화재 대피경로 예측 시간 단축을 위한 은닉 상태 없는시계열 신경망
A time-series neural network with no hidden state for shortening fire escape route prediction time
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문은 실내 화재에서 빠른 대피경로 예측을 위한 딥러닝 신경망 모델 설계와 학습 데이터 생성 방법을 제안한다. 기존의LSTM 및 ConvLSTM 기반의 시계열 신경망은 은닉 상태를 전달받아 화재 확산을 예측하기 때문에 빠른 결과를 만들지 못하여 빠른 대피에 단점이 있다. 본 논문에서는 은닉 상태를 사용하지 않고 과거 입력된 데이터만으로 예측 결과를 만들 수 있는 신경망을제안한다. 과거 시점의 입력을 병렬로 연산하여 사용하여 어떤 시점에서도 출력이 결정되기 때문에 빠른 대피경로를 예측할 수 있다. 제안하는 신경망은 TCN과 SEN을 통합하여 시공간적 특징 추출 과정 최적화로 예측 시간 단축을 얻고자 한다. 기존의 LSTM대비 R² 기준으로 약 6.3%, RMSE 기준으로 약 17.7% 향상된 성능을 보이며 10초 이상의 예측 시간을 단축하였다.
Abstract
This paper proposes a deep learning neural network model design and training data generation method for fastevacuation route prediction in indoor fires. Existing LSTM and ConvLSTM-based time series neural networks havea disadvantage in rapid evacuation because they do not produce quick results because they predict the spread offire by receiving a hidden state. In this paper, prediction results can be made only from past input data withoutusing hidden states and a neural network is proposed. Since the output is determined at any point in time bycalculating and using the inputs of the past time points in parallel, a fast evacuation route may be predicted. Theproposed neural network integrates TCN and SEN to obtain shorter prediction time by optimizing thespatiotemporal feature extraction process. Compared to the existing LSTM, it showed an improvement of about6.3% based on R² and about 17.7% based on RMSE, shortening the prediction time of more than 10 seconds.