文献

J-GLOBAL ID：202002249805408532   整理番号：20A2797072

都市火災状況予測:時空間動力学による深層シーケンス学習【JST・京大機械翻訳】

Urban Fire Situation Forecasting: Deep sequence learning with spatio-temporal dynamics

著者 (6件)： Jin Guangyin (College of System Engineering, National University of Defense Technology, Changsha, China) ,  Wang Qi (College of System Engineering, National University of Defense Technology, Changsha, China) ,  Zhu Cunchao (College of System Engineering, National University of Defense Technology, Changsha, China) ,  Feng Yanghe (College of System Engineering, National University of Defense Technology, Changsha, China) ,  Huang Jincai (College of System Engineering, National University of Defense Technology, Changsha, China) ,  Hu Xingchen (College of System Engineering, National University of Defense Technology, Changsha, China)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 97  号： PB  ページ： Null  発行年： 2020年 
JST資料番号： W2175A  ISSN： 1568-4946  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 都市火災状況の進化分野の理解は,都市セキュリティと消火決定のための基本的だが挑戦的なタスクである。伝統的方法は,数学的モデリングと統計的学習を通して都市火災状況を予測し,それは解釈できるが,一般的に効率と実用性を欠いている。最近,いくつかの深いニューラルネットワーク方法論,特に畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)が,空間-時間複合現象におけるダイナミクスを捉えるパラダイムとして提示され,それは火災状況予測の特性に正当である。本論文では,火災状況予測ネットワーク(FSFN)として,地域都市火災警報データセットにおける情報と時空間相関をより良く処理するための,新しい深層シーケンス学習モデルを提案した。FSFNモデルは,火災状況の潜在表現を得て,時空力学を学習するために,変分自動エンコーダとコンテキストベースのシーケンス生成モデルSeq2seqの構造を統合する。さらに,著者らは,補助情報(Adversarial FSFN-A)によって,単純な深い配列生成モデルからFSFNのネットワーク構造を,敵対的火災状況予測ネットワークに拡張した。実験的研究は,Adversarial FSFN-Aの有効性が,マルチタイプ都市火災状況の優れた時空分布予測を有することを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 変分法 ,  *学習 ,  学習モデル ,  火災 ,  警報 ,  ネットワーク ,  空気力学 ,  ニューラルネットワーク ,  *都市 ,  消火 ,  符号器 ,  有効性
準シソーラス用語： リカレントニューラルネットワーク ,  生成モデル ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 火災状況予測 ,  情報融合 ,  変分オートエンコーダ ,  シーケンス生成 ,  空間-時間解析

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (8件)： 都市火災 ,  状況 ,  予測 ,  時空間 ,  動力学 ,  深層 ,  シーケンス ,  学習