ترجمه فارسی مقاله نگاشت پویای نویز مبتنی بر LoRaWAN با یادگیری ماشین برای اجرای طرح مقابله با نویز شهری

چکیده

Static noise maps depicting long-term noise levels over wide areas are valuable urban planning assets for municipalities in decreasing noise exposure of residents. However, non-traffic noise sources with transient behavior, which people complain frequently, are usually ignored by static maps. We propose here a dynamic noise mapping approach using the data collected via low-power wide-area network (LPWAN, specifically LoRaWAN) based internet of things (IoT) infrastructure, which is one of the most common communication backbones for smart cities. Noise mapping based on LPWAN is challenging due to the low data rates of these protocols. The proposed dynamic noise mapping approach diminishes the negative implications of data rate limitations using machine learning (ML) for event and location prediction of non-traffic sources based on the scarce data. The strength of these models lies in their consideration of the spatial variance in acoustic behavior caused by the buildings in urban settings. The effectiveness of the proposed method and the accuracy of the resulting dynamic maps are evaluated in field tests. The results show that the proposed system can decrease the map error caused by non-traffic sources up to 51% and can stay effective under significant packet losses.

چکیده به فارسی (ترجمه ماشینی)

نقشه های نویز استاتیک که سطح سر و صدای طولانی مدت در مناطق وسیع را نشان می دهد دارایی های با ارزش برنامه ریزی شهری برای شهرداری ها در کاهش قرار گرفتن در معرض نویز ساکنان است.با این حال ، منابع نویز غیر ترافیک با رفتار گذرا ، که افراد مرتباً از آنها شکایت می کنند ، معمولاً توسط نقشه های استاتیک نادیده گرفته می شوند.ما در اینجا یک رویکرد نقشه برداری نویز پویا را با استفاده از داده های جمع آوری شده از طریق شبکه گسترده با قدرت (LPWAN ، به ویژه لوروان) مبتنی بر اینترنت اشیاء (IoT) پیشنهاد می کنیم ، که یکی از رایج ترین ستون فقرات ارتباطی برای شهرهای هوشمند است.نقشه برداری سر و صدا بر اساس LPWAN به دلیل پایین بودن نرخ داده های این پروتکل ها چالش برانگیز است.رویکرد نقشه برداری نویز پویا پیشنهادی ، پیامدهای منفی محدودیت های نرخ داده را با استفاده از یادگیری ماشین (ML) برای پیش بینی رویداد و مکان از منابع غیر ترافیک بر اساس داده های کمیاب کاهش می دهد.قدرت این مدل ها در نظر گرفتن آنها به واریانس مکانی در رفتار صوتی ناشی از ساختمانهای موجود در محیط های شهری نهفته است.اثربخشی روش پیشنهادی و صحت نقشه های پویا حاصل در تست های میدانی ارزیابی می شود.نتایج نشان می دهد که سیستم پیشنهادی می تواند خطای MAP ناشی از منابع غیر ترافیک را تا 51 ٪ کاهش دهد و می تواند تحت ضرر و زیان بسته های قابل توجهی مؤثر باشد.