基于PL-SEM的城市快速路交通噪聲預測模型
2023-04-29 00:00:00黃日明
西部交通科技 2023年9期
基金項目：2020年度廣西高校中青年教師科研基礎能力提升項目“城市快速路交通噪聲聲屏障設計與優化研究”（編號：2020KY34012）
作者簡介：黃日明（1992—），碩士，工程師，講師，研究方向：建筑技術。
摘要：文章提出一個結合貝葉斯網絡BN與偏最小二乘結構方程PLS-SEM建立的道路交通噪聲模型。該模型探究影響道路交通噪聲的因素及其關聯指標，確定了交通流量、道路情況、平均車速、氣候條件與建筑環境這五個影響因素對道路交通噪聲的直接和間接影響，為規劃人員以及決策者了解交通噪聲影響因素的內在關系并部署道路交通噪聲緩解策略提供了依據。
關鍵詞：PL-SEM;交通噪聲;預測模型
中圖分類號：U491.9+1
0 引言
道路交通是道路旁最具侵入性的噪聲污染源。為了預測交通噪聲，國內外提出了幾種傳統模型，例如美國的 FHWA、德國的 RLS 90、挪威、丹麥和瑞典的 Nord 2000 模型等，但這些傳統模型考慮的影響因素比較有限。文獻表明，交通特征、道路特征、氣候條件、建筑環境等會顯著影響道路交通噪聲［1］，因此，基于以上影響因素開發符合當地具體駕駛行為、城市特征和道路條件的交通噪聲模型十分有意義。國內外學者采用不同的方法來預測交通噪聲，包括多元線性回歸、人工神經網絡、遺傳算法、決策樹、隨機森林等人工智能方法［2］。而SEM 被證明是一種功能強大的算法集因子分析、路徑分析和多元線性回歸分析等多種多元技術擴展，可以探索直接與間接變量之間的相互依賴關系。然而，傳統的 SEM 方法假設數據在建模過程中是均勻且正態分布的，偏最小二乘結構方程建模 （PLS-SEM）是傳統 SEM 方法的替代方法，它放寬了均勻性和正態分布的假設［3］。此外，PLS-SEM 適用于小樣本量（＜100個現場數據樣本），是預測和理論開發的首選。
因此，本文采用結合了貝葉斯網絡BN的PLS-SEM 方法針對南寧市城市快速路的清廂快速路的交通噪聲建立預測模型，可以更加了解城市快速路交通噪聲特點，并為減輕交通噪聲對沿線居民的影響提供參考依據。
1 結合貝葉斯網絡的偏最小二乘結構方程
貝葉斯網絡 （BN）是一種多元統計方法，它建立概率圖形模型結構來表達變量之間的不確定問題。BN過程分為兩個部分，即定性和定量部分。定性成分表示為有向無環圖 （DAG），而定量成分表示為條件概率表 （CPT）。DAG 表示變量之間的依賴性和獨立性，節點之間通過弧的因果聯系，而節點代表觀察到的或未觀察到的變量。在此過程中，弧所指向的節點稱為父節點，而節點弧指向的方向稱為子節點。DAG 確保沒有節點是它自己的前身或后代，并允許計算一組隨機變量的聯合概率分布［4］。
此外，CPT表示一組隨機變量之間因果關系的強度，并定量估計變量之間的概率相關性。使用馬爾可夫性質為每個節點生成條件概率分布以分析定量參數。一組隨機變量的條件概率使用式（1）計算。
式（1）中，P（Xi|Y）表示在已知事件Y發生的情況下，事件Xi的概率，使用式（2）根據CPT確定一組給定變量（X1，X2…，Xn）的聯合概率。
而偏最小二乘結構方程建模（PLS-SEM）分為兩個部分，分別是實測模型和結構模型。實測模型也稱為外部模型，包括每個因素及其相關指標之間的單向預測關系，如式（3）所示。實測模型反映了驗證性因素分析，使研究人員能夠測試和確認結構的關系模式及其潛在指標。結構模型也稱為內部模型，描述了結構之間的關系［5］，結構模型中的因果關系如式（4）所示：
Xh=πh0+πhξ+εh""" （3）
ξj=βj0+Σβjiξi+vj """（4）
式中：ξ和Xh——構造及其相關聯的變量；
πh——對應于變量的加載；
εh——誤差項；
ξj——第j個結構；
β和vj——與ξj相關的路徑系數和誤差項。
2 數據采集與建模過程
本文以南寧市城市快速路的清廂快速路作為研究對象，選取了銜接鳳嶺北路處、靠近火車站處、靠近園湖北路處3個具有代表性的地點進行實測以收集數據。連續3 d在上下班高峰期道路繁忙的時間段，采用聲級計、雷達槍、攝像機等設備進行數據采集。其中，將型號CEL-24X聲級計連接到三腳架上，并將其安裝在靠近快速路地面上方 1.2 m 處，用于實測道路兩個方向的噪音水平；手動操作雷達槍以獲取車流速度；將攝像機安裝在三腳架上，連續記錄交通量和鳴喇叭事件；用熱敏風速儀DT-8880獲得溫度、相對濕度與風速數據。
本文提取出重要的六個因素及其15個指標，如表1所示。首先，對6個因素通過貝葉斯網絡BN 來構建交通噪聲模型，在貝葉斯網絡BN實施過程中，將6個因素作為因子分數輸入并作用于 15 種學習算法，在學習了不同的 BN 結構之后，通過將所有 15 個學習結構的出現頻率相加來計算每個弧的總分，從而得到最穩定的BN結構關系。然后，在SmartPLS 3.0軟件中構建了一個PLS-SEM結構（路徑）模型，構建的PLS-SEM 模型包含6個因素及其15個指標。其中入口方向代表道路往鳳嶺北路的方向，出口方向代表道路往清川的方向。
3 模型結果
如圖1所示，介紹了 PLS-SEM 模型結果。模型的6個結構的復合可靠性和信度系數值＞0.6，確保了模型的內部一致性和可靠性，每個結構的平均方差提取值＞0.5，確保模型的實質收斂有效性。模型結果通過路徑系數描述了每個因素對等效交通噪聲的直接、間接和總影響。交通流量對等效交通噪聲具有最高的正直接影響 （0.636）。值得注意的是建筑環境和氣候條件對等效交通噪聲沒有直接影響，它們對交通噪音的影響是通過其他因素間接影響的。而速度因素充當所有剩余因素和等效交通噪聲之間的中介，它對等效交通噪聲的直接影響最小且為負面 （-0.207）。此外，交通流量和道路情況還通過速度對等效交通噪聲產生間接影響。
而建筑環境對等效交通噪聲的間接影響（0.407）是3種路徑關系的特定間接影響的綜合結果，即建筑環境→ 交通流量 → 速度 → 等效交通噪聲（0.023）;建筑環境 →速度 → 等效交通噪聲（0.057）;建筑環境 →交通流量 → 等效交通噪聲（0.327）。關于總效應，建筑環境和交通流量對等效交通噪聲的影響為正，而氣候條件、道路情況和速度對交通噪聲的總影響為負。見表2。
4 討論與分析
如圖2所示描繪了實測和預測（模擬）等效噪聲級之間的散點圖。關于估計誤差，預測和實測的等效噪聲級值之間的誤差范圍為-2.7～3.5 dBA，表明所開發模型的預測準確性較高。
根據模型結果，交通流量是對交通噪聲產生積極影響的最主要因素，總效應為0.682。據推斷，交通流量屬性（即交通量和鳴喇叭）每增加一個單位，噪聲水平會直接增加63.7%，并通過速度因素間接增加4.5%。此外，交通流量對速度有消極影響，因此交通流量單位增長可以使車輛速度降低0.218單位。這可能是因為較高的交通量和鳴喇叭表示較低的車流速度，最終導致道路交通噪音較高。
此外，道路情況是交通噪音的第二大影響因素。模型結果表明，道路情況對速度有積極影響，對交通噪聲有消極影響。道路幾何屬性每增加一個單位，交通噪聲可直接降低0.373個單位，通過速度間接降低0.047個單位。道路寬度的增加可以提高交通的平滑過渡，使交通流更加均勻，從而降低交通噪聲級。
由于速度因素對交通噪聲的顯著影響，因此在本文中將速度因素視為一個單獨的因素。關于其對交通噪聲的影響，速度對等效交通噪聲具有顯著的負面直接影響（-0.207）。這與之前學者的研究發現一致［5］，即速度對交通噪聲有重大影響，并且受到交通流量的影響，它在低速時對交通噪音產生的通常是消極影響，而在較高速度下為積極影響。
最后，氣候條件因素會通過速度間接影響交通噪音（-0.110）。這種關系與事實相符：當遇到溫度較高的氣候條件時，人們通常傾向于快速移動并提高車速。
5 結語
交通噪聲被認為是城市噪聲污染的主要來源，由于噪聲污染的嚴重性，國內外一直重視交通噪聲實測與預測模型的開發。本文開發了結合當地交通情況的城市快速路的交通噪聲模型，該模型描述了影響交通噪聲的因素之間的相互關系。結合BN的FLS-SEM方法成功地建立了6個影響因素及其15個指標在交通噪聲模型中的相互關系。模型表明，交通流量被確定為顯著影響交通噪聲的最突出因素，因此控制交通噪聲最有效的方法是控制交通流量。但由于機動車數量的快速增長，道路交通流量的控制非常具有挑戰性。根據研究結果，可以通過規范鳴喇叭事件來降低道路沿線的交通噪音，并且合理規劃路網進行交通流量部分分流。此外，建筑和快速路之間應該有適當的距離，以避免過度暴露于交通噪音中，如果建筑和快速路之間距離過于近應增加聲屏障減輕交通噪聲對居民的影響。根據模型結果，建筑環境和氣候條件也間接影響道路的交通噪音，建筑環境和各種氣候條件對道路交通噪音的影響機制值得未來進一步詳細研究。
參考文獻
［1］Gilani，T.A.，Mir，M.S. Modelling road traffic Noise under heterogeneous traffic conditions using the graph-theoretic approach［J］. Environ. Sci. Pollut. Res，2021（28）：36 651-36 668.
［2］王欣暢. 顧及城市功能區的道路交通噪聲模擬及快速計算方法研究［D］.南京：南京師范大學，2021.
［3］單汨源，喻 盈，劉小紅.基于PLS-SEM及貝葉斯網絡的地鐵乘客滿意度評價研究［J］.湖南社會科學，2020，199（3）：113-121.
［4］Landuyt，D.，Broekx，S.，D’hondt，R.，et al. A review of Bayesian belief networks in ecosystem service modelling［J］. Environ. Model. Softw，2013（46）：1-11.
［5］Pascale，A.，Fernandes，P.，Guarnaccia，C.，et al. A study on vehicle Noise Emission Modelling： Correlation with air pollutant emissions，impact of kinematic variables and critical hotspots［J］. Sci. Total Environ， 2021（787），147-157.
收稿日期：2023-03-29
