简介PDF文档《基于LSTM和RBF-BP深度学习模型的火灾预测方法》收录于《齐鲁工业大学学报》2020年第3期面向火灾预测、深度学习与多源信息融合方向的研究者及数据分析学习者。方法针对火灾信号时变非线性、单特征预测误报漏报率高等问题利用LSTM与RBF-BP混合网络对温度、烟雾、CO等多种传感器信息进行自适应特征学习并借助模糊逻辑系统输出有火、无火及阴燃火三种火型概率。包内共1个PDF文件整体大小6.86MB内容完整包含论文摘要、模型结构、仿真实验与结果对比可直接用于课题调研、算法复现或参考文献引用。论文还梳理了智能建筑火灾预警、火灾风险评估等典型应用场景对从事智能消防系统设计的人员具有参考价值。已有567人浏览学习适合需要研读前沿深度学习火灾预测方案的读者。1. 火灾预测为什么难时序信号和决策边界是两个问题「基于 LSTM 和 RBF-BP 深度学习模型的火灾预测方法」这类标题看着像论文落到现场其实是一套传感器时序判读逻辑把温度、烟雾浓度、CO 浓度这些按时间排列的信号转成一个能提前几十秒到几分钟给出告警的模型。火灾预测的难点不在「着火后识别」而在「着火前判断」——烟雾还没蔓延、温度刚出现爬升趋势时就要报警。纯 LSTM 擅长抓住时间序列里的趋势但对「多像火灾」这种局部决策不敏感RBF-BP 擅长在小样本下圈出局部响应区域却又处理不了长时序。两件事不能用一个网络一把抓这正是混合模型存在的理由。这篇文章把这条技术路线拆成数据构造、模型实现、训练调参和上线避坑四个部分适合刚接触时序预测、想在实验室或工业场景里复现这套方案的工程师。2. 数据与样本构造滑动窗口、特征选择和时间泄漏任何火灾预测模型的第一步都不是选网络而是把原始传感器数据变成「输入是一段历史输出是未来某个时刻是否着火」的监督样本。这个步骤直接决定后面模型是学到规律还是学到噪声。先从问题定义说起。火灾预测在工程上通常做成二分类0 表示正常1 表示即将发生火灾。有人会问为什么不做回归直接预测温度曲线回归的优点是能给出连续趋势但现场值班人员要的只是一个可执行的告警信号二分类的评估和部署都更直接。常见做法是先用二分类跑通后续如果需要温度趋势再叠加回归输出。2.1 特征选择温度、烟雾浓度、CO 之外还要留什么传感器特征的选择比模型结构更影响结果。最基本的四个通道是温度、烟雾浓度、CO 浓度和湿度。温度是火灾最直接的物理量但绝对值受季节和昼夜影响很大比如夏天中午常温 35 度冬天晚上可能只有 10 度模型如果学成「温度超过 40 度就报警」到冬天就全是漏报。所以特征里最好包含温度的差分项也就是当前值减去 30 秒前或 60 秒前的值让模型关注「升温速率」而不是「当前温度」。烟雾浓度传感器常见的是半导体类响应速度偏慢信号爬升通常比真实起火晚 1 到 3 秒这个物理延迟要在后续评估提前量时考虑进去不能把模型预测时刻和火灾真实发生时刻直接做秒级对比。CO 浓度在阴燃阶段就开始上升对早期火灾很有区分度但也容易受厨房油烟、汽车尾气干扰。湿度通道看起来和火灾无关实际很有用高湿度环境下温度和烟雾的上升幅度会被抑制保留湿度特征能帮助模型抑制一部分误报。特征列建议如下time时间戳用于后续提前量验证、temp、temp_diff、smoke、co、humidity。temp_diff 用一阶差分计算df[temp_diff] df[temp].diff().fillna(0.0)这个差分项的意义是给模型一个「变化趋势」信号。火灾初期温度变化率会明显偏离正常波动范围而正常时段温度差分值在一个窄区间内震荡两者在特征空间里更容易区分。注意 diff 之后要 fillna否则第一行会出现 NaN后续标准化和训练都会报错。2.2 滑动窗口构造监督样本窗口长度怎么定传感器数据是连续时间序列不能像图像分类那样一张图一个样本。常见做法是用滑动窗口切分取过去 N 个采样点作为输入预测未来某个时刻的状态。窗口长度的选择参考火灾发展时间尺度和采样间隔。假设采样间隔是 1 秒温度从异常爬升到烟雾传感器明显响应大约需要 20 到 60 秒窗口取 30 秒比较合适如果采样间隔是 5 秒窗口就取 15 到 20 个点覆盖 75 到 100 秒的物理时间。窗口内的时间跨度比点数更重要。同一个点数在不同采样率下代表的物理时间完全不同调参时先换算成秒再决定窗口长度。def build_windows(df, feature_cols, label_col, seq_len30, horizon10): 构造监督样本。 df: 按时间升序排列的传感器记录 feature_cols: 输入特征列名列表 label_col: 标签列名0 正常 / 1 火灾 seq_len: 输入窗口长度 horizon: 提前量预测 seq_len horizon - 1 时刻是否着火 values df[feature_cols].values.astype(np.float32) labels df[label_col].values.astype(np.int64) X, y [], [] for t in range(0, len(values) - seq_len - horizon): X.append(values[t: t seq_len]) # 标签取窗口结束点之后 horizon 步的标签而不是窗口内部 y.append(labels[t seq_len horizon - 1]) return np.array(X), np.array(y)这个函数的关键在标签位置。很多初学者把标签取成窗口内最后一个点的标签那样模型学到的其实是「当前已经着火」而不是「将要着火」。正确做法是让标签时刻落在窗口右侧之外horizon 步之后的位置。如果采样间隔是 1 秒、horizon 设为 60模型就是在用过去 30 秒的数据预测 60 秒后是否着火也就是提前一分钟预警。horizon 的取值直接决定提前量现场要求提前多少秒horizon 就设成多少秒除以采样间隔。2.3 时间划分为什么随机 shuffle 会让模型「作弊」分类任务习惯用 train_test_split 随机划分这在时间序列上是错的。滑动窗口的相邻样本高度重叠第 t 个窗口和第 t1 个窗口有 seq_len - 1 个点是重复的。如果随机切分同一段传感器读数会同时出现在训练集和验证集验证指标会虚高到接近满分一上线就翻车。正确做法是按时间顺序划分前 70% 作为训练后 15% 作为验证最后 15% 作为测试。测试集必须是最新一段数据模拟模型在真实环境中遇到未来数据的情况。split_idx int(len(X) * 0.7) val_idx int(len(X) * 0.85) X_train, X_val, X_test X[:split_idx], X[split_idx:val_idx], X[val_idx:] y_train, y_val, y_test y[:split_idx], y[split_idx:val_idx], y[val_idx:]标准化也要遵循同样的纪律。StandardScaler 只能 fit 在训练集上然后用训练集的均值和方差去 transform 验证集和测试集。如果 fit 在全量数据上验证和测试信息会通过均值和方差泄漏进模型评估结果失真。这是时间序列建模里最常见的隐性泄漏比标签泄漏更隐蔽。3. LSTM RBF-BP 混合模型网络结构与 PyTorch 实现网络结构设计要回答两个问题时序依赖交给谁处理决策边界交给谁划分我的做法是串行架构LSTM 作为时序特征提取器把一段传感器历史的整体状态压缩成一个向量RBF 层在 LSTM 输出的特征空间里做局部敏感映射最后接线性输出层分类。整体看损失函数从输出层一路反传回来同时更新 LSTM 参数、RBF 中心点和宽度以及输出层权重这就是标题里「BP」的含义——误差反向传播只是训练对象是 RBF 参数而不是普通全连接层。3.1 为什么时序特征提取交给 LSTM 而不是普通 RNNLSTM 的核心优势是门控机制。遗忘门决定历史信息保留多少输入门决定当前观测写入记忆多少输出门决定当前时刻对外暴露什么。火灾信号的特点是缓慢漂移背景叠加快速异常突变正常时段温度在 25 度附近缓慢波动起火前几十秒开始出现升温趋势着火后温度快速爬升。普通 RNN 在长序列上梯度容易消失丢掉了早期积累的异常趋势1D CNN 感受野固定要用很深的层才能覆盖足够长的时间上下文。LSTM 的门控结构天然适合保存「半个多小时前温度开始偏离正常」这类长距离信息。hidden_size 决定 LSTM 记忆容量一般取 32 到 128。火灾预测是单通道多变量时序不需要太大容量hidden_size 取 64 通常是性价比最高的起点。num_layers 取 1 到 2超过两层在数据量不大时容易过拟合而且训练时间翻倍。3.2 RBF-BP 层局部敏感的决策头怎么用 BP 训练RBF 神经元做的事情很简单计算输入向量与某个中心点的欧氏距离再用高斯函数把距离映射成一个 0 到 1 之间的响应值。离中心越近响应越强离得越远响应迅速衰减。这和全连接层的全局加权求和有本质区别全连接层在特征空间里画的是全局超平面RBF 画的是一个个局部「兴趣区域」。火灾场景里正常样本分布相对集中火灾样本是稀疏的小簇。RBF 对局部结构敏感在类别不平衡的小样本任务里比全连接更稳一个偏离很远的异常样本会把全连接的超平面整体带偏但只会影响距离它最近的几个 RBF 中心。这就是标题里 RBF-BP 存在的价值——把 LSTM 提取到的特征在局部空间里重新描述再交给线性层做决策。训练时中心和宽度都参与反向传播。宽度参数用 log_sigma 而不是直接暴露 sigma是为了保证宽度恒正且数值稳定。这是 RBF 网络训练的标准做法。3.3 完整可跑的 LSTM 模型代码RBF 层、组合模型与中心点初始化下面是一份可以直接运行的 PyTorch 实现包含 RBF 层、混合模型和训练前的中心点初始化逻辑。import torch import torch.nn as nn import numpy as np from sklearn.cluster import KMeans class RBFLayer(nn.Module): 高斯径向基层输入 [batch, feat_dim] - 输出 [batch, n_centers] def __init__(self, feat_dim, n_centers): super().__init__() self.n_centers n_centers # 中心点和宽度都作为可训练参数参与 BP self.centers nn.Parameter(torch.randn(n_centers, feat_dim) * 0.1) self.log_sigma nn.Parameter(torch.zeros(n_centers)) def forward(self, x): # sigma exp(log_sigma)保证恒正 sigma torch.exp(self.log_sigma).clamp(min1e-3) diff x.unsqueeze(1) - self.centers.unsqueeze(0) # [batch, n_centers, feat_dim] squared_dist torch.sum(diff ** 2, dim-1) out torch.exp(-squared_dist / (2.0 * sigma ** 2)) return out class FirePredictionModel(nn.Module): LSTM 特征提取 RBF 局部映射 线性分类头 def __init__(self, feat_dim6, seq_len30, hidden_size64, num_layers2, n_centers32, num_classes2, dropout0.3): super().__init__() self.lstm nn.LSTM( input_sizefeat_dim, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0.0 ) self.rbf RBFLayer(hidden_size, n_centers) self.classifier nn.Sequential( nn.Linear(n_centers, 32), nn.ReLU(), nn.Dropout(dropout), nn.Linear(32, num_classes) ) def forward(self, x): # x: [batch, seq_len, feat_dim] _, (h_n, _) self.lstm(x) feat h_n[-1] # 取最后一层最后时刻的隐藏状态 rbf_out self.rbf(feat) # [batch, n_centers] logits self.classifier(rbf_out) return logits代码里需要重点理解的是h_n[-1]的取法。LSTM 返回的 h_n 形状是 [num_layers, batch, hidden_size]表示每一层的最后时刻隐藏状态h_n[-1]取的是最上面一层的输出通常在这类任务里用最后一层特征就够了。取平均池化或所有时间步的加权组合也可以但会显著增加计算量收益不明显。RBF 层的中心点不能随机初始化。如果中心点离输入特征空间太远高斯输出的指数项计算出一个极大的负值exp 之后接近 0梯度也随之消失。所以训练开始前必须用数据初始化中心点。做法是先把训练集过一遍 LSTM 收集隐藏状态再对这些特征做 KMeans 聚类把聚类中心作为 RBF 初始中心。宽度 sigma 用最大距离法估算def init_rbf_centers(model, train_loader, device): 用训练集的 LSTM 特征做 KMeans初始化 RBF 中心和宽度 model.eval() feat_collect [] with torch.no_grad(): for x, _ in train_loader: x x.to(device) _, (h_n, _) model.lstm(x) feat_collect.append(h_n[-1].cpu().numpy()) feat_all np.concatenate(feat_collect, axis0) km KMeans(n_clustersmodel.rbf.n_centers, random_state0, n_init10) km.fit(feat_all) model.rbf.centers.data torch.tensor(km.cluster_centers_, dtypetorch.float32) from scipy.spatial.distance import cdist dist_matrix cdist(km.cluster_centers_, km.cluster_centers_) d_max dist_matrix.max() sigma_init d_max / np.sqrt(2 * model.rbf.n_centers) model.rbf.log_sigma.data torch.log(torch.tensor(sigma_init, dtypetorch.float32)) return modeln_centers 取 16 到 64 之间和 LSTM 隐藏单元数量成正比。中心点太多每个中心覆盖的样本变少容易过拟合太少局部表达能力不足RBF 的优势体现不出来。KMeans 的 n_init 设成 10避免局部最优。3.4 训练顺序先初始化再端到端RBF-BP 和普通 BP 网络一个重要的实操差别在于RBF 层的初始状态对训练稳定性影响极大。如果中心点没初始化就直接训练前几个 epoch 的 RBF 输出全是 0 附近的值反向传播到 LSTM 的梯度也趋近于 0整个网络都学不动。所以我一般分两步先调用 init_rbf_centers 用 KMeans 把中心和宽度初始化好然后进入标准训练循环所有参数一起更新。如果发现训练初期 loss 完全不动先检查是不是中心初始化没做再检查 log_sigma 是不是被 clamp 到了下限。RBF 网络调参有点玄学但绝大多数问题都出在初始化这一步而不是网络结构本身。4. 训练与调参损失函数、评估指标和一组可复现参数模型结构定了之后训练环节有四件事要处理类别不平衡、评估指标、关键参数、提前停止。这四件事的优先级甚至高过网络结构——火灾样本占比极低如果不处理模型会学成「永远预测正常」的懒惰解。4.1 类别不平衡火灾样本太少时损失函数怎么设传感器数据里火灾时段通常只占很小比例。假设一天 86400 秒、每 5 秒一条样本正常样本约 17000 条一次 10 分钟的火灾事件只有 120 条正样本正负比接近 1 比 150。直接用交叉熵模型发现全预测 0 已经能拿到 99% 以上的准确率。常见做法是给 CrossEntropyLoss 设置 class weight给正类更高的权重提高漏报的代价。权重不必严格等于正负样本比取 5 到 10 倍通常已经有效。我一般先统计正负样本数量权重初始设为负样本数除以正样本数再往回调因为过大的权重会让模型把所有样本都预测成火灾误报率爆表。另一个可选方案是 Focal Loss通过调制因子让模型聚焦难分类样本gamma 取 2.0。如果加权交叉熵已经能跑出不错的召回率不必换 Focal Loss后者多一个超参要调。4.2 评估指标召回率、误报率和 F1 的取舍火灾预测的评估指标不能看准确率。准确率被大量正常样本稀释模型全部预测正常也能达到 99%没有任何指导意义。核心指标是三个召回率真正类率判断有多少真实火灾被抓住、误报率正常样本里有多少被误报成火灾、F1 分数召回率和精确率的调和平均。在消防场景漏报的代价远高于误报。漏一次真火可能造成财产损失甚至人员伤亡误报一次顶多是值班人员去现场确认。所以训练和调参的目标是在误报率可接受的范围内最大化召回率。我通常把验证集召回率作为模型保存的评判标准而不是 loss 或准确率。4.3 关键参数表与影响趋势下面这组参数是我在火灾传感器时序任务上验证过的起点直接照着跑通常能收敛参数推荐值调参方向seq_len30采样间隔 1 秒时覆盖 30 秒间隔越大窗口点数越少horizon10~60越大提前量越大但预测难度指数上升hidden_size64特征维度高或数据量大时加到 128num_layers1~2超过 2 层容易过拟合先试 1 层dropout0.3数据量小时降到 0.2防止欠拟合n_centers32隐藏单元数的一半到一倍pos_weight5~10由正负样本比决定先取负样本数/正样本数lr1e-3训练震荡时降为 5e-4batch_size32~64小批量容易引入噪声64 更稳patience10验证召回率连续 10 轮不升则停表格里最容易被忽视的是 horizon 和 seq_len 的配合。horizon 越大输入窗口末尾和标签时刻之间的间隔越长中间这段时间的传感器状态完全未知模型只能靠趋势外推。想要提前 5 分钟报警horizon 直接设 300预测难度会陡增常见做法是先用 horizon30 或 60 跑通再逐步增大观察提前量收益曲线在哪里开始下降。4.4 训练循环与早停多少轮该停训练循环的要点不在循环本身而在三个工程细节梯度裁剪、早停监控指标、检查点保存。LSTM 叠加 RBF 之后参数范数偏大梯度容易爆炸clip_grad_norm_ 设成 5.0 能有效抑制。早停监控的是验证集召回率而不是 loss因为加权损失下降不代表召回率上升。检查点保存最优模型训练中断或调坏参数时有后悔药可吃。def train_model(model, train_loader, val_loader, epochs100, lr1e-3, pos_weight5.0, patience10, devicecpu): model.to(device) cls_weight torch.tensor([1.0, pos_weight], dtypetorch.float32).to(device) criterion nn.CrossEntropyLoss(weightcls_weight) optimizer torch.optim.Adam(model.parameters(), lrlr) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemax, factor0.5, patience5 ) best_recall 0.0 bad_epochs 0 for epoch in range(epochs): model.train() total_loss 0.0 for x, y in train_loader: x, y x.to(device), y.to(device) optimizer.zero_grad() logits model(x) loss criterion(logits, y) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() total_loss loss.item() val_recall evaluate_recall(model, val_loader, device) scheduler.step(val_recall) if val_recall best_recall: best_recall val_recall bad_epochs 0 torch.save(model.state_dict(), best_fire_model.pt) else: bad_epochs 1 if bad_epochs patience: break print(fepoch {epoch}: loss {total_loss / len(train_loader):.4f}, fval_recall {val_recall:.4f})evaluate_recall 函数按阈值 0.5 把 softmax 输出二值化统计火灾样本中被正确预测的比例。ReduceLROnPlateau 在验证召回率连续 5 轮不升时把学习率减半配合早停一起用。如果观察 loss 在训练后半段反复震荡先检查是否缺少学习率衰减再检查梯度裁剪值是否过大。5. 火灾预测落地的 5 个避坑点现象、原因与解决这部分写的是我实际踩过的坑。每个问题都按照「现象 → 原因 → 解决」来梳理。RBF-BP 混合模型本身不难跑通难的是这些隐藏在不同环节里的坑每一个都能让模型从「看起来有效」变成「上线就废」。5.1 模型对所有样本输出「正常」正类权重没吃进去现象训练 loss 在下降但验证集上火灾样本全部漏报预测全是 0。看一眼混淆矩阵召回率直接是 0。原因最常见的是 pos_weight 设小了正负比 1 比 150 的样本集只给了 2 倍权重交叉熵损失里火灾样本贡献仍然微不足道。也可能是数据加载时标签被当成非数值类型或者权重张量没放到和模型相同的 device导致 CrossEntropyLoss 静默退化为无权重版本。解决先统计训练集正负样本比pos_weight 初始取负样本数除以正样本数再乘以 0.5 到 0.8 的系数做缓冲。确认权重张量和标签都在同一个 device 上。如果召回率仍然为 0把滑动窗口步长从 seq_len 改成 1让正样本数量不再受窗口步长稀释然后对正常样本做间隔下采样把正负比压到 1 比 10 以内再训练。5.2 RBF 层输出恒为 0 或训练中 NaN中心点和 sigma 的锅现象训练刚开始 loss 完全不动打印 RBF 层输出发现全部是 0。另一种情况是训练到中途 loss 变成 NaN。原因中心点初始化不当是最常见根因。如果 RBF 层保持默认的随机初始化输入特征和中心点的欧氏距离普遍偏大高斯函数指数部分是个大负数exp 之后浮点下溢成 0。NaN 则通常是 sigma 学成负数直接用 nn.Parameter(torch.ones(...)) 定义 sigma 而没有加任何正数约束训练中梯度把 sigma 推到负值区高斯函数分母变成负的指数部分符号翻转数值直接失控。解决中心点必须用 KMeans 初始化不能随机。sigma 用 log_sigma 做参数前向时 exp 保证正数再 clamp 下限 1e-3。RBF 层的学习率单独设低一些比如 1e-4中心点和输出层用同一个 optimizer 时在 optimizer 构造后手动把 RBF 参数的分组学习率调低。5.3 模拟数据上效果很好换真实数据翻车传感器物理特性的差距现象在实验室或模拟数据上测试F1 超过 0.95接入现场传感器后误报率猛增连风扇吹动烟雾传感器都能触发报警。原因模拟数据通常假设噪声是高斯白噪声但真实传感器有基线漂移、响应非线性、水汽干扰和相邻通道串扰。更隐蔽的是模型可能在模拟数据里学到了「绝对温度阈值」而不是「温度变化趋势」。真实环境季节温差十几度绝对阈值直接被击穿。解决特征层面把绝对温度替换成差分温度让模型无法依赖绝对值训练阶段对输入做时间扰动增强比如把温度通道随机加上 0.5 度的偏置强迫模型关注变化模式而非具体数值上线前至少收集两周现场数据做回放测试把误报率跑出来再决定是否接告警。5.4 LSTM 训练震荡loss 上下跳输入尺度和学习率不匹配现象训练到第 50 轮左右loss 开始上下跳动验证集召回率忽高忽低loss 曲线看起来像锯齿。原因输入特征没有标准化是首要原因。温度和 CO 浓度的数值范围差了 100 倍未归一化的输入让 LSTM 内部状态尺度失衡梯度方向不稳定。另一个原因是学习率固定训练后期在最优点附近来回横跳找不到收敛点。batch_size 太小也会放大梯度噪声。解决StandardScaler 只 fit 在训练集上对验证测试集用同一组均值和标准差做 transform。学习率加余弦退火或 ReduceLROnPlateau。batch_size 提高到 64。梯度裁剪从 max_norm5.0 降到 1.0抑制 LSTM 灵长类激活值带来的大梯度。5.5 「提前报警」是假的标签泄漏与窗口污染现象验证集上提前 1 分钟报警的召回率很高上线后发现报警都发生在真实火灾之后根本没有提前量。把时间戳对齐往回查所有报警点都落在起火时刻之后。原因标签取错了位置。如果构建窗口时把标签取成窗口内最后一点的状态模型学的是「已经着火」而不是「将要着火」。滑动窗口重叠度高训练和验证阶段这种现象被评估指标的虚高掩盖了看起来模型神机妙算实际是在确认火灾后才发警报。解决标签严格取在窗口外 horizon 步的位置也就是 build_windows 函数里labels[t seq_len horizon - 1]的写法。验证阶段必须做提前量对齐只统计真实火灾发生时刻之前的报警发生在起火之后的预测全部不算命中。这一步能戳破大多数「假提前」。6. 验证提前量让模型提前 1 分钟报警才算数模型训练完最后一个问题不是「准确率多高」而是「提前量够不够用」。火灾预测的价值完全取决于提前时间提前 10 秒只能触发应急流程提前 60 秒才能组织人员疏散。所以验证阶段的重点是把报警时刻和真实火灾时间对齐统计每个提前量的召回率。def compute_lead_time_recall(model, test_loader, device, threshold0.5): 统计火灾发生前 30/60/120 秒内的报警召回率 model.eval() preds_all, labels_all [], [] with torch.no_grad(): for x, y in test_loader: logits model(x.to(device)) probs torch.softmax(logits, dim-1)[:, 1].cpu().numpy() preds_all.extend(probs) labels_all.extend(y.numpy()) preds_all np.array(preds_all) labels_all np.array(labels_all) fire_times np.where(labels_all 1)[0] alarm_times np.where(preds_all threshold)[0] result {} for lead in [30, 60, 120]: hit 0 for ft in fire_times: # 火灾发生前 lead 秒内是否存在一次报警 if np.any((alarm_times ft - lead) (alarm_times ft)): hit 1 result[lead] hit / len(fire_times) if len(fire_times) 0 else 0.0 return result测试集必须按时间升序排列fire_times 和 alarm_times 的索引才有物理意义。打印结果时如果 lead60 的召回率明显低于 lead30说明模型的预警能力集中在着火前 30 秒以内现场要想提前 1 分钟报警就得重新调整 horizon 或补充更早期的特征信号。在 0.5 的固定阈值之外我习惯再扫一遍概率阈值。火灾场景下 0.5 通常不是最优解类别不平衡会把最优阈值推到 0.3 甚至 0.2。做法很简单在验证集上从 0.2 到 0.7 每隔 0.05 扫一次取 F1 最高点作为线上阈值。这个阈值配合提前量召回率一起确定才算完成一次完整的模型验收。我之前有个项目在模拟数据上召回率 0.98提前量曲线也很漂亮结果接到现场才发现传感器的响应延迟把所有提前量都吃掉了。此后我把提前量验证和现场回放测试当作验收红线所有报警只有落到真实起火时刻之前才算数。这个教训花了我两周时间写出来希望帮到你。本文还有配套的精品资源点击获取