Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Where the Streets Have Known Names Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Environmental Noise Sensing Approach Based on Volunteered Geographic Information and Spatio-Temporal Analysis with Machine Learning

verfasst von : Miguel Torres-Ruiz, Juan H. Juárez-Hipólito, Miltiadis Demetrios Lytras, Marco Moreno-Ibarra

Erschienen in: Computational Science and Its Applications -- ICCSA 2016

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper a methodology for analyzing the behavior of the environmental noise pollution is proposed. It consists of a mobile application called ‘NoiseMonitor’, which senses the environmental noise with the microphone sensor available in the mobile device. The georeferenced noise data constitute Volunteered Geographic Information that compose a large geospatial database of urban information of the Mexico City. In addition, a Web-GIS is proposed in order to make spatio-temporal analysis based on a prediction model, applying Machine Learning techniques to generate acoustic noise mapping with contextual information.According to the obtained results, a comparison between support vector machines and artificial neural networks were performed in order to evaluate the model and the behavior of the sensed data.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Industrial Areas and the City. Equalization and Compensation in a Value-Oriented Allocation Pattern
Nächstes Kapitel A Knowledge-Based Approach for the Implementation of a SDSS in the Partenio Regional Park (Italy)
Literatur
1.
Leuenberger, M., Kanevski, M.: Extreme learning machines for spatial environmental data. Comput. Geosci. 85, 64–73 (2015)CrossRef
2.
Nil, J.: Managing data ood is industry challenge (2005)
3.
Al-Jarrah, O.Y., Yoo, P.D., Muhaidat, S., Karagiannidis, G.K., Taha, K.: Efficient machine learning for big data: a review. Big Data Res. 2(3), 87–93 (2015)CrossRef
4.
Rathore, M.M., Ahmad, A., Paul, A., Rho, S.: Urban planning and building smart cities based on the internet of things using big data analytics. Comput. Netw. 101, 63–80 (2016)CrossRef
5.
Torres-Ruiz, M., Lytras, M.D.: Urban computing and smart cities applications for the knowledge society. Int. J. Know. Soc. Res. 7(1), 113–119 (2016)CrossRef
6.
Sekimoto, Y., Shibasaki, R., Kanasugi, H., Usui, T., Shimazaki, Y.: Pflow: reconstructing people flow recycling large-scale social survey data. IEEE Pervasive Comput. 4, 27–35 (2011)CrossRef
7.
Zheng, Y., Capra, L., Wolfson, O., Yang, H.: Urban computing: concepts, methodologies, and applications. ACM Trans. Intell. Syst. Technol. 5(3), 38–96 (2014)
8.
Liu, T., Zheng, Y., Liu, L., Liu, Y., Zhu, Y.: Methods for sensing urban noises. Technical report. MSR-TR-2014–66 (2014)
9.
Bulter, D.: Noise management: sound and vision. Nature 5, 280–481 (2004)
10.
Wang, Y., Zheng, Y., Liu, T.: A noise map of New York City. In: Proceedings of the ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct Publication, pp. 275–278. ACM (2014)
11.
Ross, Z., Kheirbek, I., Clougherty, J.E., Ito, K., Matte, T., Markowitz, S., Eisl, H.: Noise, air pollutants and traffic: continuous measurement and correlation at a high-traffic location in New York City. Environ. Res. 111, 1054–1063 (2011)CrossRef
12.
Martí, I.G., Rodríguez, L.E., Benedito, M., Trilles, S., Beltrán, A., Díaz, L., Huerta, J.: Mobile application for noise pollution monitoring through gamification techniques. In: Herrlich, M., Malaka, R., Masuch, M. (eds.) ICEC 2012. LNCS, vol. 7522, pp. 562–571. Springer, Heidelberg (2012)CrossRef
13.
Torija, A.J., Ruiz, D.P.: A general procedure to generate models for urban environmental-noise pollution using feature selection and machine learning methods. Sci. Total Environ. 505, 680–693 (2015)CrossRef
14.
Zuo, F., Li, Y., Johnson, S., Johnson, J., Varughese, S., Copes, R., Liu, F., Wu, H.J., Hou, R., Chen, H.: Temporal and spatial variability of traffic-related noise in the City of Toronto. Can. Sci. Total Environ. 472, 1100–1107 (2014)CrossRef
15.
D’Hondt, E., Stevens, M., Jacobs, A.: Participatory noise mapping works! an evaluation of participatory sensing as an alternative to standard techniques for environmental monitoring. Pervasive Mob. Comput. 9(5), 681–694 (2013)CrossRef
Metadaten
Titel
Environmental Noise Sensing Approach Based on Volunteered Geographic Information and Spatio-Temporal Analysis with Machine Learning
verfasst von
Miguel Torres-Ruiz
Juan H. Juárez-Hipólito
Miltiadis Demetrios Lytras
Marco Moreno-Ibarra
Copyright-Jahr
2016
Buch
Computational Science and Its Applications -- ICCSA 2016

Print ISBN: 978-3-319-42088-2

Electronic ISBN: 978-3-319-42089-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-42089-9_7

Premium Partner

    Bildnachweise