时空融合预警模型

漏报率降至 1.5%

该模型采用 GRU 前端捕捉局部波动，GCN+ 在中间特征层建模传感器节点间的空间关联，并用 ModernTCN 骨干同时刻画短期变化、时序演化与空间差异。

Wang, Mingming · Ya-Dong, Li · 郑海青

Sensors 2026

参数信息

火灾预警判别测试准确率

0.9884

漏报率

0.0150

技术优势

漏报率低

模型在火灾判别任务上漏报率降至 0.0150，说明真实火情被漏掉的概率很低，可以更放心地依赖预警系统。

同时看时空

GRU 前端负责捕捉连续时间步的局部波动，GCN+ 在中间特征阶段建模固定节点间的空间关联，因而模型能同时利用短期变化和跨节点协调响应。

检测精度高

在室内 EN 54 数据集上的测试准确率达到 0.9884，分类判别能力强，误报和漏报整体可控。

模块化增强

消融实验显示，引入 GRU 和 GCN+ 均带来主要评估指标的整体提升，说明每个模块对预警性能都有实际贡献。

应用场景

• 电力隧道监测：把隧道内烟感、温感等多路信号融合后实时判别，减少漏报，让监控平台敢自动报警。
• 基础设施火灾预警：在地下管廊、隧道等封闭空间里用多传感器融合降低漏报，把火灾处置从“事后”提到“事前”。
• 多传感器融合：把不同位置、不同类型的传感器响应联合建模，弥补单传感器信号弱的缺陷，提升预警可靠性。
• 火灾气体传感：将气体、烟感等信号纳入时空融合框架，提高对早期化学异常的分辨能力。