航空业的持续快速增长、机场的扩张、飞行路线的增加以及空中交通量的上升，使得机场周围的噪声问题日益突出（Gössling和Humpe，2020；Zafari等人，2025）。特别是随着城市化进程的加快，大中型城市不断扩张，越来越多的居民区靠近机场，进一步加剧了航空噪声的严重性。作为机场周围主要的环境噪声来源，航空噪声对附近居民的生活、健康和教育产生了显著影响（Banks和O'Rourke，2025；Topriceanu等人，2024）。政府、行业组织和社会各界越来越关注航空噪声污染的控制（Lefèvre等人，2020）。迫切需要利用技术手段来估计机场周围的噪声水平，为准确评估航空噪声对周围环境的影响范围和程度提供数据支持，从而为控制航空噪声污染提供依据。
获取机场周围航空噪声有两种方法。一种是在监测点安装噪声传感器以实时获取噪声值（Gasco等人，2017；Maijala等人，2018）。Liu等人（2025）提出了一种基于物联网的噪声感知和监测方法，他们在机场附近部署了30个噪声监测站，整合了噪声、气象数据和自动相关监视-广播（ADS-B）数据，实现了噪声的时空跟踪。另一种是从建模算法的角度出发，考虑航空噪声的影响因素和传播过程来估计噪声值（Covrig和Heyes，2022；Jackson等人，2021）。Pellerito等人（2025）开发了一个分析框架，基于发动机性能和飞行轨迹建模来评估混合翼体飞机的噪声源和社区噪声轮廓。通过整合发动机和机体噪声，该研究分析了在不同设计和运行条件下的噪声变化。
第一种方法获得的噪声值相对准确。然而，其缺点是需要安装大量传感器，导致初始成本和维护费用较高。此外，设备安装受到通信和电源等条件的限制，安装不便。第二种方法采用计算而非测量的方法来估计机场航空噪声。这种方法要么无需安装噪声传感器，要么只需要有限的传感器数量，从而避免了高昂的建设和维护成本。它还提供了高灵活性和可扩展性，具有显著的实际价值。本文重点研究这种计算而非测量的方法，构建了一个具有高精度和泛化能力的噪声估计模型，以实现机场周围航空噪声的精确估计。
现有的航空噪声估计模型可以分为两类：物理模型和机器学习模型（Kapoor等人，2021；Torija等人，2018）。物理模型基于飞机动力学和声学，建立了飞机运动、噪声产生和大气传播之间的复杂关系（Torija等人，2017；Wu等人，2024）。Guo等人（2025）提出了一种基于欧洲民航会议（ECAC）的创新模型，即Copula-ECAC模型，该模型利用copula函数捕捉和模拟不同推力系数之间的动态相互作用，并使用机场数据验证了其可靠性。这些模型在泛化能力方面具有一定优势，因为它们可以适应各种机场环境。然而，这些模型的准确性取决于噪声影响参数的精度，且没有考虑不同时间点的噪声水平之间的关系，这在一定程度上限制了它们的估计精度。
相比之下，机器学习模型依赖于大量的历史数据集进行训练，具有更高的估计精度（Alonso等人，2023）。特别是为特定机场定制的模型可以显著提高估计精度，并消除了构建复杂物理模拟环境的需要。Wu和Redonnet（2024）利用来自70多次飞行操作的地面噪声记录，基于线性回归开发了一个噪声烦恼预测模型，并验证了该方法在航空运行噪声评估中的有效性。然而，尽管现有的机器学习模型具有一定的非线性建模能力，但它们尚未考虑噪声序列中的双向时间依赖性，也没有有效结合物理模型的先验知识，这限制了它们的估计精度和泛化能力。
飞机噪声水平受到多个因素在多个维度上的复杂相互作用的影响（Feng等人，2023；Tremper等人，2022）。具体来说，飞机性能（如校准的空速、推力）、飞行轨迹（如斜距、高度）和外部气象条件（如压力、温度）以非线性方式影响噪声强度。此外，飞机在起飞和降落过程中，其位置、方向和与监测点的距离的动态变化导致噪声呈现时变模式，先增加、达到峰值，然后逐渐减少。此外，声音传播受到时间延迟效应的影响，因为在监测点观察到的噪声源自飞机早期发出的声波。因此，当前的噪声水平与飞机的过去状态和环境条件密切相关。
这些特点给飞机噪声建模带来了多重挑战。首先，噪声传播的时间延迟以及飞机性能、轨迹和气象因素的时间耦合，使得传统的静态或浅层时间模型难以准确捕捉复杂的动态关系。其次，原始数据通常具有高维结构，这不仅增加了计算复杂性，还引入了噪声和异常值，从而影响了模型的稳定性和预测精度。此外，现有的数据驱动方法往往忽略了噪声估计中的已建立物理知识，缺乏基于声学传播原理的有效约束，这限制了它们的泛化能力。为了有效应对这些挑战，模型设计必须整合深度特征提取、时间依赖性建模和物理先验的策略。
为了解决这些挑战，本研究提出了一种混合模型，该模型结合了深度降维、基于自注意力的编码器-解码器架构和物理先验知识，称为SAM-EDM。在特征处理阶段，使用深度自编码器（DAE）降低原始输入特征的维度，提取低维且稳健的表示，同时有效消除冗余和异常值。在时间建模阶段，编码器结合双向长短期记忆（Bi-LSTM）网络对降维后的时间信号中的双向依赖性进行编码。解码器基于门控循环单元（GRU）架构，并结合自注意力机制，使模型能够适应不同时间步长中时间依赖性强度的变化。为了进一步整合物理知识，引入了基于ECAC标准物理模型的噪声估计作为辅助输入。这些估计值与自注意力模块提取的特征连接后通过全连接层传递到GRU单元，从而实现了数据驱动学习和物理先验之间的有效融合。GRU的门控机制有助于建模噪声信号中的固有长期依赖性和短期波动。最后，使用全连接层生成高精度的噪声预测。
本研究的主要贡献总结如下：
(1)提出了一种用于飞机噪声估计的编码器-解码器框架，能够学习将噪声影响因素映射到噪声水平的潜在表示，从而提高对未见操作条件的泛化能力。
(2)考虑了十四个噪声影响因素，包括飞机性能、飞行轨迹和气象信息。引入深度自编码器提取紧凑且稳健的特征表示，有效减少冗余并减轻异常值的影响。
(3)使用Bi-LSTM对噪声影响因素序列进行编码，从而更有效地捕捉这些因素之间的双向时间相关性。
(4)构建了一个结合自注意力机制和物理先验知识的GRU解码器。该模型在时间步长之间自适应地分配注意力权重，并根据物理知识约束状态更新，从而提高预测精度和泛化性能。
本文的其余部分组织如下。第2节回顾了航空噪声估计的相关工作。第3节介绍了SAM-EDM模型的架构，并详细阐述了每个模块的原理。第4节通过案例研究验证了所提出的方法，并比较了不同估计模型的性能。最后，第5节总结了本文并指出了未来的研究方向。
