【技术实现步骤摘要】
本专利技术涉及声景预测，具体是涉及融合多源城市数据的声景预测模型训练方法和预测方法。
技术介绍
1、声景是个人或群体所感知、体验或理解的声环境，声景涵盖了环境中的所有声音，准确获知环境中的声景，可以为改善城市声景质量、保护居民健康提供技术支撑。现有技术常采用声测量仪器采集环境中的声景，而声测量仪器具有地理上的局限性，也就是不能在所有地理区域内都设置声测量仪器以测量该区域的声景。
2、综上所述，现有技术测量声景具有局限性。
3、因此，现有技术还有待改进和提高。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种融合多源城市数据的声景预测模型训练方法和预测方法，解决了现有技术测量声景具有局限性的问题。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、第一方面，本专利技术提供一种融合多源城市数据的声景预测模型训练方法，其中，包括：
4、获取训练地理区域内已保存的环境数据，并对所述环境数据进行统计分析，以得到所述训练地理区域的声景训练特征；
5、对所述声景训练特征应用神经网络模型，得到所述神经网络模型输出的针对所述训练地理区域的声景训练标签；
6、获取所述训练地理区域的声景实测标签，依据所述声景实测标签和所述声景训练标签，计算所述神经网络模型的损失函数，并依据所述损失函数，训练所述神经网络模型，以得到声景预测模型。
7、在一种实现方式中，所述获取训练地理区域内已保存的环境数据，并
8、获取训练地理区域内已保存的环境数据中的兴趣点数据信息、道路数据、建筑物数据、街景图像和绿化数据；
9、对所述兴趣点数据信息、所述道路数据、所述建筑物数据、所述街景图像和所述绿化数据进行统计分析，以得到所述训练地理区域内的兴趣点数量、兴趣点密度、道路密度、中心位置与道路之间的最短距离、建筑物密度、建筑容积率、绿地覆盖率、最近绿地距离、最近绿地面积、街景影像各要素占比；
10、将所述兴趣点数量、所述兴趣点密度、所述道路密度、所述最短距离、所述建筑物密度、所述建筑容积率、所述绿地覆盖率、所述最近绿地距离、所述最近绿地面积、所述街景影像各要素占比作为所述训练地理区域的声景训练特征。
11、在一种实现方式中，所述神经网络模型包括特征筛选层、共享隐藏层、声强隐藏层、声源隐藏层，其中，所述特征筛选层分别与所述共享隐藏层、所述声强隐藏层、所述声源隐藏层级联，所述共享隐藏层分别与所述声强隐藏层、所述声源隐藏层级联，所述对所述声景训练特征应用神经网络模型，得到所述神经网络模型输出的针对所述训练地理区域的声景训练标签，包括：
12、将所述声景训练特征输入至特征筛选层，得到所述特征筛选层从所述声景训练特征中筛选出的共享特征、声强特征和声源特征，所述共享特征为与声强和声源均相关的声景特征，所述声强特征为只与声强相关的声景特征，所述声源特征为只与声源相关的声景特征；
13、将所述共享特征输入至所述共享隐藏层之后，将所述声强特征输入至所述声强隐藏层、将所述声源特征输入至所述声源隐藏层，得到所述声强隐藏层输出的声强训练标签、所述声源隐藏层输出的声源训练标签，并将所述声强训练标签和所述声源训练标签作为声景训练标签。
14、在一种实现方式中，所述获取所述训练地理区域的声景实测标签，依据所述声景实测标签和所述声景训练标签，计算所述神经网络模型的损失函数，并依据所述损失函数，训练所述神经网络模型，以得到声景预测模型，包括：
15、获取所述声景实测标签中的声强实测标签和声源实测标签；
16、依据所述声强训练标签和所述声强实测标签的差异性，计算声强损失函数；
17、依据所述声源训练标签和所述声源实测标签，计算声源损失函数；
18、依据所述声强损失函数和所述声源损失函数，调整所述神经网络模型的参数，直至所述声强损失函数和所述声源损失函数均小于设定值，以得到声景预测模型。
19、在一种实现方式中，所述依据所述声强训练标签和所述声强实测标签的差异性，计算声强损失函数，包括：
20、计算所述声强训练标签和所述声强实测标签构成的声强均方差，并将所述声强均方差作为声强损失函数。
21、在一种实现方式中，所述依据所述声源训练标签和所述声源实测标签，计算声源损失函数，包括：
22、计算各个所述声源训练标签的各个对数函数；
23、将各个所述对数函数乘以对应的各个声源实测标签，得到各个中间结果；
24、对各个所述中间结果进行加权计算，得到声源损失函数。
25、第二方面，本专利技术实施例还提供一种声景预测方法，应用上述所述的声景预测模型，所述声景预测方法，包括：
26、获取待测地理区域内的环境数据，并对所述环境数据进行统计分析，以得到所述待测地理区域内的声景特征；
27、对所述声景特征应用声景预测模型，得到所述声景预测模型输出的声源预测标签和声强预测标签。
28、第三方面，本专利技术实施例还提供一种融合多源城市数据的声景预测模型训练装置，其中，所述训练装置包括如下组成部分：
29、特征统计模块，用于获取训练地理区域内已保存的环境数据，并对所述环境数据进行统计分析，以得到所述训练地理区域的声景训练特征；
30、预测模块，用于对所述声景训练特征应用神经网络模型，得到所述神经网络模型输出的针对所述训练地理区域的声景训练标签；
31、训练模块，用于获取所述训练地理区域的声景实测标签，依据所述声景实测标签和所述声景训练标签，计算所述神经网络模型的损失函数，并依据所述损失函数，训练所述神经网络模型，以得到声景预测模型。
32、第四方面，本专利技术实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的融合多源城市数据的声景预测模型训练程序，所述处理器执行所述融合多源城市数据的声景预测模型训练程序时，实现上述所述的融合多源城市数据的声景预测模型训练方法的步骤。
33、第五方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有融合多源城市数据的声景预测模型训练程序，所述融合多源城市数据的声景预测模型训练程序被处理器执行时，实现上述所述的融合多源城市数据的声景预测模型训练方法的步骤。
34、有益效果：本专利技术对环境数据进行统计分析，以得到与声景相关的特征，也就是得到声景训练特征，基于声景训练特征训练神经网络模型，以得到声景预测模型。采集需要预测声景的待预测地理区域内的环境数据，并对该环境数据应用声景预测模型，预测模型输出该待预测地理区域的声景信息。本专利技术的环境数据是已有的数据，而不需要去现场采集，也就是只要采用已有的环境数据即可预测声景信息，从而扩大了本专利技术声景预测方法的应用场本文档来自技高网...
【技术保护点】
1.一种融合多源城市数据的声景预测模型训练方法，其特征在于，包括：
2.如权利要求1所述的融合多源城市数据的声景预测模型训练方法，其特征在于，所述获取训练地理区域内已保存的环境数据，并对所述环境数据进行统计分析，以得到所述训练地理区域的声景训练特征，包括：
3.如权利要求1所述的融合多源城市数据的声景预测模型训练方法，其特征在于，所述神经网络模型包括特征筛选层、共享隐藏层、声强隐藏层、声源隐藏层，其中，所述特征筛选层分别与所述共享隐藏层、所述声强隐藏层、所述声源隐藏层级联，所述共享隐藏层分别与所述声强隐藏层、所述声源隐藏层级联，所述对所述声景训练特征应用神经网络模型，得到所述神经网络模型输出的针对所述训练地理区域的声景训练标签，包括：
4.如权利要求3所述的融合多源城市数据的声景预测模型训练方法，其特征在于，所述获取所述训练地理区域的声景实测标签，依据所述声景实测标签和所述声景训练标签，计算所述神经网络模型的损失函数，并依据所述损失函数，训练所述神经网络模型，以得到声景预测模型，包括：
5.如权利要求4所述的融合多源城市数据的声景预
6.如权利要求4所述的融合多源城市数据的声景预测模型训练方法，其特征在于，所述依据所述声源训练标签和所述声源实测标签，计算声源损失函数，包括：
7.一种声景预测方法，应用如权利要求1-6任一项所述的声景预测模型，其特征在于，所述声景预测方法，包括：
8.一种融合多源城市数据的声景预测模型训练装置，其特征在于，所述训练装置包括如下组成部分：
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的融合多源城市数据的声景预测模型训练程序，所述处理器执行所述融合多源城市数据的声景预测模型训练程序时，实现如权利要求1-6任一项所述的融合多源城市数据的声景预测模型训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有融合多源城市数据的声景预测模型训练程序，所述融合多源城市数据的声景预测模型训练程序被处理器执行时，实现如权利要求1-6任一项所述的融合多源城市数据的声景预测模型训练方法的步骤。
...【技术特征摘要】
1.一种融合多源城市数据的声景预测模型训练方法，其特征在于，包括：
2.如权利要求1所述的融合多源城市数据的声景预测模型训练方法，其特征在于，所述获取训练地理区域内已保存的环境数据，并对所述环境数据进行统计分析，以得到所述训练地理区域的声景训练特征，包括：
3.如权利要求1所述的融合多源城市数据的声景预测模型训练方法，其特征在于，所述神经网络模型包括特征筛选层、共享隐藏层、声强隐藏层、声源隐藏层，其中，所述特征筛选层分别与所述共享隐藏层、所述声强隐藏层、所述声源隐藏层级联，所述共享隐藏层分别与所述声强隐藏层、所述声源隐藏层级联，所述对所述声景训练特征应用神经网络模型，得到所述神经网络模型输出的针对所述训练地理区域的声景训练标签，包括：
4.如权利要求3所述的融合多源城市数据的声景预测模型训练方法，其特征在于，所述获取所述训练地理区域的声景实测标签，依据所述声景实测标签和所述声景训练标签，计算所述神经网络模型的损失函数，并依据所述损失函数，训练所述神经网络模型，以得到声景预测模型，包括：
5.如权利要求4所述的融合多源城市数据的声景预测模型训练方法，其特征在...
【专利技术属性】
技术研发人员：涂伟，蔡钊悦，叶垚森，陈思琦，陈睿哲，余俊娴，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。