Сьогодні багато міст у всьому світі страждають від шумового забруднення. Шум - це невидима небезпека, яка може спричинити проблеми зі здоров'ям як людей, так і дикої природи. Тому важливо оцінити рівень шуму в навколишньому середовищі та запровадити коригувальні заходи. Існує кілька методів ідентифікації шуму, і вибір найбільш відповідного методу залежить від необхідної інформації та її застосування. Аналіз аудіоданих вимагає врахування трьох ключових аспектів, таких як період часу, амплітуда та частота. На підставі зазначених параметрів можна визначити джерело шуму.
У цій дослідницькій статті пропонується використовувати штучний інтелект і алгоритм машинного навчання для процесу виявлення шуму що видає транспорт. Обчислювальні методи є найшвидшим і найінноваційнішим способом аналізу необроблених наборів даних і прогнозування результатів. У цих методах потрібен великий обсяг даних і обчислювальна потужність для ідентифікації шаблонів. Моделі машинного навчання можна навчити, використовуючи три типи даних: безкоштовні звукові бібліотеки, набори аудіоданих придбані в постачальників даних, і дані, зібрані експертами домену. У рамках дослідження експериментальний набір звукових даних використовувався для навчання моделі, яка передбачає правильні результати на основі вхідних даних, використовуючи контрольоване навчання. Розроблена модель вимагає якісних даних для отримання точного результату. Однак неправильний збір даних може спричинити шум у наборах даних, як і людська помилка чи помилка приладу. Звукові події дорожнього руху в реальному середовищі зазвичай не відбуваються ізольовано, а мають тенденцію накладатися на інші події. Частина цієї статті присвячена проблемам, які можуть виникнути під час виявлення шуму транспорту, наприклад неправильній обробці та збору даних, а також способам покращення якості вхідних даних. У дослідженні також стверджується, що виявленню транспортного шуму значно посприяє розробка централізованої бази даних залізниць на основі конструктивних даних про залізницю та централізованої бази даних із спеціальними наборами даних залізниці. На основі отриманих результатів аналізу шуму транспортного руху було виявлено необхідність в модернізації трамвайних шляхів для зменшення шуму.
- Roberts L. Understanding the Mel Spectrogram [Електронний ресурс] / Leland Roberts // Medium. – 2020. – Режим доступу до ресурсу: https://medium.com/analytics-vidhya/understanding-the- mel-spectrogram-fca2afa2ce53.
- Audio Analysis With Machine Learning: Building AI-Fueled Sound Detection App [Електронний ресурс] // Altexsoft. – 2022. – Режим доступу до ресурсу: https://www.altexsoft.com/blog/audio-analysis/.
- Déborah M. Python AI: How to Build a Neural Network & Make Predictions [Електронний ресурс] / Mesquita Déborah // Realpython. – 2020. – Режим доступу до ресурсу: https://realpython.com/python-ai-neural-network/#artificial-intelligence....
- Overlap-Add (OLA) STFT Processing [Електронний ресурс] // Center for Computer Research in Music and Acoustics (CCRMA). – 2022. – Режим доступу до ресурсу: https://ccrma.stanford.edu/~jos/sasp/Overlap_Add_OLA_STFT_Processing.html.
- Zuzana Papánová, Daniel Papán, Libor Ižvolt, Peter Dobeš, Modernization of Heavy Loaded Tram Radial Effect on Noise and Vibration, Appl. Sci. 2022, 12(14), 6947; https://doi.org/10.3390/app12146947// Received: 21 March 2022 / Revised: 27 June 2022 / Accepted: 5 July 2022 / Published: 8 July 2022
- Special Issue "Design of Track System and Railway Vehicle Dynamics Analysis" [Електронний ресурс] // MDPI. – 2022. – Режим доступу до ресурсу: https://www.mdpi.com/journal/applsci/special_issues/Track_System_Railway_Vehicle_Dynamics.
- Morihara, T.; Yokoshima, S.; Matsumoto, Y. Effects of Noise and Vibration Due to the Hokuriku Shinkansen Railway on the Living Environment: A Socio-Acoustic Survey One Year after the Opening. Int. J. Environ. Res. Public Health 2021, 18, 7794. [Google Scholar] [CrossRef] [PubMed]
- Maclachlan, L.; Ögren, M.; Van Kempen, E.; Hussain-Alkhateeb, L.; Persson Waye, K. Annoyance in Response to Vibrations from Railways. Int. J. Environ. Res. Public Health 2018, 15, 1887. [Google Scholar] [CrossRef] [PubMed][Green Version]
- Lercher, P.; De Coensel, B.; Dekonink, L.; Botteldooren, D. Community Response to Multiple Sound Sources: Integrating Acoustic and Contextual Approaches in the Analysis. Int. J. Environ. Res. Public Health 2017, 14, 663. [Google Scholar] [CrossRef] [PubMed][Green Version]
- Bao, Y.; Li, Y.; Ding, J. A Case Study of Dynamic Response Analysis and Safety Assessment for a Suspended Monorail System. Int. J. Environ. Res. Public Health 2016, 13, 1121. [Google Scholar] [CrossRef] [PubMed]
- A Systematic Review of Artificial Intelligence Public Datasets for Railway Applications, September 2021, DOI:10.3390/infrastructures6100136, RAILS - Roadmaps for A.I. integration in the rail Sector (EU Horizon 2020 - Shift2Rail JU)
- Understanding Spectrograms [Електронний ресурс] // iZotope. – 2020. – Режим доступу до ресурсу: https://www.izotope.com/en/learn/understanding-spectrograms.html.
- Fast Fourier Transformation FFT - Basics [Електронний ресурс] // NTi-audio. – 2020. – Режим доступу до ресурсу: https://www.nti-audio.com/en/support/know-how/fast-fourier-transform-fft.
- Audio Feature Extraction [Електронний ресурс] // Devopedia. – 2021. – Режим доступу до ресурсу: https://devopedia.org/audio-feature-extraction.
- Schutz, Michael, and Jonathan M. Vaisberg. 2012. "Surveying the temporal structure of sounds used in Music Perception." Music Perception: An Interdisciplinary Journal, vol. 31, no. 3, pp. 288-296. doi: 10.1525/mp.2014.31.3.288. Accessed 2021-05-23.