Rekurrentes trendprädiktives neuronales Netzwerk für die Mehrsensordetektion von Bränden

Wir stellen ein rekurrentes Trendvorhersage-Neuronales Netzwerk (rTPNN) für die Mehrsensordetektion von Bränden vor, das sowohl Trend- als auch Niveauprädiktion sowie die Fusion von Sensordaten basierend auf zeitlichen Trends nutzt. Das rTPNN-Modell unterscheidet sich deutlich von bestehenden Ansätzen durch die in seiner Architektur implementierte rekurrente Verarbeitung von Sensordaten. Das rTPNN führt sowohl Trend- als auch Niveauprädiktion für die Zeitreihen jedes einzelnen Sensordatenstroms durch und erfasst dabei Trends in multivariaten Zeitreihendaten, die von einem Mehrsensordetektor erzeugt werden. Wir vergleichen die Leistungsfähigkeit des rTPNN-Modells mit der von Lineare Regression (LR), Nichtlinearem Perzeptron (NP), Mehrschicht-Perzeptron (MLP), Kendall-τ kombiniert mit MLP, Probabilistischem Bayes-Neuronalem Netzwerk (PBNN), Long-Short Term Memory (LSTM) sowie Support Vector Machine (SVM) anhand eines öffentlich verfügbaren Brandedatensatzes. Unsere Ergebnisse zeigen, dass das rTPNN-Modell alle anderen Modelle signifikant übertrifft (mit einer Genauigkeit von 96 %), wobei es das einzige Modell ist, das gleichzeitig hohe Werte für True Positive und True Negative (beide über 92 %) erreicht. Zudem löst das rTPNN innerhalb von nur 11 Sekunden nach Beginn des Brandes eine Alarmmeldung aus, während das zweitbeste Modell eine Reaktionszeit von 22 Sekunden benötigt. Darüber hinaus zeigen wir, dass die Ausführungszeit des rTPNN für Anwendungen in Echtzeit akzeptabel ist.