MMMay, 2018

SONYC：城市噪声污染监测、分析和缓解系统

PDF
TL;DRSounds of New York City (SONYC) 项目是面向城市噪声污染监测、分析和减轻的智能城市项目，它采用低成本、低功耗的技术和先进的机器听取技术来制定城市的全面声学模型，利用大数据解决方案来分析、检索和可视化来自传感器和公民的信息，并在城市局等机构的支持下优化噪声污染的减缓。
sounds of new york cityurban noise pollutionmachine listeningbig datacitizen science
发现论文，激发创造
  • 主动噪声控制便携设备设计

    通过使用一个感应器检测噪音、采用电子控制系统处理噪音并产生相反相位频率信号来对抗干扰，再通过扬声器播放处理后的较小噪音，这个智能噪音减震系统可以消除甚至低频噪音。该系统还集成了睡眠追踪和音乐播放器应用，能够通过 Wi-Fi 或蓝牙轻松传输数据并通过其 APP 进行控制。该项目将提出上述技术的模型，可在各种环境中用于防止噪声污染，并为那些难以找到安静环境来睡觉、工作或学习的人们提供解决方案。

    Nov, 2023

  • 社区赋能空气质量监测系统

    通过开发信息技术来民主化科学知识以及支持公民赋权是一项具有挑战性的任务。我们与社区合作开发了一个空气质量监测系统，整合了异构数据。通过使用动画烟雾图像、空气质量数据、众包气味报告和风数据，系统提供了强有力的科学证据。研究表明，该系统提供的科学知识鼓励了与监管机构进行对抗性讨论，赋予了该社区支持政策制定的权力，并重新平衡了利益相关者之间的权力关系。

    Apr, 2018

  • 一种使用生成对抗网络进行城市交通噪声快速绘制的方法

    利用生成对抗网络作为替代模型，我们开发了一种快速城市交通噪声地图绘制技术，使城市设计师和规划者能够轻松地预测设计所引起的声学影响的变化。

    May, 2024

  • 基于物联网的空气质量监测系统结合机器学习实现精准实时数据分析

    本文提出了开发一种可在任何地方使用的便携式空气质量检测设备，该设备使用 MQ135 和 MQ3 两个传感器检测有害气体并以每百万为单位测量空气质量，同时通过 ThinkSpeak 云平台存储和可视化数据，并进行机器学习分析。

    Jul, 2023

  • 城市空气污染的状态估计：统计、物理和超学习图模型

    实时重建城市空气污染地图的问题，通过在城市图上提出不同的重建方法，包括完全数据驱动、物理驱动或混合驱动，并结合超级学习模型，本研究在法国巴黎市中心测试了方法的性能。

    Feb, 2024

  • 使用 Wigner-Wille 分布和卷积神经网络进行音频分类

    本文研究了声音传感器数据在城市环境中的利用潜力，提出了使用 Wigner-Ville 分布和卷积神经网络对声音数据进行分类的新方法，并在开源数据集上进行了性能测试。

    Nov, 2022

  • LearningCity: 智慧城市的知识生成

    通过利用自动和众包方式支持的异常检测和数据注释，在智慧城市部署和实验 - as-a-service 生态系统中验证 LearningCity 解决方案，以结合大规模智慧城市数据和机器学习，为智慧城市的消费者提供简化数据利用的方法

    Apr, 2021

  • 利用深度学习在瓦伦西亚市建立实时交通警报

    该研究分析了城市交通通量与污染之间的相关性，并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量，使用每 10 分钟更新的交通数据和长短期记忆（LSTM）神经网络进行预测。

    Sep, 2023

  • 城市声音传播：复杂物理系统一步生成建模基准

    通过数据驱动的建模来评估物理系统中的复杂性，通过一步式生成学习模型在模拟中实现加速，提出基于城市声音传播的新型评估基准，提供包含 100k 样本的数据集，通过四个具有不同复杂度的模拟任务进行评估。

    Mar, 2024

  • 利用用户生成的在线照片估算和监测主要城市的空气污染

    该研究提出采用计算机视觉技术分析社交媒体上的照片来监测中国主要城市的空气质量，并与官方 PM 2.5 记录进行相关性分析，研究表明该基于图像的方法具有预测和监测空气污染的潜力。

    Aug, 2015