以下是基于文献内容生成的综合性总结报告：

作者及发表信息

本文的主要作者包括Jérémy Renaud、Ralph Karam、Michel Salomon和Raphaël Couturier，他们隶属于Institut FEMTO-ST, UMR 6174 CNRS, Université de Franche-Comté（法国贝尔福）。该研究发表于《Expert Systems with Applications》的第218卷（2023年），具体文章编号为119568。发表时间为2023年1月，文章完整版本可在ScienceDirect平台查阅，DOI为https://doi.org/10.1016/j.eswa.2023.119568。

研究背景与动机

本研究属于人工智能（Artificial Intelligence）和物联网（Internet of Things, IoT）应用领域，侧重研究智慧城市中的城市环境噪声监测。随着物联网技术的快速发展，智慧城市概念逐渐成熟，其目标是通过部署传感器网络和智能化基建，提升城市居民的生活质量。然而，城市噪声污染作为一个日益严重的环境问题，直接影响居民健康，但目前其长期及短期预测能力尚显不足。此外，智能城市系统面临数据安全和网络攻击（如假数据注入攻击，False Data Injection Attack, FDIA）的威胁，如何通过人工智能方法进行异常数据检测成为一个重要课题。

本研究基于上述背景，尝试结合深度学习（Deep Learning）及梯度提升（Gradient Boosting）技术，对城市噪声进行长期预测，并评估其在异常检测中的应用潜力，从而为智慧城市的可持续发展提供支持。

研究流程

数据采集与预处理

研究数据来源于一家名为Flowbird的公司，该公司是全球领先的路边停车解决方案供应商。本研究的噪声数据由Flowbird提供，数据通过其部署在英国西米德兰兹郡Solihull郊区Shirley的“Park&Breathe”多传感器停车终端收集。传感器记录了某条主干道路的噪声水平，共包含三台终端，其部署位置靠近Stratford Road，每台终端覆盖15分钟的噪声信号，时间跨度为2019年5月至2020年1月。

噪声数据以柱状图形式提供，每行代表某段时间内的不同噪声级别及其出现的次数。为了便于分析，研究将15分钟内的噪声数据按两种方法进行平均值计算并转为每小时级别，总样本量为19443。

机器学习模型与方法

研究比较了多种机器学习方法在噪声预测中的表现，包括：

1. Stacked-LSTM
   利用两层长短期记忆网络（LSTM），第一层含有150单元，第二层含有100单元，最后为一线性输出层，适合时间序列预测。

2. CNN-LSTM
   结合卷积神经网络（CNN）和LSTM模型，通过卷积层提取特征后输入LSTM，能够更有效地处理噪声时间序列。

3. Transformer
   使用基于自注意力机制（Self-Attention）的Transformer架构，测试多头注意力（Multi-Head Attention）在噪声预测中的效果。

4. Temporal Fusion Transformer (TFT)
   针对时间序列多步预测而设计的增强型Transformer，能捕获短期和长期依赖关系，并具有解释性。

5. LightGBM（梯度提升模型）
   使用由微软开发的开源工具LightGBM，作为基于决策树的传统机器学习算法代表，适合预测任务。

研究针对每种模型进行超参数优化（包括训练轮数、LSTM单元数量、学习率、Look-back窗口等），同时评估模型在不同场景和终端间的迁移预测能力。

主要实验结果

噪声预测性能

单一终端预测

在测试集上的预测显示，Stacked-LSTM和CNN-LSTM模型表现优异。其中，CNN-LSTM在训练轮数较多时表现更佳。LightGBM以较少训练时间达到了接近深度学习模型的预测精度，且训练RMSE更小。

多终端预测迁移能力

将模型在一个终端数据上进行训练并迁移到其他终端，结果发现终端距离及相似性显著影响迁移预测性能。CNN-LSTM在多终端同步训练下表现更加鲁棒，预测误差有所降低。

多天预报

采用最佳模型（CNN-LSTM和LightGBM）进行长达6天的预测，模型能够捕捉噪声水平的日周期模式，预测趋势与实际数据吻合良好。

异常检测

研究模拟了两类假数据注入攻击：

1. 瞬态攻击（Punctual Attack）
   通过随机添加/减去5-10 dB噪声，注入异常值。实验使用CNN-LSTM预测模型检测这些异常点，通过简单的误差阈值法（误差超过±5 dB）成功检测所有大幅异常。

2. 渐变攻击（Gradual Attack）
   噪声水平随时间逐步增加以强化隐蔽性（如每小时增加0.135 dB至目标值5 dB）。研究引入了基于预测误差统计特性的检测方法（使用训练集平均误差及三倍标准差作为参考范围），能够检测到最小变化仅为0.023 dB的渐变攻击。

这些实验结果证明，通过深度学习方法，针对不同攻击模式均能实现有效异常检测。

研究结论与意义

本研究结合深度学习和梯度提升算法，为智慧城市环境噪声监测与预测提出了创新性解决方案。研究得出以下结论：

• 科学价值
  深度学习模型（尤其是CNN-LSTM）的时间序列预测能力和多模式适应性优于传统方法，为噪声监控提供可靠的技术支持。

• 应用价值
  在城市管理方面，通过对噪声污染的长期预测和异常检测，有利于交通及环境治理决策的优化。这一应用具有重要的潜在商业价值，尤其针对数据完整性至关重要的行业，如停车和城市基础设施运维。

• 安全意义
  本研究拓展了智慧城市的网络安全研究，展示了利用人工智能方法进行数据安全防护的重要性。

研究亮点

1. 硬件集成创新
   利用现有的停车终端网络部署多传感器模组，减少了传感节点的安装成本。

2. 方法学新颖性
   提出基于深度学习预测的多种异常检测策略，验证了CNN-LSTM在应对假数据注入攻击中的可靠性。

3. 实验设计兼具实际性与鲁棒性
   使用真实城市噪声数据，验证了方法的适用性和扩展性，同时展示了模型在多站点协作中的价值。

应用展望

未来研究可进一步优化深度学习模型，提升其对更细微变化及更复杂噪声环境的检测能力。结合大规模物联网网络的部署，该方法将为智慧城市的发展提供更多数据支持和安全保障，同时在交通管理、环境保护、公共卫生等领域具有广阔应用前景。