翻译Traffic Noise Prediction For mapping we created a 20 m × 20 m spatial resolution grid spanning the maximum and minimum latitude and longitude of the study area Since we were concerned with predictin

交通噪声预测。为了制图，我们创建了一个20米×20米的空间分辨率网格，跨越研究区域的最大和最小纬度和经度。由于我们关心预测道路附近的噪声，因此我们仅提取包含道路的P×Q网格，将每个网格中的道路剪切成20米段。我们假设所有预测变量在20米网格单元内是均匀的。例如，每个网格包含一组天气特征Wg = {wg,1, wg,2, ..., wg, n }，其中n表示特定的天气变量（例如湿度）。所有道路特征、土地利用和交通数据均采用类似的程序处理。我们使用这些输入变量和每个20米网格中的交通噪声（表示为={ }∈  × L ll l , , ..., g iP 1 2 Q ）作为目标输出，对四个模型进行训练。在此结构的基础上，训练好的模型被用于预测每个20米×20米网格单元沿着道路的交通噪声。■ 结果总结统计。16条步行路线及其噪声水平的分布如图3所示，其中可以看到靠近大型道路的路线与更高的噪声有关。每条路线的平均最大交通量也列在表1中，表明每小时车辆越多的路线通常具有更高的LAeq（表1）。经过空间聚合后，测量的交通噪声点的总数（N = 6647）具有平均LAeq为61.9分贝，标准差（SD）为6.91分贝，中位数为61.6分贝，四分位数范围为56.3至67.6分贝。每条路线的中位数和平均LAeq非常接近，通常只相差几分贝，表明经过空间聚合后，短期的异常噪声源，如庭院护理机械、狗叫声或人们在交谈时经过，对噪声几乎没有贡献。模型结果。从5倍30%测试集中测量与预测的LAeq的散点图如图4所示。具有最高调整R2和最佳Mallow's Cp的LR选择了44个变量中的34个，导致R2 = 0.78和RMSE为4.29分贝。NN优于LR，具有CV R2为0.91和RMSE为2.89分贝，但不如基于树的RF或集成方法XGB表现得好，它们的CV R2分别为0.96和RMSE为1.83和1.82分贝。RF和XGB的回归线斜率分别为0.90和0.91，表明这两个模型略微低估了高噪声水平，但比LR更好，LR的回归线斜率仅为0.60。每个16条路线的LORO CV R2和RMSE如表1所示，显示交通噪声预测能力因路线位置而异，R2和RMSE值分别从0.54到0.88和2.54到6.44分贝。XGB的预测具有相对较小的路线变异性，表明其具有优越的模型性能，并且可以更好地预测各种街道类型和土地利用的噪声（表1）。LR的表现也很好，平均R2为0.70，但RMSE较高，平均为4.98分贝。NN和RF的性能指标较差，具有较低的R2和较高的RMSE（表1）。相对于NN和RF，LR的表现相对较好，是由于耗时的LR变量选择过程，减少了过拟合的可能性。