基于深度学习的交通噪声评估与控制方法

随着城市不断发展，交通噪声日益得到人们的关注，若长时间暴露在交通噪声之中，对人的身心健康会产生一定的负面影响，如听力障碍、情绪烦躁、心脏病等。目前控制并减少交通噪声是交通噪声管理研究的主要焦点，而衡量交通噪声污染程度的一个重要指标就是交通噪声的烦恼度（annoyance level）。
当前烦恼度的评价方法包括主观评价和客观评价两种[1]：前者通常需要进行社会调查和听力测试，其中社会调查是通过问卷或访谈的方式获得受试者对环境噪声烦恼评价的结果，常用于长期烦恼评价；而听力测试通常用于短期烦恼评估，它要求在实验室环境中重播噪音，并获得受试者对自己感知到噪声烦恼度的反馈。客观评价方法通常使用声压级作为测量指标，此外声学特征如响度、粗糙度和清晰度也被应用于评价标准之中，在没有大规模受试者参与的情况下，客观评价方法易于实现，但通常不如主观实验方法可靠。

随着人工智能技术的发展，许多学者也尝试使用神经网络算法进行噪声烦恼度评估。Song[2]依靠主观听力实验获得受试者的感知噪声烦恼数据集，并利用递归神经网络对感知噪声烦恼进行建模，这需要复杂的特征，如MFCC（Mel frequency copstral keffector，一种语音特征参数）和噪声响度。Luis[3]使用完全连接的神经网络对社会调查结果建模，以评估长期噪声烦恼。

这些方法对于交通噪声的特征提取有较高的要求，在《国际环境研究与公共健康期刊》最新的一篇文章中[4]，广州大学电子与通信工程学院与交通运输部公路科学研究院的研究员详细介绍了该方法的原理、模块结构以及算法效果。该团队主要成员为王杰、王学健、袁旻忞、胡文林、胡叙洪、路可欣。该团队最新提出的一种基于深度学习模型的道路交通噪声烦恼度评价模型，以主观听力实验结果为基础，直接构建噪声片段与烦恼度之间的映射关系，无需提取额外的声学特征，可以实现对噪声烦恼度的快速评价。

但由于主观听觉实验的数据采集周期较长，现阶段可用样本量较小，训练过程中容易出现过拟合等问题。为了避免过拟合，该方法引入迁移学习来解决这个问题。噪声的心理学烦扰度与听力实验得到的感知噪声烦扰度之间存在很大的相关性，因此心理学烦扰度数据集的特征迁移可以应用于感知噪声烦扰度的评估。

该方法的数据集来源包括两部分：SoundiDealGeneral6000声音库的部分重采样音频以及道路采集的数据。道路采集地点为广东省广州市黄埔大道，在早晚多个地点进行采集，如图1所示。

道路采集的交通噪声数据进行主观听力实验，由不同人群多次对交通噪声进行烦恼度判断，评价结果以数字0-10来表示，其中0表示没有烦恼，10表示非常烦恼。另一部分由声音库采集的数据剪切成8s片段，在48kHz下重采样并归一化后得到噪声数据，以两个声道的响度、锐度、粗糙度和起伏度为标号计算平均心理声学烦恼,构建心理学烦恼（psychoacoustic annoyanc）数据集。在构建模型时，输入采用信号的幅度，对原始噪声信号进行短时傅里叶变换，之后计算变换结果的模来得到幅度谱，最终可以得到听力实验烦恼度（范围0-10）以及心理学烦恼度（0-100）。

之后对这些数据进行模型训练，模型结构如图2所示，包括编码模块、卷积下采样模块、特征融合模块以及解码模块。

建立上述模型之后，利用心理学烦恼数据集进行模型预训练（75%数据用于训练，15%数据用于验证，10%数据用于测试），将验证集上效果最好的模型作为预训练模型。之后利用听力实验数据集对预训练模型再次进行训练，即迁移学习来进行参数优化，包括总体参数优化和解码器参数优化两种方式。为了比较算法的性能，使用人工神经网络（artificial neural networks）、线性回归（linear regression）、拉索回归（Lasso regression）和岭回归（Ridge regression），以及直接训练的模型（表示为Direct）作为比较算法。结果选择MAE（平均绝对误差）衡量评价结果与真实结果之间的误差，选择PCC（Pearson相关系数）以及SCC（Spearman相关系数）来衡量模型评价结果与真实结果之间的相关性。

表1 不同算法的预测结果

表1显示了混合数据集中的MAE、PCC和SCC结果。总体参数优化方式的评价误差最小，与解码器参数优化方式接近。另一方面，通过优化参数将平均误差降低30%左右，同时得到的评价结果与真实结果的相关性更好，与直接训练相比分别提高了6%和5%，说明迁移学习训练的算法比直接训练有更大的整体提高。

总的来说，该方法是深度学习与噪声评估相结合的有益尝试。通过深度学习模型得到的评价结果可以为城市交通噪声管理、检测以及相关噪声政策的制定提供有效的评价参考。

参考文献：

[1]Mann S, Singh G. Traffic noise monitoring and modelling – an overview[J]. Environmental Science and Pollution Research, 2022, 29（37）: 55568-55579.

[2]Shu H Y, Song Y, Zhou H, Ieee. RNN BASED NOISE ANNOYANCE MEASUREMENT FOR URBAN NOISE EVALUATION[C]. IEEE Region 10 Conference （TENCON）, 2017: 2353-2356.

[3]Bravo-Moncayo L, Lucio-Naranjo J, Chavez M, Pavon-Garcia I等. A machine learning approach for traffic-noise annoyance assessment[J]. Applied Acoustics, 2019, 156: 262-270.

[4]Wang J, Wang X, Yuan M, Hu W等. Deep Learning-Based Road Traffic Noise Annoyance Assessment[J]. International journal of environmental research and public health, 2023, 20（6）.

作者：郑康 | 来源：21dB声学人