초록
다중 센서 화재 탐지에 적합한 순환 추세 예측 신경망(rTPNN)을 제안한다. 본 모델은 각 센서 읽기 값의 추세 및 수준 예측을 수행하고, 다중 센서 탐지기에서 생성되는 다변량 시계열 데이터의 추세를 포착함으로써 기존 방법과 차별화된다. rTPNN은 아키텍처 내부에서 순환적 센서 데이터 처리를 활용함으로써 기존 기법들과 본질적으로 다르다. 제안된 rTPNN 모델은 공개된 화재 데이터셋을 대상으로 선형 회귀(LR), 비선형 퍼셉트론(NP), 다층 퍼셉트론(MLP), 켄달-τ와 MLP의 조합, 확률적 베이지안 신경망(PBNN), 장단기 기억(LSTM), 서포트 벡터 머신(SVM)과의 성능을 비교하였다. 실험 결과, rTPNN은 96%의 정확도로 모든 비교 모델을 뛰어넘는 성능을 보였으며, 동시에 높은 참 긍정률과 참 부정률(각각 92% 이상)을 동시에 달성하는 유일한 모델이었다. 또한 화재 발생 직후 11초 만에 경보를 발령하는 데 성공하였으며, 두 번째로 우수한 성능을 보인 모델은 22초 소요되었다. 더불어 rTPNN의 실행 시간이 실시간 응용에 있어 충분히 타당함을 제시한다.