集成车辆声学数据以提升苏州城市交通管理：关于速度分类的研究
声音
2025-06-27 v1 人工智能
音频与语音处理
摘要
本研究提出并公开发布了苏州城市道路声学数据集（SZUR-Acoustic Dataset），并附有全面的数据获取协议和标注指南，以确保实验工作流程的透明性和可重复性。为建模车辆噪声与驾驶速度之间的耦合关系，我们提出了双模特征融合深度卷积神经网络（BMCNN）。在预处理阶段，应用自适应去噪和归一化策略以抑制环境背景干扰；在网络结构中，平行分支提取梅尔频率倒谱系数（MFCCs）和小波包能量特征，这些特征随后通过交叉模态注意力机制在中间特征空间中进行融合，以充分利用时频信息。实验结果表明，BMCNN在SZUR-Acoustic Dataset上实现了87.56%的分类准确率，在公开的IDMT-Traffic数据集上实现了96.28%的分类准确率。对苏州数据集的消融研究和鲁棒性测试进一步验证了每个模块对性能提升和过拟合缓解的贡献。该提出的声学基于速度的分类方法可集成到智慧城市交通管理系统中，用于实时噪声监测和速度估计，从而优化交通流控制、减少路侧噪声污染，并支持可持续城市规划。
引用
@article{arxiv.2506.21269,
title = {Integrating Vehicle Acoustic Data for Enhanced Urban Traffic Management: A Study on Speed Classification in Suzhou},
author = {Pengfei Fan and Yuli Zhang and Xinheng Wang and Ruiyuan Jiang and Hankang Gu and Dongyao Jia and Shangbo Wang},
journal= {arXiv preprint arXiv:2506.21269},
year = {2025}
}