高精度交通噪声预测与映射：基于移动数据采集和机器学习方法

先前的研究发现建筑物的大小、高度和位置对预测交通噪声起着重要作用，因为它们会影响噪声的传输和反射。相比之下，我们发现最大建筑物高度仅在XGB、LR和NN中分别对交通噪声预测贡献了1%、2%和3%。这可能是由于长滩市建筑和住房密度始终较高，在我们的建筑数据中提供了相对较少的变化。

先前的交通噪声预测研究并没有广泛考虑气象参数。我们发现大气压力、湿度和风速对预测交通噪声有贡献。先前的研究发现，气温、相对湿度和大气压力可以影响大气吸声的衰减。事实上，噪声衰减受这些因素之间复杂的非线性关系控制。增加大气压力会导致声音衰减减少，而当相对湿度从50%降至20%时，噪声减少了1.0 dB。未来进行移动监测的研究人员应该比较采样期间的气象条件和典型气象条件，以便预测模型使用代表测量位置的气象条件。

我们方法的一个重要创新是使用每个四个数据驱动模型实现了20米空间分辨率的交通噪声映射。高空间分辨率的LAeq估计值有几个潜在的流行病学研究应用，既可以评估个人级别交通噪声暴露的许多潜在有害健康效应，也可以将噪声作为其他暴露（如交通相关空气污染）效应的混淆因素。我们先前进行的交通噪声暴露对健康影响的研究主要依赖于计算密集型的TNM2.5声学模型，仅仅具有100米空间分辨率。相比之下，我们这里的交通噪声模型比基于声学的模型（如TNM2.5）更具有灵活性，可以产生与交通相关的噪声暴露，并且在住宅水平上比声学模型更具有空间精度，因为声学模型主要集中在高速公路上。

据我们所知，这是第一项采用移动数据收集方法来测量交通噪声并使用机器学习技术以20米空间分辨率预测和绘制道路交通噪声的研究。我们的研究考虑了各种噪声来源，但无法很好地捕捉交通噪声的时间趋势。尽管先前的研究表明，交通噪声的空间变化比时间变化更重要，但时间差异可能很重要，例如在评估夜间睡眠期间的噪声对健康影响时。具有广泛空间和时间覆盖范围的交通噪声测量，结合数据驱动建模技术，可以改善高和低交通噪声极端值的估计。