摘要： 汽车路噪的分析与治理是NVH（Noise，Vibration And Harshness）工作的重要组成部分。由于路噪的产生机理复杂，建立机理模型较困难，故引入数据驱动方法对路噪进行研究。首先，对路噪影响因素进行剖析，界定出具有显著性的影响因素。在此基础上，运用长短时记忆神经网络算法（LSTM）揭示路噪与其影响因素间的复杂非线性关系，建立路噪预测模型。进而在粗糙沥青路面分别以40 km/h、60 km/h的车速工况采集悬架相关部件振动数据和驾驶员右耳畔噪声数据，以获得样本用于路噪模型的训练和检验。并采用Mixup 数据增强策略合成新的样本，从而使样本量不足状况得到改善。进一步，对LSTM路噪预测模型进行检验与分析，测试结果均方误差为0.076 2，表明预测效果良好，证明所提方法的有效性。同时，将BPNN、SVR与LSTM预测方法进行比较，发现LSTM路噪预测模型精度更高，泛化能力更好，从而证明该方法的优越性。

关键词: 声学, 汽车路噪, 路噪预测, LSTM, 数据增强