Halaman 1Akuntansi dinamika lalu lintasmeningkatkan penilaian kebisingan: bukti eksperimentalArnaud Bisa, Université de Lyon, ENTPE / INRETS, Laboratoire d'INGENIERIE SirkulasiTransportasi (halal), Perancis. Telp: +33 4 72 04 77 15. Faks: +33 4 72 04 77 12. e-mail:can@entpe.fr.Ludovic Leclercq, Université de Lyon, ENTPE / INRETS, Laboratoire d'INGENIERIESirkulasi Transportasi (halal), Perancis. e-mail: leclercq@entpe.fr.Joel Lelong, Laboratoire Transportasi environnement (LTE), INRETS, Perancis.Jérôme Defrance, Pusat Scientifique des Techniques de Bâtiment (CSTB), Perancis.

Halaman 2

Halaman 3AbstrakMakalah ini membandingkan tiga representasi lalu lintas untuk penilaian kebisingan lalu lintas perkotaan: (i)kasar statis perhitungan berdasarkan kecepatan rata-rata dan laju aliran, (ii) perhitungan statis halusberdasarkan pola kinematika rata-rata, (iii) model kebisingan estimasi keseluruhan dinamis yangmenganggap propagasi kendaraan pada jaringan. Tiga metodologi yang diterapkan pada reallalu lintas situasi dan dibandingkan dengan di lapangan tingkat kebisingan. Representasi (i) tidak disempurnakancukup untuk menjamin penilaian kebisingan tepat. Representasi (ii) dapat cukup untuk LAeqestimasi dalam sebagian besar kasus. Namun, representasi (iii) meningkatkan estimasi kebisingan karenamempertimbangkan interaksi kendaraan pada jaringan. Selain itu, memungkinkan untuk deskriptor khusus untukdiperkirakan dengan akurasi besar, seperti LAeq, 1sdistribusi atau pola kebisingan berarti bahwamereproduksi setiap siklus lalu lintas. Akhirnya, estimasi kebisingan dinamis tampaknya masihkonsisten jika model tersebut makan dengan data rata-rata pada 2 jam-titik..

Halaman 4

Saya PendahuluanManajemen lalu lintas dapat menjadi kebijakan yang sangat efisien untuk melawan kebisingan lalu lintas perkotaan [1] [2]. Hal inisemakin diterapkan di Eropa [3] atau lokal [4] proyek pengurangan kebisingan. On-bidang studi telahdilakukan untuk mengukur dampak kebisingan kebijakan manajemen lalu lintas [5]. Pengurangan kebisingan dapat diperolehmelalui pengurangan kecepatan [6]. Lalu Lintas kebijakan menenangkan juga memastikan pengurangan kebisingan karena melarang kuatpercepatan [7]: a 3 dB (A) penurunan dapat diperoleh misalnya dari koordinasi lampu lalu lintas yangmenghomogenkan kecepatan [8]. Selain itu, simulasi menunjukkan bahwa pengurangan kebisingan juga dapat dicapai dengan re-rute arus lalu lintas [9] [10], atau menciptakan zona tenang [11].Untuk meningkatkan estimasi dan prediksi kebisingan, sangat penting untuk menggunakan model kebisingan estimasi yang tepat, dapatuntuk menangkap bagaimana arus lalu lintas dipengaruhi oleh strategi tersebut. LAeqatau kebisingan estimasi distribusi dapatstatistik yang diperoleh dari pengukuran akustik dan lalu lintas [12]. Ini dapat membantu untuk menggambarkan perkotaankebisingan [13], tetapi metode ini mencegah dari evaluasi kebijakan manajemen lalu lintas semua karena terbatas untuktertentu lalu lintas situasi. Model didasarkan pada kopling antara estimasi trafik data (aliran, kecepatan, dll),hukum emisi kebisingan dan perhitungan suara propagasi, lebih efisien. Akurasi mereka berhubungan eratdengan representasi lalu lintas model Klasik. menggunakan representasi statis lalu lintas, yang dianggap sebagaihalus dan homogen [14]; tingkat kebisingan tersebut kemudian diperkirakan dari tingkat aliran dan berarti kecepatan aliran.Model seperti ini relevan untuk menilai tingkat kebisingan di antar perkotaan kondisi. Namun lalu lintas inirepresentasi kurang akurat untuk kebisingan lalu lintas estimasi perkotaan [15], terutama dekat dengan sinyal lalu lintas,mana kondisi lalu lintas bervariasi banyak [16]. Beberapa model klasik telah disempurnakan untuk memperhitungkan arus lalu lintaskarakteristik di daerah perkotaan. Koreksi untuk arus lalu lintas terganggu [17] dan persimpangan [18] miliki untukcontoh telah diperkenalkan, disimpulkan dari penentuan antrian panjang. Kebisingan estimasi dekat denganpersimpangan juga dapat disempurnakan dengan mempertimbangkan pola kinematika rata-rata [19]. Namun, model-modelterbatas pada estimasi deskriptor energik, seperti L

sarangatau A-tertimbang tingkat tekanan suara LAeq. Itudeskriptor tidak selalu cukup untuk secara tepat menggambarkan kebisingan lalu lintas perkotaan [20], yang ditandaidengan dinamika yang kuat terkait dengan sinyal lalu lintas [21]. Deskriptor yang spesifik telah diusulkan dalam [22] untukmenangkap dinamika.Terobosan dalam perkiraan lalu lintas kebisingan datang dengan model dinamis, yang dapat output LAeq, Tapijuga tingkat suara seketika tekanan [23] [24]. Mereka model didasarkan pada representasi dinamislalu lintas yang memberikan pada setiap langkah waktu (biasanya 1s) posisi x (t), kecepatan v (t) dan percepatan a (t) masing-masingkendaraan pada jaringan [25] [26] [27]. Kemudian LAeq, 1sevolusi diperkirakan, dari yang klasik tetapi jugadeskriptor tertentu dapat dihitung.Dalam prakteknya pilihan representasi lalu lintas harus dilakukan dalam hal tingkat akurasidiharapkan untuk hasil dan jumlah data yang dibutuhkan untuk kalibrasi. Yang pertama penelitian yang telah diujilalu lintas representasi untuk LAeqestimasi di daerah perkotaan [28] telah menunjuk kebutuhan akan data yang tepatkoleksi [29]. Representasi lalu lintas dinamis telah dibandingkan dalam [30] [31] untuk klasik dan spesifik

Halaman 5deskriptor estimasi. Hal ini menunjukkan bahwa estimasi kebisingan tepat terikat dengan rinci danindividual keterangan setiap lintasan kendaraan. Namun, mereka studi tidak menghadapi yang berbedalalu lintas representasi data akustik perkotaan.Kontribusi dari makalah ini adalah untuk menganalisa tiga representasi lalu lintas untuk kebisingan lalu lintas perkotaanestimasi: (i) perhitungan statis kasar berdasarkan kecepatan rata-rata dan laju aliran, (ii) statis halusperhitungan berdasarkan pola kinematika rata-rata, (iii) model kebisingan estimasi keseluruhan dinamis yangmenganggap propagasi kendaraan pada jaringan. Tiga metodologi yang diterapkan pada lalu lintas nyata

dan dibandingkan dengan situasi di lapangan tingkat kebisingan. Lalu Lintas dan akustik pengukuran dilakukan pada 5 poinyang menggambarkan situasi lalu lintas biasa: dekat dengan sinyal lalu lintas, lalu lintas antara dua sinyal berurutan, dandekat dengan terminal bus. Perbandingan didasarkan pada kemampuan model untuk secara tepat memperkirakanklasik dan spesifik deskriptor di titik-titik. Perhatikan bahwa korespondensi antara deskriptordan gangguan kebisingan akan diselidiki dalam pekerjaan di masa depan. Kebisingan emisi hukum dan model propagasiadalah tetap untuk semua perhitungan untuk memastikan perbandingan. Jumlah data lalu lintas yang diperlukan untuk estimasijuga dibahas.Eksperimentasi dan tiga proses perhitungan akan disajikan dalam bagian pertama darikertas. Hasilnya akan disajikan kemudian. Akhirnya diperlukan representasi untuk kebisingan lalu lintas perkotaanestimasi akan dibahas, menurut deskriptor dan tingkat akurasi yang diperlukan.Cara IIII.1 PercobaanPercobaan terdiri dari lalu lintas dan pengukuran akustik dari 15,30 jam sampai 17.30 jam pada hari kerja.Situs ini adalah arteri utama (Cours Lafayette, Lyon, Perancis). Ini adalah satu arah tiga jalur jalan (yangjalur bahu dibagi oleh bus dan mobil penumpang) dengan 5 persimpangan bersinyal. Jalan adalah U-dibentuk dengan 5-lantai bangunan. Hal ini sangat sibuk, dengan sekitar 1400 kendaraan per jam selama percobaan.Tegak lurus arteri Cours Saxe juga sibuk, dengan sekitar 1000 kend / jam, termasuk 200 kend / jam yang gilirannyatepat ke Lafayette Cours. Laju aliran tegak lurus di jalan-jalan lain sekitar 250 kend / jam. Sinyaldurasi siklus adalah sama dengan 90 s dan sinyal lalu lintas dikoordinasikan melalui gelombang hijau. Para durasisiklus hijau dan merah diberikan pada Gambar 1.Data yang tercatat adalah jumlah kendaraan di setiap persimpangan untuk setiap gerakan dan pada setiaplalu lintas siklus, dan lintasan bis tepat (termasuk menghentikan waktu di stasiun bis). Akustik rekamanadalah LAeq, 1sevolusi untuk titik-titik yang dipilih. Lima titik yang dipilih untuk pengukuran tingkat kebisingan adalahkhas dari situasi perkotaan:

-di depan sebuah stasiun bus hilir dari sinyal lalu lintas (P1),-antara dua sinyal lalu lintas berturut-turut (P2),-dekat dengan sinyal lalu lintas: di depan (P3) Dan hilir (P4dan P5).Titik pengukuran adalah 2m-tinggi. Lokasi mereka diberikan pada Gambar 1.

Halaman 6Cours LafayetteCours Saxethijau= 70tmerah= 20-anTSSayathijau= 60tmerah= 30-anTSIIthijau= 50tmerah= 40-anTSIII

thijau= 50tmerah= 40-anTSIVthijau= 45stmerah= 45sTSVP1P2P3P4P510,5 juta41m43m24m143m68.5m25m20m1.5m2,5 jutabisberhentiGambar 1: situs eksperimental. Posisi TS lalu lintas sinyal dan waktu t hijau merekahijaudan merah waktu tmerahjangka waktu.

II.2 Kebisingan estimasiII.2.1 Perhitungan prosesLalu lintaspemodelanKebisinganemisi hukumPerambatanperhitunganDeskriptorperhitunganLalu lintaspemodelanKebisinganemisi hukumPerambatanperhitunganv (t), q (t)Lw(T)LAeq(T)DeskriptorperhitunganGambar 2: rantai pemodelan global yangEstimasi Kebisingan mengikuti prosedur pemodelan yang sama apa pun representasi lalu lintas adalah (lihat Gambar2). Langkah-langkah utama adalah:-situs ini diskretisasi menjadi sel-sel yang panjangnya bervariasi antara 9 dan 18 m (satu sel per jalur).Ini panjang sel relevan untuk estimasi kebisingan dekat dengan persimpangan [31]. Selain itu, inipanjang menjamin sel homogen akustik, seperti yang diharuskan dalam [35] untuk kebisingan statisestimasi,-data yang diberikan oleh hukum Model lalu lintas kebisingan pakan emisi untuk memperkirakan L emisi kebisinganw(T)setiap sel. Hukum-hukum yang digunakan dalam penelitian ini membedakan kendaraan ringan dan bus, dan memberikan L

wdenganmenghormati untuk mempercepat v dan kondisi mengemudi (jelajah, memperlambat atau mempercepat) [36] [37], lihatGambar 3. Perhatikan bahwa kendaraan berat tidak dipertimbangkan dalam penelitian ini karena mereka dilarangmemasuki Lafayette Cours,

Halaman 7-model propagasi NMPB-Rute-96 dilaksanakan di Mithra perangkat lunak [38] memberikanLAeq, sel(T) kontribusi masing-masing sel untuk setiap penerima,-kontribusi dari sel-sel akustik dijumlahkan untuk memberikan LAeq, 1s(T) pada penerima:()(),10, 110Log10,Aeq selLtAeq sselLt=Σ(1)

-deskriptor kebisingan akhirnya dihitung. Jika representasi lalu lintas statis terlibat, lalu lintasvariabel dan dengan demikian emisi kebisingan adalah independen dari waktu, dan kemudian hanya LAeq, Tdapatdihitung, dimana T adalah periode observasi. Jika model lalu lintas dinamis yang terlibat, lalu lintasvariabel diperkirakan setiap 1s, kemudian LAeq, 1swaktu evolusi tetapi juga akustik tertentudeskriptor dapat dihitung.020406080859095100105110v (km / jam)Lwlampu kendaraancuising / perlambatanmempercepat020406080859095100105110v (km / jam)Lwbis-bismelambat

cuisingmempercepatGambar 3: hukum emisi kebisingan untuk kedua kendaraan ringan dan busII.2.2 representasi lalu lintas kasar statisArus kendaraan pada setiap sel dibagi menjadi dua subflows: cahaya kendaraan subflow Qlvdan bussubflow Qbis. Tidak ada zona percepatan atau perlambatan dianggap: kendaraan seharusnya melewatipersimpangan tanpa henti. Kebisingan emisisayawLdari sel yang diberikan adalah, untuk setiap kelas i dari kendaraan, disimpulkandari kecepatan rata-rata vsaya, Percepatan asayadan laju alir Qsayapada sel:()(){},10Log,denganlv, bus.sayasayasayasayawwLL vaQsaya=

+=(2)Akhirnya, kebisingan emisi global yang Lwsel adalah jumlah akustik⊕dari emisilvwL danbiswL dari sel:.lvbiswwwLLL=⊕(3)

Halaman 8II.2.3 representasi lalu lintas Refined statisBerhenti di persimpangan dipertimbangkan. Aliran ini tidak lagi dibagi menjadi 2 subflows tetapi menjadi 4subflows: Qg, lv, Qr, lv, Qg, bisdan Qr, bus. Qg, imerupakan kendaraan kelas saya yang melewati persimpangandi bebas-aliran kecepatan, ketika sinyal lalu lintas berwarna hijau (Qg, i

= Qsaya* Tg/ Tc), Dan Qr, imerupakan kendaraan yang berhentidi persimpangan lalu lintas ketika sinyal berwarna merah (Qr, i= Qsaya* Tr/ Tc), Dimana tg, Trdan tcadalah masing-masing hijau,merah dan durasi siklus dari sinyal lalu lintas. Kebisingan emisi, GiwLyang sesuai dengan subflow yangQg, idihitung seperti dalam II.2.2, mengingat kendaraan bergerak pada kecepatan aliran bebas. Kecepatan pada setiap sel darijaringan tergantung pada jarak x dari sinyal lalu lintas untuk subflows merah: itu adalah rata-ratakecepatan pada batas hulu dan hilir dari sel, yang disimpulkan dari meanpercepatan a, u kecepatan maksimal, dan d perlambatan kendaraan.()min 2;=vkapak upada sel

hilir dari sinyal lalu lintas, dan()min 2;=vdx upada sel hulu dari sinyal lalu lintas. Akhirnya,L kebisingan emisiwsel adalah jumlah dari emisi akustik, G lvwL,, R lvwL,, G buswLdan, R biswLpadasel:,,,,.g lvr lvg bisr buswwwwwLL

LLL=⊕⊕⊕(4)Ii.2.4 representasi Dinamis lalu lintasModel dinamis lalu lintas bertujuan untuk memprediksi bagaimana variabel lalu lintas kunci berevolusi sepanjang jaringan. Itumodel yang digunakan dalam penelitian ini adalah SYMUBRUIT1, Yang didasarkan pada sebuah kendaraan rinci dan individualrepresentasi. Posisi semua kendaraan pada jaringan diprediksikan pada setiap langkah waktu-dan diaturoleh tiga parameter: u kecepatan maksimal mencapai ketika lalu lintas bebas, w gelombang kecepatan di mana sebuahkemacetan tumpahan kembali pada jaringan, dan jarak minimum sminantara dua kendaraan, diamatiketika kendaraan berhenti misalnya pada sinyal lalu lintas. Posisi kendaraan i pada x langkah waktu berikutnyasaya(T + Δ t)adalah minimum antara posisi yang diinginkannya untuk mencapai ketika lalu lintas adalah gratis dan posisi itu tidak bisalayang ketika lalu lintas tersumbat. Waktu-langkah adalah tetap untuk Δ t = smin/ W untuk mengurangi viskositas numerik.Kemudian:()()()1minposisi ketika lalu lintas adalah posisi bebas ketika lalu lintas tersumbatmin,.sayasayasaya

xttxtutXTS-+ Δ =+ Δ-(5)Kecepatan vsaya(T) dan percepatan asaya(T) yang kemudian disimpulkan dari posisi xsaya(T) dan xsaya(T + Δ t). Model ini memilikitelah disempurnakan untuk mempertimbangkan percepatan dibatasi kendaraan [32], pengaruh gerakan lambat1SYMUBRUIT adalah alat simulasi yang didedikasikan untuk estimasi kebisingan dinamis dikembangkan oleh INRETS danENTPE

Halaman 9bus [33], dan jalur-perubahan fenomena [34]. Mutasi di persimpangan akan ditangani olehmenetapkan proporsi berbalik dan melalui gerakan diamati selama percobaan.Model ini membutuhkan pengetahuan tentang laju aliran di setiap pintu masuk, mengubah proporsi di persimpangan masing-masing,dan informasi di lintasan bus. Dua perhitungan yang dilakukan di koran: (i) perhitungan pertama di III.2menggunakan tingkat aliran dan gerakan yang tercatat per siklus selama percobaan, dan bus tepatlintasan, (ii) perhitungan kedua di III.3 menggunakan kurs rata-rata aliran dan gerakan yang direkam selama

percobaan, dan informasi global pada frekuensi bus dan waktu tunggu di stasiun bis.II.2.5 KalibrasiModel statis telah dikalibrasi untuk muat pada-pengukuran lapangan. Kendaraan parameter kinematik adalah:tingkat rata-rata perlambatan d = 3m / s ² dan tingkat percepatan rata-rata ² = 0.8m / s. Perhatikan bahwa rendahnilai percepatan bisa disebabkan pengaturan lalu lintas sinyal, yang menghasut kendaraan untuk mempercepat perlahan kemanfaat dari gelombang hijau. Sifat kendaraan lain adalah kecepatan gelombang w =-3.33m / s, minimumjarak smin= 5m, dan u kecepatan maksimal. Kecepatan maksimal kendaraan ringan tergantung pada lokasi dijaringan: u1= 17m / s pada awal Lafayette Cours (sampai persimpangan kedua), u2= 15m / spada akhir Lafayette Cours (setelah persimpangan kedua), dan u3= 10m / s di jalan persimpangan. Itukecepatan maksimal bus adalah ubis= 10m / s. Akhirnya, 51 dB konstan (A) kebisingan ditambahkan untuk memperhitungkankebisingan latar belakang.II.2.6 DeskriptorDeskriptor dipertimbangkan dalam penelitian ini adalah deskriptor energik (LAeq, LL <80- Yaitu tingkat kebisingansetelah penyaringan peristiwa yang melebihi 80 dB (A) -), deskriptor statistik (L1, L10, L50, L90), LAeq, 1s

distribusi(Yang mewakili proporsi L diamati atau simulasiAeq, 1syang jatuh dalam setiap 1dB (A) jangkauan), danspesifik deskriptor berdasarkan [22] yang mengungkapkan dinamika noise pada skala sinyal lalu lintas:-Pola rata-rata kebisingan. Ini adalah pola yang berulang rata-rata setiap sinyal lalu lintas. Hal inidiperoleh dengan memilih, untuk setiap t instansaya∈[0; tc], Sampel Ssayayang berisi instants t ≡ tsaya[Tc]2, Dan kemudian operasi rata-rata akustik elemen dari Ssayatingkat yang jatuh antaraL90, Sidan L10, Sidihitung dari Ssaya.-L 'gdan L 'r, Disimpulkan dari LAeq, 1sdistribusi. Distribusi ini sering menunjukkan dua mode dalamperkotaan daerah, yang sesuai dengan fase-fase hijau dan merah dari sinyal lalu lintas terdekat. The 6parameter dari fit distribusi bi-Gaussian (standar deviasi σsaya

, Modus xsaya, Dan yangamplitudo Asaya, Dengan i = {1,2}) memungkinkan untuk menyesuaikan dua fungsi Gaussian dengan yang diamati atau simulasidistribusi. L 'gdan L 'r, Dihitung dengan mengoperasikan rata akustik elemenantara L90dan L10dari dua fungsi Gaussian. Oleh karena itu L 'gdan L 'rsesuai masing-masingke atas dan tingkat yang lebih rendah dari pola kebisingan berarti.2Simbol ini≡singkatan dari modulo

Halaman 10-NL5> 75: Persentase siklus yang L5melebihi 75 dB (A). Deskriptor ini bercerita tentangperiodisitas puncak kebisingan. Sebuah nilai yang kuat mengacu pada kejadian periodik puncak dari kebisingan.-NL95> 65: Persentase siklus yang L95melebihi 65 dB (A). Deskriptor ini bercerita tentangperiodisitas periode tenang. Nilai lemah berkaitan dengan suatu kejadian yang kuat dari periode tenang.-

L5/cycle: Rata-rata peristiwa paling berisik 5% per siklus bercerita tentang intensitas puncaknoise pada skala sinyal lalu lintas. Nilai tinggi dari L5/cycleberarti bahwa peristiwa kebisingan muncul pada setiapsiklus.-L95/cycle: Rata-rata peristiwa terendah 5% per siklus bercerita tentang ketenangan fase merah. Sebuahkuat L95/cycleberarti bahwa periode tenang tidak sangat ditandai.IIIResultsIII.1 LAeqperkiraanLAeqestimasi dan pengukuran digambarkan di Tab 1. Perhitungan kasar statis tampaknyatidak cukup untuk LAeqestimasi bahkan jika 3 dB (A) kesalahan diterima. Model overestimates tingkat kebisingankarena menganggap bahwa semua kendaraan masuk di bebas-aliran u kecepatan mereka pada jaringan. Estimasi adalah benar padapintu masuk jaringan (1,5 dB (A) kesalahan pada P1), Di mana kecepatan kendaraan yang tinggi memang. Namun, kesalahan adalahlebih besar lebih jauh, di mana kendaraan sebenarnya diperlambat oleh gelombang hijau atau dihentikan oleh lampu lalu lintas.Model statis halus meningkatkan estimasi (dengan hanya 2,2 dB (A error) rata-rata) karena memperhitungkanberhenti di persimpangan. Namun, masih cukup jika tingkat akurasi yang lebih besar diperlukan, karena: (i)mengandaikan bahwa semua kendaraan bergerak dengan bebas aliran kecepatan mereka selama fasa hijau, (ii) tidak dapat mewakiliefisien pembentukan antrian dan waktu tunggu selama fase merah, karena mengandaikan bahwa semuakendaraan berhenti di depan sinyal lalu lintas.

Akhirnya, model dinamis menjamin estimasi yang tepat dari LAeq(Kesalahan turun di bawah 2 dB (A) untuk semuapoin), karena karakteristik arus lalu lintas di daerah perkotaan (antrian formasi dan debit pada setiapsinyal lalu lintas, peleton kendaraan di belakang bus, dll) yang diwakili. Estimasi tampaknya sangattepat di depan sinyal lalu lintas: kesalahan turun di bawah 1 dB (A) untuk P3, P4dan P5, Apa yang bisa dihubungkan dengantepat lokalisasi zona percepatan. Selain itu, penurunan suara pada tiga poin terakhir adalahdigarisbawahi oleh model dinamis sementara itu tidak dengan model statis: itu adalah karena kendaraan yang datang dariCours Saxe dan belok kanan ke Lafayette Cours. Mereka kendaraan memperlambat arus lalu lintas, yang tidak dapatditangkap oleh model statis. Akhirnya, meremehkan sedikit tingkat kebisingan dengan model dinamiskarena puncak kebisingan (seperti klaxons), L peningkatan yangAeqdan tidak diperhitungkan oleh model.

Halaman 11P1P2P3P4P5berartikesalahanpengukuran73.873.570.371.271.2

kasar statis representasi75.176.574.474.374.43.1halus statis representasi74.576.073.273.573.12.2dinamis representasi75.371.970.670.370.71.1Tab 1: LAeqestimasi (dalam dB (A)) di 5 poin dari eksperimen melalui tiga berbedaperhitungan, dalam hijau jelas: kesalahan melebihi 1 dB (A), dalam abu-abu gelap: error melebihi 2 dB (A), dalam hitam:kesalahan melebihi 3 dB (A)III.2 khusus deskriptor estimasi dengan kebisingan dinamisestimasi modelEstimasi Kebisingan dapat disempurnakan dengan representasi lalu lintas yang dinamis, yang memungkinkan untuk spesifikdeskriptor estimasi. Sebuah perhitungan pertama dari deskriptor dilakukan dengan menggunakan data yang tercatat pada setiapsiklus lalu lintas, lihat Tab 2. Perhatikan bahwa data olahan tersebut tidak mudah untuk mengumpulkan dalam praktek; jumlah datadiperlukan untuk estimasi akan diuji dalam bagian berikutnya.Deskriptor energik yang tepat diperkirakan. Kesalahan jatuh di bawah 1 dB (A) segera setelah puncak kebisingan adalahdisaring (lihat LL <80estimasi), yang menegaskan bahwa meremehkan sedikit LAeqadalah karena puncakkebisingan yang rumit untuk menangkap dengan model simulasi. L

Aeq, 1sdistribusi juga diperkirakandengan akurasi yang kuat; lihat Gambar 4. Kedua modus dari distribusi, yang karena hijau dan merahfase dari sinyal lalu lintas dan merupakan karakteristik dinamika kebisingan di jalur satu jalan [22], baikdireproduksi oleh model.Deskriptor statistik juga tepat diperkirakan. Terlalu tinggi L1dekat dengan stasiun bus di P1mungkin disebabkan oleh terlalu tinggi suara yang dipancarkan oleh bus ketika menginap di dan meninggalkan busstasiun. Ini mungkin karena pilihan yang tidak tepat tingkat percepatan ketika membangun emisi kebisinganhukum untuk bus. Deskriptor statistik lainnya diperhitungkan dengan kesalahan di bawah 3 dB (A) untuk semua titik, dandengan kesalahan di bawah 1 dB (A) untuk sebagian besar poin.Selain itu, pola kebisingan berarti direproduksi secara akurat selama lima poin; lihat Gambar 4. Itusuksesi periode tenang dan berisik pada skala siklus lalu lintas (karena fase merah dan hijau) baikdireproduksi melalui pola kebisingan berarti. Selain itu, atas dan bawah tingkat kebisingan rata-ratapola L 'gdan L 'rdiperkirakan dengan kesalahan di bawah 1 dB (A) untuk sebagian besar poin. Ini bisa menjadi berhargamenghasilkan untuk menilai dinamika kebisingan pada skala ini.Akhirnya, sekitar variasi pola kebisingan rata-rata dapat diperkirakan. NL95> 65dan NL5> 75, Yang menceritakan tentangkejadian dari periode tenang dan berisik pada skala siklus lalu lintas [22], diperkirakan dengan kesalahan di bawah 10%dekat dengan sinyal lalu lintas, pada P3, P4dan P5

. Oleh karena variasi dalam tingkat kebisingan dari satu siklus ke yang lain adalahditangkap oleh model. Namun, NL5> 75yang berlebihan pada P2(27,5% error): semua siklus terlihat berisikoleh model pada saat ini sedangkan beberapa siklus sebenarnya sedikit lebih tenang. Hal ini dapat ditingkatkan dengan

Halaman 12memperkenalkan efek stokastik dalam hukum emisi kebisingan, misalnya dengan mempertimbangkan kelas khusus untukpaling berisik kendaraan dengan tingkat akselerasi yang berbeda, bukan berarti hukum. Akhirnya, L5/cycledan L95/cycleadalahdiperkirakan dengan kesalahan di bawah 3 dB (A), kecuali untuk L5/cycleestimasi pada P1(Karena puncak kebisingan), yangmenjamin representasi akurat dari amplitudo kebisingan.EksperimentalHasilHasil simulasiModel makan dengan data per siklusHasil simulasiModel makan dengan 2h DataP1P2P3P4P5P1P2P

3P4P5P1P2P3P4P5LAeq73.873.570.371.271.275.371.970.670.370.775.071.470.069.670.2LL <8072.571.369.770.370.572.771.970.470.170.5

72.371.469.869.570.1L181.880.678.379.779.286.378.378.078.178.286.378.377.777.677.7L1076.074.973.674.374.677.775.774.074.174.977.275.773.273.474.6L5071.469.767.1

67.867.571.870.168.066.867.471.068.467.566.266.3L9064.463.461.160.158.162.061.662.659.457.264.961.862.959.657.4NL5> 75(%)92.568.837.551.351.3100.096.338.847.561.397.588.8

25.028.855.0NL95> 65(%)17.511.32.50.00.00.00.05.00.00.031.30.03.80.00.0L5/cycle77.176.274.475.375.580.476.674.774.875.579.876.374.074.375.2L95/cycle62.962.860.458.9

57.160.460.561.958.256.363.560.662.158.356.4L 'g73.772.271.872.472.774.473.472.572.472.973.173.771.772.072.9L 'r68.565.064.463.961.565.964.365.863.360.669.364.865.563.7

61.7L 'g- L 'r5.27.27.48.511.28.49.16.89.112.33.78.96.28.311.2Tab 2: tertentu deskriptor estimasi (dalam dB (A)) dengan model dinamis pada 5 poin darieksperimentasi, dalam putih: kesalahan adalah di bawah 1 dB (A) (atau 10%); abu-abu jelas: kesalahan adalah antara 1 dB (A)(Atau 10%) dan 2 dB (A) (atau 20%); dalam abu-abu gelap: kesalahan adalah antara 2 dB (A) (atau 20%) dan 3 dB (A) (atau30%); hitam: error melebihi 3 dB (A) (atau 30%).

Halaman 135060708000.020.040.060.08kejadianP10204060

8060657075LAeq[DB (A)]5060708000.020.040.060.08kejadianP202040608060657075LAeq[DB (A)]5060708000.020.040.060.08kejadianP3

02040608060657075LAeq[DB (A)]5060708000.020.040.060.08kejadianP402040608060657075LAeq[DB (A)]5060708000.020.040.06

0.08LAeq[DB (A)]kejadianP502040608060657075LAeq[DB (A)]t [s]simulasipengukuranGambar 4: karakterisasi noise dari titik-titik tertentu dimana model dinamis diberi makan oleh data persiklus.

Halaman 145060708000.020.040.060.08kejadianP102040608060

657075LAeq[DB (A)]5060708000.020.040.060.08kejadianP202040608060657075LAeq[DB (A)]5060708000.020.040.060.08kejadianP3020

40608060657075LAeq[DB (A)]5060708000.020.040.060.08kejadianP402040608060657075LAeq[DB (A)]5060708000.020.040.060.08L

Aeq[DB (A)]kejadianP502040608060657075LAeq[DB (A)]t [s]simulasipengukuranGambar 5: kebisingan karakterisasi titik-titik yang dipilih, di mana model dinamis diberi makan oleh 2 jam-data.

Halaman 15III.3 Estimasi deskriptor tertentu dari data kasarModel dinamis ditunjukkan relevan dalam III.2 untuk menilai dinamika kebisingan di koridor perkotaandiatur oleh sinyal lalu lintas. Namun, model itu makan dengan data rinci yang tidak mudahmengumpulkan dalam praktek. Ketangguhan dari model estimasi kebisingan dinamis harus diuji dengandata agregat untuk memvalidasi penggunaan praktisnya. Oleh karena itu set yang sama deskriptor seperti pada sebelumnyaBagian diperkirakan tetapi dengan input data dikumpulkan pada 2 jam seluruh periode (laju aliran,mengubah proporsi dan frekuensi bus), karena akan dilakukan dalam praktek. Laju aliran evolusi selamaeksperimen diberikan pada Gambar 6: nilai-nilai aliran kadang-kadang dapat bervariasi tiba-tiba dari satu siklus kelain, tetapi tetap konstan rata-rata selama dua jam.0204060

8010012060080010001200140016001800laju aliran evolusi pada Lafayette Courst (mn)Q(Kend / jam)laju aliran per siklusaliran tarif per jamGambar 6: laju aliran evolusi pada Lafayette Cours selama eksperimentasi (15.30 h untuk 17.30h)Kebisingan suara estimasi distribusi dan rata-rata pola digambarkan pada Gambar 5. DESKRIPSIestimasi diberikan di Tab 2. Secara global, 2 jam-dataset memberikan estimasi yang sangat mirip sebagai siklusdatabase. Karakteristik utama dari dinamika kebisingan dapat masih disimpulkan dari hasil yang diberikan olehmodel. Distribusi Kebisingan tetap tepatnya diperkirakan pada lima poin. Mereka mengungkapkan untuk setiaptitik dua mode dilihat di bagian sebelumnya, yang diperkirakan dengan kesalahan di bawah 2 dB (A), lihatL 'gdan L 'restimasi. Selain itu, statistik deskriptor estimasi tidak memburuk: error di bawah3 dB (A) kecuali untuk L1estimasi pada P1. Namun, tingkat kebisingan tampak sedikit meremehkan pada akhirjaringan (P3, P4dan P

5): Lihat LAeqatau L50meremehkan pada P4.Selanjutnya, berarti pola kebisingan masih menyorot pergantian antara hijau dan merahfase, yang tercermin oleh L 'gdan L 'r. Namun, bentuk pola kebisingan rata-rata adalah sedikitterdistorsi pada P1: Tingkat rendah dari pola yang diremehkan. Hal ini karena laju aliran rendah padategak lurus jalan (sekitar 1 kendaraan per siklus). Banyak siklus benar-benar menunjukkan tidak ada kendaraan, yang memberikantingkat rendah ketika sinyal lalu lintas berwarna merah; fenomena ini direproduksi saat bekerja dengan data siklus.

Halaman 16Sebaliknya, 2 jam-data memberikan satu kendaraan pada setiap siklus, yang membuat tingkat merah relatif tinggi.Model ini dapat ditingkatkan dengan mempertimbangkan distribusi untuk kedatangan kendaraan pada jaringan.Akhirnya, estimasi sekitar variasi pola kebisingan rata-rata tidak memburuk dengan 2 jamDataset: L5/cycledan L95/cyclediperkirakan dengan kesalahan di bawah 3 dB (A) untuk lima poin.Oleh karena itu model bukan sensitif mengalir variasi tingkat di skala siklus lalu lintas: masih menangkapkebisingan dinamika selama laju aliran per jam diketahui. Yang besar akurasi dengan 2 jam-data memungkinkanyang praktis digunakan untuk estimasi kebisingan lalu lintas perkotaan.IVDiscussionTiga representasi lalu lintas telah diuji dalam makalah ini untuk estimasi kebisingan lalu lintas perkotaan: (i)representasi statis kasar yang hanya mempertimbangkan berarti kecepatan dan laju aliran, (ii) statis halus

representasi berdasarkan pola kendaraan kinematika rata-rata yang bervariasi apakah sinyal lalu lintashijau atau merah, (iii) representasi dinamis, yang bertujuan untuk mereproduksi setiap lintasan kendaraan padajaringan. Representasi dibandingkan dengan on-field data dalam rangka untuk mempelajari kemampuan mereka untuk secara tepatmemperkirakan deskriptor kebisingan. Situs eksperimental adalah cara satu tiga jalur arteri. Lalu lintaspengukuran terdiri dari penghitungan kendaraan dan rekaman gerakan pada setiap persimpangan untuk setiaplalu lintas sinyal siklus. Pengukuran akustik adalah LAeq, 1sevolusi pada 5 poin yang menggambarkan lalu lintas saat inisituasi: dekat dengan sinyal lalu lintas, dekat dengan stasiun bus, dan antara dua sinyal lalu lintas berturut-turut.Hukum emisi kebisingan dan perhitungan propagasi suara yang dijaga konstan untuk memastikanperbandingan.Representasi statis kasar dapat diterima untuk LAeqestimasi jika dB 3 (A) berarti kesalahan adalahditerima. Representasi ini overestimates tingkat kebisingan, karena didasarkan pada estimasi kasarkendaraan berarti kecepatan. Estimasi dengan mudah dapat disempurnakan dengan mempertimbangkan percepatan dan perlambatanzona, dan fase hijau dan merah yang membedakan dalam pola kinematika. Kesalahan di LAeqperkiraankemudian jatuh sampai 2 dB (A). Oleh karena itu, representasi ini dapat cukup di sebagian besar kasus. Namun, gagal dalamdengan mempertimbangkan pengaruh akun arus lalu lintas tertentu, seperti gangguan aliran yang disebabkan oleh injeksi kendaraandari jalan-jalan tegak lurus atau dengan koordinasi lampu lalu lintas. Perbaikan akhir terdiri dalam mempertimbangkan sebuahlalu lintas dinamis model, yang mereproduksi interaksi kendaraan pada jaringan. Hal ini menjamin LAeqestimasi dengan kesalahan di bawah 1 dB (A) pada setiap titik di sepanjang jaringan, apalagi ini adalah satu-satunyametode yang tersedia untuk memperkirakan deskriptor tertentu, karena output dari model tersebut adalah LAeq, 1sevolusi.

LAeq, 1sdistribusi dan berarti pola suara (yaitu pola yang berulang rata-rata pada setiaplalu lintas sinyal) telah dihitung dengan representasi lalu lintas dinamis dari data lalu lintas rata-ratapada setiap siklus. Hasil yang sangat meyakinkan: bentuk distribusi kebisingan, yang menyoroti duamode, sesuai dengan yang diukur. Selain itu, pola rata-rata kebisingan simulasi serupa dengan

Halaman 17yang diamati, dan tingkat karakteristik pola-pola (hijau dan merah berarti tingkat kebisingan) adalahdiperkirakan efisien, dengan kesalahan di bawah 1 dB (A) untuk sebagian besar poin. Oleh karena itu, kebisingan dinamikabersama jaringan dapat tercermin dengan jelas oleh model. Perhatikan bahwa masa perbaikan untukestimasi dinamis yang menunjuk dengan penelitian: kebisingan estimasi tingkat maksimum dapat disempurnakandengan memperbaiki hukum kebisingan emisi untuk bus dan membedakan kendaraan paling berisik; tingkat kebisinganestimasi selama fase merah dapat disempurnakan dengan mempertimbangkan distribusi jumlah kedatangan kendaraan.Akhirnya, model kebisingan dinamis estimasi tampak masih konsisten bahkan jika model diumpankandengan data rata-rata pada 2 jam-titik. Perhatikan bahwa hasil didasarkan pada percobaan di mana alirantarif tetap hampir konstan dengan waktu. Kemampuan model untuk menilai dampak kebisingan dariperiode padat akan miliki sekarang akan diuji. Jika ketahanan yang dikonfirmasi, model ini dapat digunakanuntuk aplikasi praktis. Ini akan berguna untuk justru menilai dinamika kebisingan lalu lintas perkotaan.Dampak dari dinamika pada persepsi suara manusia akhirnya harus diselidiki, untuk mengusulkanglobal yang alat yang sangat meningkatkan kebisingan penilaian dampak kebijakan manajemen lalu lintas perkotaan.V Ucapan Terima KasihPara penulis mengucapkan terima kasih kepada Estelle Chevallier untuk membaca hati nya tulisan ini dan diaterkait komentar. Data yang digunakan dalam makalah ini telah dikumpulkan untuk Transportasi PerancisProgram Predit proyek bernama'' Perkotaan kebisingan estimasi dinamis: kasus'' studi nyata, sebagian didanai oleh

ADEME'' Lingkungan Perancis dan Badan Energi Manajemen''. Penelitian ini juga sebagian didanaioleh daerah Rhône-Alpes.VIReferences[1] Ellebjerg, L. dan Bendtsen H. Kemungkinan pengurangan kebisingan melalui arus lalu lintas jalanmanajemen. di Inter-kebisingan. 2007. Istanbul. 9p.[2] Bendtsen, H., Haberl J., Litzka J., Pucher E., Sandberg U. dan Watts Lalu Lintas G.manajemen dan mengurangi kebisingan trotoar - rekomendasi, dan suara tambahanmengurangi tindakan (Denmark Jalan Direktorat, Copenhagen, 2005). 2005: 90p.[3] Rust, A. dan Affenzeller J. Rencana untuk penelitian masa depan eropa untuk mengurangi kebisingan transportasi.di Inter-kebisingan. 2007. Istanbul. 10P.[4] Vancluysen, K. Negara seni pada kebijakan pengurangan kebisingan dan alat-alat di kota-kota, kebisinganpengurangan prioritas dan teknologi yang diperlukan. WP I.1 Perkotaan Skenario dan PrioritasMengatur. 58p.

Halaman 18[5] Desarnaulds, V., Monay G. dan Carvalho A. pengurangan kebisingan oleh lalu lintas perkotaanmanajemen. di Journées d', Automne 2004 Société d'Acoustique Suisse. 2004. Jona. 4p.[6] Ellebjerg, L. Efektifitas dan manfaat dari tindakan arus lalu lintas pada kontrol kebisingan(Denmark Jalan direktorat, Copenhagen, 2007). Diam proyek. WP H.1 Metode untukKebisingan Pengendalian oleh Manajemen Lalu Lintas, 2007. 50p.[7] Komisi Eropa. Pengaruh kecepatan pada kebisingan, getaran dan emisi darikendaraan, Eropa komisi, Editor. 1998. 80p.[8] Ellenberg, M. dan Bedeaux J.-F. "Menenangkan gelombang untuk keselamatan. Sebuah waktu untuk memikirkan kembali hijaugelombang "Lalu Lintas Teknologi Internasional, 1999 April / Mei 1999:. p 55-58..[9] Kliucininkas, L. dan Saliunas D. pemetaan Kebisingan untuk pengelolaan lalu lintas perkotaanarus. ISSN 1392-1207. Mechanika. 2006. Nr.3 (59), 2006.[10] Thorsson, PJ dan Ögren pemodelan M. Makroskopik dari kebisingan lalu lintas perkotaan - pengaruhpenyerapan dan distribusi kendaraan aliran. Terapan Akustik, 2005. 66: hal. 195-209.[11] Nilsson, NA dan Stenman A. Menciptakan zona kota yang tenang dengan biaya kebisingan dan tenang

kendaraan. Bagian dua: kebisingan efek reduksi. di Inter-noise 2007. 2007. istanbul. 10 hal.[12] Bazaras, J., J. dan Jablonskyte Jotauniene Interdependance E. kebisingan dan arus lalu lintas.Transportasi, 2008. 23 (1): p. 67-72.[13] Barrigon Morillas JM dkk. Evaluasi kebisingan perkotaan di kota Cáceres (Spanyol) dengandua metode yang berbeda. di Kongres Internasional ke-19 pada Akustik, Madrid, 2-7September 2007. 2007. 6p.[14] CERTU. Review jalan Perancis dan model kebisingan kereta api prediksi (di perancis:« Catalogue des logiciels de calcul du bruit des infrastructures routières et ferroviaires,un aperçu du marché français »). Centre d'études sur les réseaux, les transports,l'urbanisme et les constructions publiques. 2002. 47p.[15] Steele, C. A critical review of some traffic noise prediction models. Applied Acoustics,2001. 62: p. 271-287.[16] Tajika, T., Tachibana H., Yamamoto K. and Oshino Y. Road traffic noise predictionwith the consideration of the relation between traffic volume and vehicle speed. diInternoise. 2000. Nice, France.[17] Makarewicz, R., Fujimoto M. and Kokowski P. A model of interrupted road traffickebisingan. Applied Acoustics, 1999. 57: p. 129-137.[18] De Coensel, B., Botteldoren D., Vanhove F. and Logghen S. Microsimulation BasedCorrections on the Road Traffic Noise Emission near Intersections. Acta acustica unitedwith acustica, 2007. 93: p. 241-252.

Halaman 19[19] Picaut, J., Bérengier M. and Rousseau E. Noise impact modelling of a roundabout. diInter-noise. 2005. Rio de Janeiro, Brésil.[20] Can, A., Leclercq L., Lelong J. et Defrance J. Descriptors for urban traffic noisedynamic characterization (in French), LICIT, Editor. 2007b. 93p.[21] Nelson, P., Transportation noise. Reference book. 1987: Butterworth. 520 p.[22] Can, A., Leclercq, L., Lelong, J. and Defrance, J. Capturing urban traffic noisedynamics through relevant descriptors. Applied Acoustics, 69 : p.1270-1280. 2008.[23] De Coensel, B., De muer T., Yperman I. and Botteldoren D. The influence of trafficflow dynamics on urban soundscape. Applied Acoustics, 2005. 66: p. 175-194.

[24] Leclercq L., Can A., Crepeaux P., Defrance J., Fournier M., Lelong J., Miege B.,Minaudier C., Olny X. and Vincent B., Dynamic prediction of urban traffic noise: a realcase study (in French : « Estimation dynamique du bruit de circulation en milieu urbain: étude d'un cas réel »). Rapport INRETS/LICIT N°0703. 2008. 65p.[25] Leclercq, L. A traffic flow model for dynamic estimation of noise. 2002: Phd report.317 p. (in french).[26] Rotranomo.Terakhirkonferensipada28.09.2005[online].2005,http://www.rotranomo.com/.[27] Oshino, Y., Tsukui K., Hanabusa H., Bhaskar A., Chung E. and Kuwahara M. Study onroad traffic noise prediction model taking into account the citywide road network. diInter-noise. 2007. Istanbul. 8p.[28] IMAGINE. Review of the suitability of traffic models for noise modelling - WP2 :demand and traffic flow modelling. 2004: Project funded by the CE under the sixthframework programme. 132p.[29] IMAGINE. Collection methods for additional data. 2006, Project funded by the CEunder the sixth framework programme.[30] Can, A., Leclercq, L. and Lelong, J. Dynamic estimation of urban traffic noise:influence of traffic and noise source representations. Applied Acoustics, 69: p.858-867,2008.[31] Can, A., Leclercq, L. and Lelong, J. Selecting noise source and traffic representationsthat capture urban traffic noise dynamics. Dikirimkan untuk publikasi.[32] Leclercq, L. Bounded acceleration closed to fixed and moving bottlenecks.Transportation Research Part B, 2007. 41(3): p. 309-319.

Halaman 20[33] Leclercq, L., Chanut S. and Lesort J.-B. Moving bottlenecks in Lighthill-Whitham-

Richards Model: A unified theory. Transportation Research Record: Journal of theTransportation Research Board, 2004. 1883: p. 3-13.[34] Laval, J. and Leclercq L. Microscopic modeling of the relaxation phenomenon using amacroscopic lane-changing model. Transportation Research Part B, 2008; 42(6): p. 512-522.[35] Besnard F., Berengier M., Doisy S., Fürst N., Hamet JF, Lelong J. and Pallas MAVehicle noise emission guide (in French, « Guide méthodologique, Emission sonore desvéhicules »), Paris, SETRA, 2009.[36] Besnard F., Berengier M., Doisy S., Fürst N., Hamet JF, Lelong J. and Pallas MAThe procedure for updating the vehicle noise emissions values of the French "Guide duBruit des transports terrestres". in EAA European Acoustics Association Euronoise.2003. Naples.[37] Hamet, JF, Besnard, F., Doisy, S. and Lelong, J. New vehicle noise emission forFrench traffic noise prediction. Dikirimkan untuk publikasi.[38] Mithra, Manuel technique Mithra 5.0. 2002: 58p.