了在给定道路交通噪声预测误差容限内，模型的预测效果，如表1所示：

表1：预测误差结果

S6，基于S5中保存的BP神经网络道路交通噪声预测模型，以道路交通速度、交通流量及道路等级数据和输入数据，对缺少道路交通监测数据的路段和时刻进行道路交通噪声的反演预测，例如图4所示。

S7，绘制区域交通噪声地图，该步骤具体包括以下子步骤：

S71，将道路交通噪声预测结果作为路段一个属性添加到道路矢量数据；

S72，使用QGIS工具加载S71步骤中附加有道路交通噪声的道路矢量数据，以道路交通噪声为渲染字段，选择合适的符号进行渲染；

S73，叠加研究区域内建筑物数据与行政区数据，用于分析区域噪声污染的空间分布；

S74，道路交通噪声地图绘制结果导出。

因此，能够依据区域交通噪声地图对交通噪声污染进行分析与评估。

本实施例提供的方法构建了基于有限噪声监测数据和移动轨迹大数据的城市交通噪声预测反演统一框架，充分利用了当前积累的海量移动轨迹大数据以及机器学习技术，为实现道路交通噪声全范围、细粒度、实时动态预测提供了解决思路和技术支撑，在城市噪声污染治理、城市区域环境与宜居性评价、人们购租房推荐等应用中提供有益参考和指导依据。

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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。