用于野火蔓延建模的循环神经网络架构比较
机器学习
2020-05-28 v1 机器学习
摘要
野火建模旨在复现火行为。通过活跃火分析，可用有限时长的时序数据复现如野火之类的动态过程。循环神经网络（RNNs）因其能记忆内部输入而可建模动态时序行为。本文中，我们比较门控循环单元（GRU）与长短期记忆（LSTM）网络。我们尝试判定野火是否持续燃烧，并在其持续时预测野火将向 8 个基本方向中的哪一个蔓延。总体而言，GRU 在较长时序上表现优于 LSTM。我们已表明，尽管我们在预测野火蔓延方向上尚为合理，但因缺乏辅助数据，无法评估野火是否持续燃烧。
引用
@article{arxiv.2005.13040,
title = {Comparison of Recurrent Neural Network Architectures for Wildfire Spread Modelling},
author = {Rylan Perumal and Terence L van Zyl},
journal= {arXiv preprint arXiv:2005.13040},
year = {2020}
}