Zurück Vor

Detailergebnis zu DOK-Nr. 76501

Entwicklung von Machine-Learning-Modellen zur Vorhersage von Straßenverkehrslärm: eine Möglichkeit, konventionellen Techniken zu entkommen (Orig. engl.: Developing machine learning models to predict roadway traffic noise: an opportunity to escape conventional techniques)

Autoren	M.A. Khalil K. Hamad A. Shanableh
Sachgebiete	6.2 Verkehrsberechnungen, Verkehrsmodelle 6.9 Verkehrsemissionen, Immissionsschutz

Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 4, 2019, S. 158-172, 12 B, 5 T, 38 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr

Die exakte Vorhersage von Straßenverkehrslärm bleibt eine Herausforderung. Viele Forschende versuchen weiterhin, die Leistung ihrer Modelle zu verbessern, indem sie entweder mehr Variablen hinzufügen oder ihre Modellierungsalgorithmen verbessern. In dieser Untersuchung wurden Modellierungsverfahren des maschinellen Lernens (ML) entwickelt, um Straßenverkehrslärm genau vorherzusagen. Die angewandten ML-Techniken waren: Regressions-Entscheidungsbäume, Support Vector Machine, Ensembles und künstliche neuronale Netzwerke. Die Parameter jedes dieser Modelle wurden feinabgestimmt, um die besten Leistungsergebnisse zu erzielen. Zusätzlich wurde eine hochmoderne hybride Merkmalsauswahltechnik eingesetzt, um einen minimalen Satz von Eingangsmerkmalen (Variablen) auszuwählen und gleichzeitig die Genauigkeit der entwickelten Modelle zu erhalten. Durch die Optimierung der Anzahl von Merkmalen, die im Modell verwendet werden, werden weniger Ressourcen für die Entwicklung und Nutzung eines Modells zur Vorhersage von Straßenlärm benötigt, wodurch die Entwicklungskosten gesenkt werden können. Der vorgeschlagene Ansatz wurde angewandt, um ein Freifeld-Straßenverkehrslärm-Modell für Sharjah City in den Vereinigten Arabischen Emiraten zu entwickeln. Das beste entwickelte ML-Modell wurde mit einem konventionellen Regressionsmodell verglichen, das zuvor unter den gleichen Bedingungen entwickelt wurde. Die kreuzvalidierten Ergebnisse zeigen deutlich, dass das beste ML-Modell die Regressionsmodellierung übertraf. Die Leistung des ML-Modells wurde auch bewertet, nachdem die Anzahl seiner Eingabe-Features basierend auf dem Ergebnis des Feature-Selection-Algorithmus reduziert wurde; die Modellleistung wurde leicht beeinträchtigt. Dieses Ergebnis unterstreicht, wie wichtig es ist, nur Merkmale zu berücksichtigen, die einen großen Einfluss auf den Straßenverkehrslärm haben.