Ir al contenido

Documat


Resumen de Sistema de predicción de ruido urbano mediante redes neuronales

Natalia Genaro García

  • El ruido es un problema global. En 1972 la Organización Mundial de la Salud (OMS) clasificó el ruido como un contaminante. Desde entonces, la mayoría de los países industrializados han promulgado leyes y reglamentos locales para prevenir y reducir la contaminación ambiental acústica. Otro objetivo es alertar a la gente de los peligros de este tipo de contaminación. En este contexto, los planificadores urbanos necesitan herramientas que les permitan evaluar el grado de contaminación acústica. Los científicos de muchos países han modelado el ruido urbano, utilizando una amplia gama de enfoques, pero sus resultados no han sido tan buenos como se esperaba.

    Actualmente existen una serie de modelos predictivos de ruido urbano basados en métodos matemáticos tradicionales, que predicen el nivel de ruido a partir de un reducido número de variables. Tras el estudio del estado del arte de literatura científica que relaciona métodos de Soft Computing y predicción de ruido urbano, se ha evidenciado que la mayoría de estos estudios no obtienen unos resultados mucho mejores que los obtenidos con modelos matemáticos tradicionales.

    Esta tesis desarrolla un modelo para la predicción de ruido ambiental urbano mediante Redes Neuronales Artificiales (RNA). El modelo se basa en el análisis de las variables consideradas como influyentes por expertos en la materia y se aplica a los datos recogidos en diferentes tipos de calles. Para ello, en colaboración con expertos en ruido de la UGR, se han obtenido una serie de medidas del ruido urbano en la ciudad de Granada, que permiten el entrenamiento de la RNA que se propone.

    Los dos grandes objetivos de la tesis son:

    - Estudio del estado del arte de literatura científica relacionando métodos de Soft Computing y predicción de ruido urbano.

    El estudio del estado del arte ha hecho patente que la mayoría de los estudios no obtienen unos resultados mucho mejores que los obtenidos con modelos matemáticos. Por ello, la aplicación de métodos de Soft Computing que permitan predecir con más exactitud el nivel de ruido ambiental puede ser una solución. En esta tesis se concluye, además, que no hay muchos artículos prediciendo el ruido urbano con redes neuronales, y la mayoría de ellos usan modelos de redes neuronales similares a las de este trabajo. No obstante, todos ellos utilizan un conjunto de datos de entrada menos completo, en número y naturaleza de las variables, que el de este trabajo y todos los que obtienen resultados más parecidos lo hacen en fechas posteriores y citando, en la mayoría de las ocasiones, las publicaciones de los resultados explicitados en esta memoria.

    - Desarrollo de un modelo de predicción de ruido urbano basado en redes neuronales preciso para modelar los niveles de presión sonora.

    Este segundo objetivo tiene a su vez varios subobjetivos que se desarrollan en siguientes capítulos: En primer lugar, construir un modelo de predicción válido en la ciudad de Granada, y que se pueda extender fácilmente a otras ciudades. Se ha desarrollado una RNA, con 25 entradas o variables a ser tenidas en cuenta, y el nivel equivalente de ruido como salida, entrenada con 289 registros obtenidos en Granada. La única capa oculta tiene 7 neuronas (también con 9 se han obtenido resultados similares). Se obtiene así un modelo que predice los niveles de ruido urbano de Granada, con excepcional eficacia, ya que casi ningún ejemplo supera el 5% del error. El entrenamiento es rápido, lo que permite usar la red en tiempo casi real.

    En segundo lugar, se ha pretendido reducir el número de entradas, seleccionando las variables más relevantes. Un análisis de Componentes Principales ha permitido saber el número mínimo de variables a considerar, y varios métodos de selección de características han permitido obtener varios conjuntos incrementales de variables con resultados razonablemente eficaces. Los mejores resultados se han obtenido con los métodos RELIEF y el de evaluación de subconjuntos de variables por consistencia. Finalmente se seleccionan tres conjuntos (incrementales) con 10, 12 y 15 variables y se entrena de nuevo la RNA con ellos. Los mejores resultados se obtienen con 15 variables, estando los resultados casi al mismo nivel que los obtenidos con las 25 variables, y superando ampliamente a los métodos clásicos con los 3 conjuntos de variables seleccionados.

    Finalmente, y para descartar que el éxito se pueda haber obtenido por un posible exceso de homogeneidad en los datos de partida, también se han utilizado datos, también de Granada, pero que no fueron obtenidos para el presente trabajo, llegando así, tras un adecuado preproceso, a un total de 640 registros. Esto ha permitido validar el sistema desarrollado, construyendo una nueva RNA (25 entradas, 1 salida y 12 neuronas ocultas) entrenada con estos nuevos datos. Los resultados siguen siendo muy buenos, aunque no tan espectaculares como los obtenidos previamente, pero amplia y claramente mejores que los obtenidos por los modelos matemáticos. También se lleva a cabo un proceso de Selección de Características, seleccionando finalmente un conjunto con 15 variables, obteniendo unos resultados mejores que los modelos matemáticos ¿clásicos¿ y suficientemente buenos para la predicción del ruido urbano.


Fundación Dialnet

Mi Documat