城市综合交通噪声动态监测与环境影响分析模型优化方法及系统与流程

本公开一般涉及城市噪声监测与人工智能，具体涉及一种城市综合交通噪声动态监测与环境影响分析模型优化方法及系统。

背景技术：

1、随着城市化进程的加快和机动车保有量的持续增长，道路交通噪声已成为影响城市居民生活质量的主要环境污染源之一。学校、医院、居民区等声环境敏感目标对噪声环境有较高要求。当前，城市道路交通噪声的监测、模拟及管控体系仍存在显著技术短板。尤其是现有模拟系统多为“开环”架构，无法利用实测数据对模型核心计算逻辑进行反向优化。随着环境变化，模型精度会持续下降，丧失长期预测能力。

技术实现思路

1、鉴于现有技术中的上述缺陷或不足，期望提供一种城市综合交通噪声动态监测与环境影响分析模型优化方法及系统，通过“模拟-实测-校验-优化”的闭环机制，使模型能够持续适应动态变化的环境，将优化后的模型与交通管控体系联动，实现噪声污染的前瞻式预警与自动治理。

2、第一方面，本技术实施例提供了一种城市综合交通噪声动态监测与环境影响分析模型优化方法，包括：

3、获取目标区域的高精地图数据，构建三维空间数字环境，并基于预设的敏感目标特征库，自动识别并标注声环境敏感目标；

4、接入并解析声环境质量标准，提取其中的噪声限值标准及技术约束条件，并将其转化为标准化数据运算规则；

5、实时获取所述目标区域的多源交通流量数据；

6、构建基于物理信息神经网络的智能体模型，所述智能体模型以所述多源交通流量数据为驱动，以所述三维空间数字环境为边界约束，动态模拟并推演所述目标区域内噪声场的三维空间分布强度及其对敏感目标的影响；

7、根据所述敏感目标的分布和标准布设规则，确定噪声监测点位，并获取实测噪声数据；

8、将所述智能体模型输出的模拟噪声数据与所述实测噪声数据进行多维度比对，计算模型误差并生成模型校验参数；

9、基于所述模型校验参数，通过自监督学习方式对所述智能体模型进行迭代训练，优化其运算参数；

10、基于优化后的智能体模型的模拟结果，判断所述敏感目标处的噪声是否超过预设预警阈值，若是，则生成并推送交通管控建议。

11、在一些实施例中，所述构建基于物理信息神经网络的智能体模型，包括：

12、采用卷积神经网络结合视觉-语言模型的多模态架构，提取所述三维空间数字环境中的空间环境细节特征，构建多模态感知识别子单元；

13、采用基于图神经网络的物理信息神经网络架构，将声学物理方程作为网络训练的前置约束条件，构建噪声场模拟推演子单元；

14、采用半监督与自监督结合的混合训练策略，利用有标签的实测噪声校验数据进行有监督微调，并利用无标签数据进行自监督训练，构建自监督迭代训练子单元。

15、在一些实施例中，所述基于所述模型校验参数，通过自监督学习方式对所述智能体模型进行迭代训练，优化其运算参数，包括：

16、基于所述模型校验参数，判断是否满足预设的迭代触发条件，若是，则启动迭代优化流程；

17、响应于所述迭代优化流程的启动，从多源数据融合训练库中提取训练样本，构建自监督训练样本集；

18、将所述自监督训练样本集输入所述智能体模型，计算复合损失函数；

19、基于所述复合损失函数，通过反向传播算法更新所述智能体模型的运算参数，并判断更新后的模型是否满足收敛条件；

20、将通过收敛判断的智能体模型进行固化，并切换至正式运行版本。

21、在一些实施例中，所述响应于所述迭代优化流程的启动，从多源数据融合训练库中提取训练样本，构建自监督训练样本集，包括：

22、从所述模型校验参数中提取有标签训练数据，构成有标签样本集，所述有标签训练数据包含各监测点位的输入特征向量及其对应的模拟误差；

23、从所述多源数据融合训练库中提取与所述有标签训练数据同一时空范围内的无标签训练数据，构成无标签样本集，所述无标签训练数据包含未设置监测点位的区域内的输入特征向量；

24、对所述有标签样本集和所述无标签样本集中的全部样本进行时空对齐与特征标准化处理；

25、将处理后的有标签样本集和无标签样本集按随机顺序划分为若干小批次，作为训练批次。

26、在一些实施例中，所述基于所述复合损失函数，通过反向传播算法更新所述智能体模型的运算参数，并判断更新后的模型是否满足收敛条件，包括：

27、利用自动微分技术计算所述复合损失函数对所述智能体模型运算参数的梯度；

28、采用自适应矩估计优化器，根据所述梯度更新所述智能体模型的运算参数：

29、以更新后的运算参数重新计算同一批校验点的预测噪声值，并计算更新后的全局误差均值和单点最大误差；

30、当全局误差均值和单点最大误差满足预设条件时，判定满足收敛条件，接受更新后的运算参数；否则，拒绝本次参数更新，恢复至更新前的运算参数。

31、在一些实施例中，所述将通过收敛判断的模型进行固化，并切换至正式运行版本，包括：

32、将更新后的智能体模型在独立测试数据集上进行精度稳定性测试，计算测试集上的误差均值和误差标准差；

33、当所述测试集上的误差均值和误差标准差均满足测试条件时，将更新后的模型核心运算参数及其对应的网络架构配置文件、归一化参数打包，写入模型仓库并赋予新版本号；

34、记录本次固化的版本元信息，所述版本元信息包括版本号、固化时间、触发类型、训练样本数量、训练数据时间范围、更新前后误差对比、复合损失值及迭代轮数；

35、动态预警所调用的智能体模型指针由旧版本切换至新版本。

36、第二方面，本技术实施例提供了一种城市综合交通噪声动态监测与环境影响分析模型优化系统，包括：

37、第一获取模块，用于获取目标区域的高精地图数据，构建三维空间数字环境，并基于预设的敏感目标特征库，自动识别并标注声环境敏感目标；

38、接入模块，用于接入并解析声环境质量标准，提取其中的噪声限值标准及技术约束条件，并将其转化为标准化数据运算规则；

39、第二获取模块，用于实时获取所述目标区域的多源交通流量数据；

40、构建模块，用于构建基于物理信息神经网络的智能体模型，所述智能体模型以所述多源交通流量数据为驱动，以所述三维空间数字环境为边界约束，动态模拟并推演所述目标区域内噪声场的三维空间分布强度及其对敏感目标的影响；

41、第三获取模块，用于根据所述敏感目标的分布和标准布设规则，确定噪声监测点位，并获取实测噪声数据；

42、生成模块，用于将所述智能体模型输出的模拟噪声数据与所述实测噪声数据进行多维度比对，计算模型误差并生成模型校验参数；

43、自监督优化模块，用于基于所述模型校验参数，通过自监督学习方式对所述智能体模型进行迭代训练，优化其运算参数；

44、动态预警模块，用于基于优化后的智能体模型的模拟结果，判断所述敏感目标处的噪声是否超过预设预警阈值，若是，则生成并推送交通管控建议。

45、第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本技术实施例描述的方法。

46、第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术实施例描述的方法。

47、第五方面，本技术实施例提供了一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如本技术实施例描述的方法。

48、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。