基于Train2Vec的消防培訓(xùn)數(shù)據(jù)分類

董 慧，程 崗，楊立紅，孟 笛，賈可佳，陳 超+

(1.華北科技學(xué)院 安全工程學(xué)院，河北 三河 065201； 2.中國(guó)航天科工集團(tuán)第二研究院七〇六所，北京 100854)

0 引 言

隨著科技的進(jìn)步與發(fā)展，虛擬現(xiàn)實(shí)(virtual reality，VR)、增強(qiáng)現(xiàn)實(shí)(augmented reality，AR)以及混合現(xiàn)實(shí)(mixed reality，MR)技術(shù)得到飛快發(fā)展，應(yīng)用的領(lǐng)域也逐步擴(kuò)大。如Meihui等通過搭建虛擬人物和虛擬破損機(jī)械設(shè)備實(shí)現(xiàn)模擬真實(shí)世界維修員維修機(jī)械設(shè)備的過程，不僅提高維修效率，還有效預(yù)防維修員受到傷害[1]；Baiqiang等、Kurilovas等讓用戶在VR學(xué)習(xí)環(huán)境和AR學(xué)習(xí)環(huán)境下學(xué)習(xí)，分析用戶在不同環(huán)境下的學(xué)習(xí)效率[2,3]，以上都是通過搭建虛擬模型、分析模擬產(chǎn)生的過程數(shù)據(jù)得到預(yù)期結(jié)果，在眾多的數(shù)據(jù)處理模型中，Word2vec模型是一種用于處理文本類數(shù)據(jù)的優(yōu)秀模型，它是將自然語言中詞語用向量表示出來的模型[4]。該模型已有多方面研究，例如周萌利用Word2Vec對(duì)商品評(píng)論數(shù)據(jù)進(jìn)行分類處理，分析出該商品的優(yōu)缺點(diǎn)以及客服的服務(wù)態(tài)度等問題[5]；牛雪瑩等基于Word2Vec對(duì)微博文本進(jìn)行分類處理的研究[6]；金貴濤等利用Word2Vec識(shí)別“隱私，泄露，安全”等敏感詞匯，并劃分安全等級(jí)，為防護(hù)數(shù)據(jù)安全提供有力的支撐[7]；段琦利用Word2Vec訓(xùn)練出餐廳向量以及用戶向量，實(shí)現(xiàn)向用戶推薦感興趣餐廳的研究[8]。

目前Word2Vec模型很少用于處理非文本類數(shù)據(jù)，因此本文將MR與Word2Vec模型結(jié)合，衍生出一種模型——Train2Vec，它是將混合現(xiàn)實(shí)消防培訓(xùn)的過程數(shù)據(jù)構(gòu)建成培訓(xùn)向量的模型，通過計(jì)算現(xiàn)場(chǎng)培訓(xùn)向量與典型樣本培訓(xùn)向量之間的相似度實(shí)現(xiàn)受訓(xùn)人員身份的預(yù)測(cè)，并為其生成個(gè)性化的應(yīng)對(duì)火災(zāi)建議和消防培訓(xùn)任務(wù)。

1 系統(tǒng)介紹

Train2Vec模型所分析處理的消防培訓(xùn)數(shù)據(jù)來源于混合現(xiàn)實(shí)消防培訓(xùn)系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)了虛擬火災(zāi)場(chǎng)景構(gòu)建、火情演化、虛實(shí)滅火器的狀態(tài)同步、培訓(xùn)過程數(shù)據(jù)與受訓(xùn)人員生理數(shù)據(jù)采集等功能，其架構(gòu)如圖1所示。

圖1 混合現(xiàn)實(shí)消防培訓(xùn)系統(tǒng)架構(gòu)

該系統(tǒng)由硬件層、仿真層和軟件層3部分組成。硬件層通過在真實(shí)滅火器上安裝霍爾傳感器、光柵傳感器以及位置跟蹤芯片實(shí)現(xiàn)數(shù)據(jù)采集和空間定位，通過WIFI/藍(lán)牙模塊實(shí)現(xiàn)與計(jì)算主機(jī)的數(shù)據(jù)傳輸。改裝后的滅火器如圖2所示。

圖2 改裝的滅火器

仿真層使用Unity3 d平臺(tái)搭建虛擬火災(zāi)場(chǎng)景和與實(shí)體滅火器等比例的虛擬滅火器[9]，圖3為客廳虛擬火災(zāi)場(chǎng)景。為模擬不同的火災(zāi)現(xiàn)場(chǎng)，系統(tǒng)實(shí)現(xiàn)了火情演化的控制，即著火點(diǎn)的位置、火焰的蔓延方向和速度等都可以在系統(tǒng)中定制。

圖3 客廳虛擬火災(zāi)場(chǎng)景

在仿真層中還使用Lighthouse的空間定位信息實(shí)現(xiàn)虛擬滅火器與實(shí)體滅火器的位置精確匹配，培訓(xùn)時(shí)虛擬滅火器與真實(shí)滅火器的狀態(tài)、位姿等完全同步變化，例如，受訓(xùn)人員按壓真實(shí)滅火器把手后虛擬滅火器做出同步變化并噴出虛擬滅火劑，所噴出虛擬滅火劑的劑量完全由受訓(xùn)人員按壓把手的程度控制，圖4為虛擬滅火器噴出滅火劑。

圖4 虛擬場(chǎng)景中滅火器噴出滅火劑

軟件層是將受訓(xùn)人員在培訓(xùn)時(shí)所佩戴智能手環(huán)采集到的心率等生理數(shù)據(jù)以及與虛擬場(chǎng)景交互產(chǎn)生的培訓(xùn)過程數(shù)據(jù)進(jìn)行Train2Vec建模，從而得到該人員的培訓(xùn)向量，通過計(jì)算現(xiàn)場(chǎng)培訓(xùn)向量與典型樣本培訓(xùn)向量之間的相似度實(shí)現(xiàn)受訓(xùn)人員身份的預(yù)測(cè)，并為其生成個(gè)性化的應(yīng)對(duì)火災(zāi)建議和消防培訓(xùn)任務(wù)。

2 Train2Vec模型介紹

Train2Vec是將處理后的培訓(xùn)數(shù)據(jù)轉(zhuǎn)換為多維培訓(xùn)向量的模型，一條培訓(xùn)數(shù)據(jù)對(duì)應(yīng)一個(gè)培訓(xùn)向量。本模型的設(shè)計(jì)原理是受訓(xùn)員在培訓(xùn)過程中產(chǎn)生的多條培訓(xùn)數(shù)據(jù)之間具有一定的關(guān)聯(lián)性，因此可利用Train2Vec求得培訓(xùn)向量，依據(jù)求解相似度推測(cè)出受訓(xùn)人員身份。

Train2Vec有兩種訓(xùn)練模型，即Train2Vec-CBOW模型和Train2Vec-Skip-gram模型[4]。Train2Vec-CBOW是依據(jù)前后出現(xiàn)的培訓(xùn)數(shù)據(jù)t(h-c)、…、t(h-1)、t(h+1)、…、t(h+c)預(yù)測(cè)當(dāng)前培訓(xùn)數(shù)據(jù)t(h)出現(xiàn)的概率，其中c為窗口大??；Train2Vec-Skip-gram模型是依據(jù)當(dāng)前培訓(xùn)數(shù)據(jù)t(h)預(yù)測(cè)前后出現(xiàn)的培訓(xùn)數(shù)據(jù)t(h-c)、…、t(h-1)、t(h+1)、…、t(h+c)。兩種模型的簡(jiǎn)單結(jié)構(gòu)如圖5、圖6所示。

圖5 Train2Vec-CBOW模型

圖6 Train2Vec-Skip-gram模型

其中，Train2Vec-CBOW模型的運(yùn)算過程為：

輸入矩陣與自定義的5×N維(N可任意取)的輸入權(quán)重矩陣T相乘得到4個(gè)1×N維的向量

將得到的4個(gè)向量求和取平均，作為投影層的隱藏向量p

在給輸出層傳遞數(shù)據(jù)前，先將隱藏向量p乘N×5維的初始化輸出權(quán)重矩陣T′

最后將結(jié)果傳輸?shù)捷敵鰧舆M(jìn)行softmax計(jì)算，就可推測(cè)出第三條培訓(xùn)數(shù)據(jù)出現(xiàn)的概率分布

y=softmax([c1,c2,c3,c4,c5])=[d1,d2,d3,d4,d5]

O=logP(th|th-c,…,th-1,th+1,…,th+c)

Train2Vec-Skip-gram模型的運(yùn)算過程為：

輸入當(dāng)前培訓(xùn)數(shù)據(jù)的one-hot編碼，以上面的5條培訓(xùn)數(shù)據(jù)為例輸入，將輸入向量t1與自定義的輸入權(quán)重矩陣T相乘得到隱藏層向量p

在給輸出層傳遞數(shù)據(jù)前，將隱藏層向量p乘初始化輸出權(quán)重矩陣T′

最后將結(jié)果傳輸?shù)捷敵鰧幼鰏oftmax計(jì)算得到該培訓(xùn)數(shù)據(jù)前后數(shù)據(jù)的概率分布

該模型的最大優(yōu)化目標(biāo)是

在模型建立過程中，為了使真正的培訓(xùn)數(shù)據(jù)出現(xiàn)的概率達(dá)到最大化，每次運(yùn)算都會(huì)更新輸入輸出權(quán)重矩陣，如果培訓(xùn)數(shù)據(jù)量很大，模型的輸入和輸出權(quán)值矩陣的維度會(huì)隨之變大，在輸出層進(jìn)行softmax計(jì)算的計(jì)算量也會(huì)變得非常大，加重了計(jì)算機(jī)的負(fù)擔(dān)，為解決這個(gè)問題，提出了兩種優(yōu)化方式：

Train2Vec負(fù)采樣[10]：對(duì)采集到的兩條培訓(xùn)數(shù)據(jù)進(jìn)行分析，如果二者不是一組前后培訓(xùn)數(shù)據(jù)關(guān)系，那么采集到的這一組數(shù)據(jù)就是負(fù)采樣。該優(yōu)化方式是通過在每次更新輸出權(quán)重矩陣時(shí)減少更新負(fù)采樣的方式達(dá)到優(yōu)化目的。

Train2Vec層次softmax[10]：通過利用霍夫曼樹降低輸出層softmax計(jì)算復(fù)雜度達(dá)到優(yōu)化目的。利用霍夫曼樹還可將高頻數(shù)據(jù)放在與根節(jié)點(diǎn)接近的位置，從而提高查找培訓(xùn)數(shù)據(jù)的效率。

3 基于Train2Vec模型的數(shù)據(jù)分類

為了驗(yàn)證Train2Vec模型的可行性，即是否能很好地計(jì)算兩條，甚至多條培訓(xùn)數(shù)據(jù)之間的相似度，本文預(yù)采集了16名消防人員，23名應(yīng)對(duì)火災(zāi)經(jīng)驗(yàn)豐富人員和111名未經(jīng)歷過火災(zāi)人員的6173條帶有身份標(biāo)簽的典型培訓(xùn)數(shù)據(jù)來搭建模型。

3.1 培訓(xùn)數(shù)據(jù)采集

消防培訓(xùn)過程中當(dāng)實(shí)體滅火器的把手保持在按壓狀態(tài)時(shí)，系統(tǒng)認(rèn)定受訓(xùn)人員正處于滅火狀態(tài)，系統(tǒng)所采集的培訓(xùn)數(shù)據(jù)包括受訓(xùn)人員處于滅火狀態(tài)時(shí)的心跳變化率、距最近火焰的距離、生命值等，采集頻率為每5 s一次，這些數(shù)據(jù)的匯總見表1。

表1 實(shí)驗(yàn)數(shù)據(jù)說明

表1中滅火器上下移動(dòng)幅度是受訓(xùn)人員按壓滅火器把手的同時(shí)上下移動(dòng)滅火器的幅度；生命值表征受訓(xùn)人員在滅火過程中當(dāng)前時(shí)刻的健康程度，培訓(xùn)開始時(shí)初始生命值為100，在培訓(xùn)過程中如果受訓(xùn)人員處于距火焰2 m-3 m內(nèi)，則每5 s生命值減少1，如果受訓(xùn)人員距火焰距離小于2 m，則每5 s生命值減少3，如果受訓(xùn)人員距火焰距離大于3 m，則每15 s生命值減少1。

數(shù)據(jù)進(jìn)行分析前，需要先對(duì)數(shù)據(jù)進(jìn)行分析處理，本文先采用Python對(duì)原始數(shù)據(jù)歸納處理，觀察不同身份受訓(xùn)員產(chǎn)生的培訓(xùn)數(shù)據(jù)存在的特點(diǎn)。由于受訓(xùn)員在消防培訓(xùn)過程中產(chǎn)生的過程數(shù)據(jù)和生理數(shù)據(jù)都具有不穩(wěn)定性，且都會(huì)隨時(shí)間隨意改變，因此為達(dá)到預(yù)期效果，本文選擇每隔5 s采集一次數(shù)據(jù)信息。在對(duì)原始數(shù)據(jù)進(jìn)行歸納處理后發(fā)現(xiàn)數(shù)據(jù)具有一定的規(guī)律性，例如在數(shù)據(jù)處理時(shí)發(fā)現(xiàn)未經(jīng)歷過火災(zāi)人員的培訓(xùn)數(shù)據(jù)出現(xiàn)雙極化現(xiàn)象，經(jīng)過進(jìn)一步調(diào)查發(fā)現(xiàn)這種雙極分化的現(xiàn)象與受訓(xùn)人員的心理素質(zhì)有關(guān)，因此將未經(jīng)歷過火災(zāi)人員類型再次劃分為兩類，即未經(jīng)歷過火災(zāi)心理素質(zhì)良好人員和未經(jīng)歷過火災(zāi)心理素質(zhì)較差人員，圖7為從受訓(xùn)人員從開始滅火到滅火結(jié)束期間所產(chǎn)生的培訓(xùn)數(shù)據(jù)取平均值的統(tǒng)計(jì)。

圖7 各類培訓(xùn)數(shù)據(jù)平均值統(tǒng)計(jì)

從圖7可見，不同身份人員在滅火時(shí)表現(xiàn)出的特征各有不同，見表2-表6。

表2 各類身份人員滅火時(shí)的平均心率范圍

表3 各類身份人員在使用滅火器進(jìn)行滅火時(shí)上下

表4 各類身份人員滅火后生命值范圍

表5 各類身份人員滅火時(shí)距最近火焰距離范圍

表6 各類身份人員滅火時(shí)長(zhǎng)范圍

出現(xiàn)上述現(xiàn)象是因?yàn)?，專業(yè)消防人員經(jīng)歷過專門培訓(xùn)，具備較高的專業(yè)水平，因此在消防培訓(xùn)過程中，很少會(huì)出現(xiàn)心率偏高的情況，同時(shí)消防人員清楚怎樣操控滅火器能高效率控制火勢(shì)、短時(shí)間完成滅火任務(wù)，而且這類人操控滅火器時(shí)上下移動(dòng)主要通過改變滅火器噴口的角度來撲滅不同位置的火焰，因此幅度較小，距最近火焰距離也保持在滅火最有效的安全距離；未經(jīng)歷過火災(zāi)心理素質(zhì)良好和心理素質(zhì)較差人員在培訓(xùn)過程中心率普遍較高，同時(shí)在操控滅火器時(shí)上下移動(dòng)的幅度較大，過多地浪費(fèi)了體力，這與該類人員未經(jīng)歷過火災(zāi)事故、未參與過消防培訓(xùn)任務(wù)有關(guān)，第一次身臨其境遭遇火災(zāi)場(chǎng)景時(shí)會(huì)出現(xiàn)過分緊張、不清楚火焰作用的危險(xiǎn)范圍、不會(huì)合理操縱滅火器等狀況；而應(yīng)對(duì)火災(zāi)經(jīng)驗(yàn)豐富人員由于培訓(xùn)前經(jīng)歷過火災(zāi)事故，參加過消防任務(wù)，對(duì)消防作業(yè)流程有一定的經(jīng)驗(yàn)，在培訓(xùn)過程中產(chǎn)生的心跳、動(dòng)作幅度等數(shù)據(jù)基本維持在消防員和未經(jīng)歷過火災(zāi)人員之間。

另外，專業(yè)消防人員滅火后生命值不是最高、滅火時(shí)長(zhǎng)不是最短的原因?yàn)?，專業(yè)消防員為了完成消防救援任務(wù)、完全控制火勢(shì)，可以在可控的程度內(nèi)忍受高溫與煙霧的侵襲，滅火時(shí)也會(huì)合理控制與火焰間的距離，循序漸進(jìn)地?fù)錅缁鹧?；而未?jīng)歷過火災(zāi)的兩類人員在培訓(xùn)時(shí)，一般會(huì)出現(xiàn)“不怕火”和“太怕火”兩種趨勢(shì)，“不怕火”的受訓(xùn)人員(心理素質(zhì)良好人員)為了達(dá)到快速完成滅火任務(wù)的目的會(huì)冒風(fēng)險(xiǎn)接近火焰，雖然滅火時(shí)長(zhǎng)更短，但會(huì)因距火焰距離太近導(dǎo)致生命值較低，甚至出現(xiàn)生命值為0的情況，“太怕火”的受訓(xùn)人員(心理素質(zhì)較差人員)害怕火焰對(duì)自己造成傷害，因此距火焰距離很遠(yuǎn)，滅火時(shí)長(zhǎng)最長(zhǎng)，但生命值會(huì)保持在較高水平。

通過對(duì)培訓(xùn)數(shù)據(jù)的分析可知，未經(jīng)歷過火災(zāi)的兩類人員在面對(duì)火災(zāi)時(shí)會(huì)產(chǎn)生完全不同的反應(yīng)，因此準(zhǔn)確地做出分類并有針對(duì)性地生成應(yīng)對(duì)火災(zāi)建議和消防培訓(xùn)任務(wù)是非常必要的。

3.2 Train2Vec模型構(gòu)建

本文采用裝有Windows系統(tǒng)、Anaconda和PyCharm的PC機(jī)作為搭建Train2Vec模型的環(huán)境，語言環(huán)境選擇Python，用Python的gensim包構(gòu)建Train2Vec模型，訓(xùn)練模型采用skip-gram模型，優(yōu)化方式選用負(fù)采樣。

建模時(shí)，設(shè)置Train2Vec模型的窗口大小為10，向量維數(shù)為100。讓150名預(yù)先知道身份的受訓(xùn)人員進(jìn)行虛擬消防演練(其中消防員16名，應(yīng)對(duì)火災(zāi)經(jīng)驗(yàn)豐富人員23名，未經(jīng)歷過火災(zāi)心理素質(zhì)良好人員55名，未經(jīng)歷過火災(zāi)心理素質(zhì)較差人員56名，心理素質(zhì)的評(píng)判根據(jù)心理測(cè)評(píng)量表提前完成)，每隔5 s采集一次培訓(xùn)數(shù)據(jù)，共采集到6173條培訓(xùn)數(shù)據(jù)，對(duì)應(yīng)生成6173個(gè)典型培訓(xùn)向量，用來構(gòu)成Train2Vec模型詞典。為更清楚地觀察每條數(shù)據(jù)以及它們之間的分布情況，采用UMAP降維算法將每條培訓(xùn)數(shù)據(jù)對(duì)應(yīng)的培訓(xùn)向量的維度由100維降到2維，實(shí)現(xiàn)數(shù)據(jù)可視化的目標(biāo)，如圖8所示。

圖8 UMAP降維后的典型培訓(xùn)向量分布

從圖8中可看出，點(diǎn)集分布密集的地方代表此處的相似典型培養(yǎng)向量多，兩點(diǎn)距離越近代表其對(duì)應(yīng)的典型培訓(xùn)向量相似度越高，產(chǎn)生這兩條典型培訓(xùn)向量的用戶身份類型應(yīng)是一致的。

3.3 Train2Vec模型驗(yàn)證

Train2Vec模型構(gòu)建完成后，首先通過手動(dòng)輸入的方式驗(yàn)證模型的準(zhǔn)確性，圖9為選用一條未經(jīng)歷過火災(zāi)心理素質(zhì)良好人員的培訓(xùn)數(shù)據(jù)進(jìn)行相似性解算，根據(jù)提示輸入對(duì)應(yīng)的心率、滅火器移動(dòng)幅度等培訓(xùn)數(shù)據(jù)后，系統(tǒng)會(huì)自動(dòng)找到最優(yōu)結(jié)果。

圖9 手動(dòng)輸入的方式驗(yàn)證模型的準(zhǔn)確性

根據(jù)運(yùn)算結(jié)果，發(fā)現(xiàn)與“未經(jīng)歷過火災(zāi)心理素質(zhì)良好人員”的相似度高達(dá)0.99多，而與其它身份的相似度很低，與事實(shí)基本相符。為降低使用孤立的培訓(xùn)向量進(jìn)行相似度求解所帶來的偶然性偏差，系統(tǒng)在計(jì)算出受訓(xùn)人員全部培訓(xùn)向量的類型后，再分別算出4種類型培訓(xùn)向量占全部培訓(xùn)向量的百分比，最終將該受訓(xùn)人員歸類為百分比最大的類型。如圖10所示，某受訓(xùn)人員的培訓(xùn)時(shí)長(zhǎng)為1 min 43 s，共產(chǎn)生培訓(xùn)向量21條，其中與“未經(jīng)歷過火災(zāi)心理素質(zhì)良好人員”典型培訓(xùn)向量相似度最高的培訓(xùn)向量為19條，占全部培訓(xùn)向量的90.48%，與“消防員”典型培訓(xùn)向量相似度最高的培訓(xùn)向量為1條，占全部培訓(xùn)向量的4.76%，與“應(yīng)對(duì)火災(zāi)經(jīng)驗(yàn)豐富人員”典型培訓(xùn)向量相似度最高的培訓(xùn)向量為1條，占全部培訓(xùn)向量的4.76%，與“未經(jīng)歷過火災(zāi)心理素質(zhì)較差人員”典型培訓(xùn)向量相似度最高的培訓(xùn)向量為0條，占全部培訓(xùn)向量的0.00%。根據(jù)匹配向量占全部培訓(xùn)向量的百分比的高低，系統(tǒng)給出該受訓(xùn)人員為“未經(jīng)歷過火災(zāi)心理素質(zhì)良好人員”的結(jié)論，與事實(shí)相符。

圖10 受訓(xùn)人員培訓(xùn)向量與4種類型典型培訓(xùn) 向量的相似情況統(tǒng)計(jì)

為驗(yàn)證本模型對(duì)受訓(xùn)人員身份信息進(jìn)行預(yù)測(cè)的準(zhǔn)確率，本文分別找來13名專業(yè)消防人員、19名應(yīng)對(duì)火災(zāi)經(jīng)驗(yàn)豐富人員、32名未經(jīng)歷過火災(zāi)心理素質(zhì)良好人員以及36名未經(jīng)歷過火災(zāi)心理素質(zhì)較差人員參加本系統(tǒng)中的滅火訓(xùn)練(這些人員與之前采集典型培訓(xùn)向量時(shí)的人員沒有重疊)，最終系統(tǒng)給出的身份預(yù)測(cè)結(jié)果見表7。

從表7中可以看出，該模型預(yù)測(cè)的身份信息基本符合人員的真實(shí)身份，準(zhǔn)確率為92.00%。出現(xiàn)個(gè)別與真實(shí)身份不一致情況的原因有偶然性因素，例如應(yīng)對(duì)火災(zāi)經(jīng)驗(yàn)豐富人員在培訓(xùn)過程中狀態(tài)良好，產(chǎn)生的培訓(xùn)向量與消防員的典型培訓(xùn)向量相似度很高，模型會(huì)將其歸類為消防員身份。在準(zhǔn)確預(yù)測(cè)出受訓(xùn)人員的身份信息后，系統(tǒng)將基于其身份推薦不同的消防培訓(xùn)任務(wù)，給出不同的遭遇火災(zāi)應(yīng)對(duì)策略，如對(duì)于“未經(jīng)歷過火災(zāi)心理素質(zhì)較差人員”，系統(tǒng)將推薦火災(zāi)逃生類培訓(xùn)任務(wù)而不是滅火類培訓(xùn)任務(wù)，同時(shí)會(huì)給出遭遇火災(zāi)時(shí)及時(shí)尋找逃生出口并第一時(shí)間逃生的建議。

表7 Train2Vec模型身份預(yù)測(cè)準(zhǔn)確率統(tǒng)計(jì)

4 結(jié)束語

實(shí)驗(yàn)結(jié)果表明，通過本文提出的Train2Vec模型對(duì)受訓(xùn)人員進(jìn)行的身份預(yù)測(cè)準(zhǔn)確率較高，基于身份預(yù)測(cè)結(jié)果可以有針對(duì)性地對(duì)受訓(xùn)人員開展消防培訓(xùn)。為讓預(yù)測(cè)結(jié)果準(zhǔn)確率更高，之后會(huì)將培訓(xùn)時(shí)的更多因素考慮進(jìn)來，例如開始滅火時(shí)的火勢(shì)大小、火焰的蔓延速度、培訓(xùn)場(chǎng)景內(nèi)的煙霧濃度等因素，同時(shí)還需要在系統(tǒng)不斷應(yīng)用的過程中擴(kuò)充典型培訓(xùn)向量數(shù)據(jù)集，構(gòu)建更大量樣本的Train2Vec模型。