翻译■ DISCUSSION Previous noise prediction studies have typically relied on fixedsite monitoring to train models44 The results from our study show the potential of combining spatially resolved walking

以往的噪声预测研究通常依赖于固定点位监测来训练模型。本研究的结果表明，将空间分辨率较高的步行噪声测量与机器学习方法相结合具有潜力。在验证测试中，预测噪声与实测噪声的一致性是文献中报道的最佳之一，例如LORO R2为0.71，RSME为4.54 dB。我们的分析依赖于丰富但易于获取和公开的路面特征、土地利用、气象和模拟交通数据。更为保守的LORO测试表明，XGB是表现最佳的机器学习方法，其重要变量的范围最广，路线之间的性能变化最小。此外，当在研究区域上映射在20米网格上时，我们发现XGB产生了最具可解释性和空间异质性的噪声预测结果。虽然XGB之前未用于噪声预测，但在其他研究领域已经得到了应用，包括环境细颗粒物的预测和疾病相关预测，证明了其在解决高维数据的困难预测问题方面的实用性。与其他机器学习技术相比，XGB似乎能够更好地解开变量之间的复杂关系，并解密预测交通噪声最重要的变量。我们发现，XGB和RF的表现优于前馈NN。先前的研究表明，NN通常使用大量固定点位噪声测量数据集和相对较少的预测变量来生成良好的预测结果。然而，即使我们的数据集有6647个样本和46个输入变量，观测数量可能不足以让简单的前馈NN解开相对较大的输入变量之间的复杂交互或识别它们的空间模式。此外，NN模型涉及广泛的参数调整，如层数、神经元、激活函数和有时的dropout率，使NN模型具有灵活性，但难以调整。先前证明具有类似结果（R2为0.85，RMSE为0.43）的RF技术优于NN。在我们的研究中，RF和NN在5倍交叉验证中表现良好，但LORO交叉验证结果不一致，表明RF和NN可能也过度拟合整个数据集，并且不能在所有类型的城市景观中进行良好的预测。经过详尽的搜索和去除高度相关的预测变量，LR在LORO交叉验证中表现良好。尽管LR是与其他机器学习方法相比较不灵活的模型，但它是一个更简单的模型。我们的结果表明，在噪声不高度空间变化的情况下，LR将是建模交通噪声的可行方法，并且其他计算密集型的机器学习模型的实现是不可行的。毫不奇怪的是，交通量是所有模型中用来预测交通噪声最重要的10个变量之一。这与先前使用LR方法的研究结果一致，显示出车辆总数在亚特兰大（78%）、洛杉矶（58%）和纽约（62%）的测量噪声变化中有很大的解释作用。然而，除了交通量之外，我们的模型还使用了其他的预测变量，包括距离道路的距离、道路长度、气象和土地利用。如果没有这些特征，模型无法完全捕捉测量到的交通噪声的空间变化。Fallah-Shorshani等人也得出了类似的结论，发现道路特征在预测交通噪声中起着重要作用。