从个体确定性到群体概率性：机器学习在声景预测模型中的创新与应用

《BUILDING AND ENVIRONMENT》：Machine Learning for Predicting Soundscape: From Individual-Level Deterministic Models to Group-Level Probabilistic Models

本文系统比较了线性回归(LR)、随机森林(RF)、XGBoost(XGB)和高斯过程回归(GPR)四种机器学习模型在个体与群体层面的声景预测性能。研究发现等效声压级(|r|>0.31)、粗糙度(|r|>0.34)等声学视觉因子至关重要，并首次提出基于概率分布的GPR框架（R2ISOPleasant=0.36, KLISOPleasant=0.81），为城市声环境设计提供了群体层面的科学预测工具。

　　

Section snippets

Methodology

本研究采用对应方法回答各个研究问题（图1）。数据源自国际声景数据库（ISD）和开放街道地图（OSM）。通过分类和提取流程，我们获得了调查数据（包含声景感知和人口统计学）、声学数据、视频视觉数据及地理信息。对数据集进行了五折交叉验证。所采用的特征提取方法针对每种数据类型量身定制。

Factor selection

本研究中，针对不同的声景预测模型采用了不同的特征提取方法，包括相关性分析、方差膨胀系数（VIF）和特征重要性排序。当预测目标为ISO愉悦度（ISOPleasant）时，不同模型选择的预测因子各不相同（表2）。对于线性回归（LR）模型，选定的因子包括作为声学因子的最小Z计权等效声压级（L_ZeqMin）、95%百分位粗糙度（R₉₅）、最大总谐波失真（THD_Max）、50%百分位尖锐度（I₅₀）和50%百分位相对接近度（RA₅₀）；作为视觉因子的植被和交通车辆；以及作为地理信息因子的交通和公共服务。

Factors related to soundscape prediction

本研究确定了可用于声景预测（ISO愉悦度和ISO事件度）的因子。结果表明，声压级、粗糙度、总谐波失真、相对接近度等声学因子以及植被这一视觉因子在声景预测场景中扮演重要角色。

具体而言，C计权等效声压级（L_Ceq）与ISO愉悦度呈负相关（r ≈ -0.36），与ISO事件度呈正相关（r ≈ 0.31）。L_Ceq是C计权...

Conclusions

本研究通过基于ISD构建的LR、RF、XGB和GPR模型，探究了哪些因子可用于声景预测以及机器学习模型在群体层面的表现如何。

本研究通过应用四种不同的模型，基于相关性、多重共线性和重要性指标来筛选因子，从而确定了声景感知的关键因子。声学因子，包括等效连续声压级（|r| > 0.31）、粗糙度（|r|...