1.一种城市交通噪声预测方法，其特征在于，包括以下步骤：S1、在城市道路的观测点测量并记录交通噪声影响因子数据，利用影响因子数据建立交通噪声影响因子数据库，并将影响因子数据进行归一化处理；

S2、确定遗传算法参数，以影响因子的选择与否编码成位串形式产生初始种群；

S3、利用对遗传算法参数的设置完成影响因子组合最优解搜索；

S4、以S3获得的影响因子组合最优解搜索为基础，利用Gamma-Test非线性数据分析方法，以Gamma值最小为标准在校准和测试模型之前选择最佳的影响因子输入，获取最优影响因子组合；

S5、将S4中获取最优影响因子组合，通过M-Test产生一个稳定的渐近线以确定BP神经网络模型训练数据的需求量，以获得给定质量的非线性交通噪声预测模型；

S6、利用Gamma-Test获得的最优影响组合因子构建一个BP神经网络模型，并以S5获得的数据量对BP神经网络模型进行训练，完成城市交通噪音的预测。

2.根据权利要求1所述的一种城市交通噪声预测方法，其特征在于，在S1中，影响因子包括大型车数量及平均速度、中型车数量及平均速度、轿车数量及平均速度、摩托车数量及平均速度、路段长度和宽度、测点周围建筑物高度和测点距中心线距离共12个影响因子。

3.根据权利要求1所述的一种城市交通噪声预测方法，其特征在于，在S1中，数据进行归一化处理具体为设原输入数据为x1、x2、x3…xn，则归一化数据为：其中：yi∈[0.1，0.9]。

4.根据权利要求1所述的一种城市交通噪声预测方法，其特征在于，在S2中，所述遗传算法参数包括种群大小、变异概率、交叉概率和梯度适应度四个参数。

5.根据权利要求1所述的一种城市交通噪声预测方法，其特征在于，在S4中，Gamma-Test具体过程为设给定的交通噪声训练样本数据为：

{x1(i)，…，xm(i)，Leq(i)}＝{(xi，Leqi)|1≤i≤M}其中：xi是输入样本，

Leqi是等效连续声压级，

M为样本个数，

m是输入样本嵌入维数，

xi包含对输出Leqi有预测作用的因子，则输入xi和输出Leqi之间的关系可以分解为：Leqi＝f(x1，…，xm)+r

式中：f是光滑函数，r表示均值为零，方差为Var(r)的噪声随机量。

为计算Var(r)，首先计算输入数据xi与其第k个最邻近点之间的平均距离：式中：1≤i≤M，1≤k≤p

p为邻近点个数，通常取10-50；

xN[i，k]是xi的第k个最近邻点；

对应输出值的平均距离为：

式中：Leqi表示xi对应的输出；

LeqN表示xi的第k个最近邻点的xN[i，k]输出；

对p个点的(δM(k)，γM(k))组合构造一元线性回归模型，用最小二乘法进行拟合：γ＝Aδ+Γ

当δ→0时，γ→Var(r)，与纵轴的截距是统计量Γ值，即Var(r)的近似值；

Gamma-Test提供了连续变量对未知平滑函数可实现建模技术的最佳MSE估计，估计结果对于随后无论使用何种特定技术构建的平滑函数模型都适用，最小值Γ对应输入组合即为最优输入数据组合；

梯度A可为研究系统的复杂性提供有用的信息，同时可以用Vratio标准化结果Γ，Vratio给出模型的Γ值在尺度0和1之间的不变噪声估计，它表达了对于具有有界导数的平滑函数类输出数据的拟合优度，即使用可用输入对给定输出的可预测性；

Vratio定义为：

其中，Vratio表示输出y的方差，若Γ、Vratio值较小，就能建立一个质量较好的平滑模型。

6.根据权利要求5所述的一种城市交通噪声预测方法，其特征在于，随着样本个数M的增大，Vratio和Γ序列值会趋于一个固定值，若M是Vratio和Γ值趋于固定值所需要的输入数据个数，则表明至少需要M个数据才能够构建一个均方差为Γ的模型；

若M值增大，M-Test得到的Vratio和Γ值序列不趋于稳定，这说明模型的输入和输出的噪音太大，有可能漏掉了影响输出结果的某些特征因子或输入因子中包含了对预测无用的特征因子，此时所建立的模型不是光滑的通过M-Test产生一个稳定的渐近线来确定需要多少样本个数M可获得一个给定质量的模型，避免模型在训练阶段MSE小于Var(r)时过度拟合。

7.根据权利要求1所述的一种城市交通噪声预测方法，其特征在于，在S6中，BP神经网络模型共有8个输入神经元、一个包含13个神经元的隐含层和包含一个神经元的输出层构成。