В статье рассматривается задача прогнозирования ложных срабатываний дымовых пожарных извещателей с использованием рекуррентной нейронной сети. Цель исследования - разработка и тестирование модели, способной на основе временных данных различать истинные и ложные тревоги, что позволит снизить количество ложных вызовов пожарных служб и повысить надёжность систем пожарной безопасности. В рамках работы проведён эксперимент, в ходе которого собраны данные с лазерного датчика и двух извещателей (Н1 и Н2). Разработанная ЛСТМ-модель обучалась на этих данных с использованием последовательностей длиной 50 шагов, а её точность оценивалась с помощью метрик МАЕ, МСЕ, РМСЕ. Результаты показали, что предложенная модель достигает 99,5% точности для Н1 и 99,3% для Н2, что подтверждается низкими значениями ошибок: МАЕ < 0,01, РМСЕ ≈ 0,05. По сравнению с существующими методами (ансамблевые модели, анализ временных рядов), предложенный подход использует исключительно временную динамику сигналов без необходимости в мультисенсорных данных, что делает его эффективным и легко интегрируемым в существующие системы. Полученные результаты подтверждают перспективность для детекции ложных тревог и указывают на возможность дальнейшего улучшения модели за счёт учёта дополнительных факторов (температура, влажность, скорость изменения концентрации дыма) и использования гибридных архитектур (СНН + ЛСТМ)
The article addresses the problem of false alarm prediction in smoke fire detectors using a Long Short-Term Memory (LSTM) recurrent neural network. The objective of the study is to develop and test a model capable of distinguishing between true and false alarms based on temporal data, thereby reducing the number of false emergency responses and increasing the reliability of fire safety systems. As part of the research, an experiment was conducted, during which data were collected from a laser sensor and two fire detectors (H1 and H2). The developed LSTM model was trained on this dataset using 50-step sequences, and its accuracy was evaluated using the MAE, MSE, RMSE, and Accuracy metrics. The results demonstrated that the proposed model achieves 99,5% accuracy for H1 and 99,3% for H2, supported by low error values: MAE < 0,01, RMSE ≈ 0,05. Compared to existing methods (ensemble models, time series analysis), the proposed approach relies exclusively on the temporal dynamics of signals without requiring multisensor data, making it efficient and easily integrable into existing fire detection systems. The obtained results confirm the potential of LSTM for false alarm detection and indicate possibilities for further model improvements by incorporating additional factors (temperature, humidity, rate of smoke concentration change) and utilizing hybrid architectures (CNN + LSTM)