摘要

我们提出了一种基于趋势与数值预测及传感器数据融合的循环趋势预测神经网络（Recurrent Trend Predictive Neural Network, rTPNN），用于多传感器火灾检测。rTPNN模型在架构上显著区别于现有方法，其核心特征在于采用了循环处理传感器数据的机制。该模型能够对每个传感器的时间序列数据分别进行趋势预测与数值水平预测，并有效捕捉多传感器探测器产生的多变量时间序列数据中的动态趋势。我们在一个公开可用的火灾数据集上，将rTPNN模型的性能与线性回归（Linear Regression, LR）、非线性感知机（Nonlinear Perceptron, NP）、多层感知机（Multi-Layer Perceptron, MLP）、结合肯德尔-τ相关系数的MLP、概率贝叶斯神经网络（Probabilistic Bayesian Neural Network, PBNN）、长短期记忆网络（Long-Short Term Memory, LSTM）以及支持向量机（Support Vector Machine, SVM）等模型进行了对比。实验结果表明，rTPNN模型在所有对比模型中表现最优，准确率高达96%；同时，它是唯一一个在保持高真阳性率（True Positive Rate）和高真阴性率（True Negative Rate）方面均超过92%的模型。此外，rTPNN在火灾发生后仅11秒内即可触发报警，而性能次优的模型则需要22秒。最后，我们还证明，rTPNN的运行时间在实际应用中完全满足实时性要求。