نُقدِّم نموذجًا لشبكة عصبية تنبؤية متكررة للاتجاه (rTPNN) للكشف عن الحرائق باستخدام أجهزة استشعار متعددة، بناءً على تنبؤ الاتجاه ومستوى قراءات المستشعرات، بالإضافة إلى دمجها. يختلف نموذج rTPNN بشكل كبير عن الطرق الحالية بسبب استخدام معالجة متكررة للبيانات المستشعرية في هيكله. يقوم نموذج rTPNN بإجراء تنبؤات بالاتجاه وتنبؤات بالمستوى بالنسبة لسلسلة زمنية لكل قراءة مستشعر، ويُسجِّل الاتجاهات في البيانات الزمنية متعددة المتغيرات الناتجة عن جهاز استشعار متعدد المستشعرات. قارنا أداء نموذج rTPNN مع أداء كل من الانحدار الخطي (LR)، والشبكة العصبية التكرارية غير الخطية (NP)، والشبكة العصبية متعددة الطبقات (MLP)، ونموذج Kendall-τ المدمج مع MLP، والشبكة العصبية البايزية الاحتمالية (PBNN)، والشبكة العصبية ذات الذاكرة الطويلة القصيرة (LSTM)، وآلة المتجهات الداعمة (SVM)، باستخدام مجموعة بيانات حرائق متاحة للعامة. أظهرت نتائجنا أن نموذج rTPNN يتفوّق بشكل ملحوظ على جميع النماذج الأخرى (بمعدل دقة 96٪)، ويعتبر النموذج الوحيد الذي يحقق معدلات عالية لكل من الإيجابيات الحقيقية (True Positive) والسلبيات الحقيقية (True Negative) في الوقت نفسه (كلاهما فوق 92٪). كما أن rTPNN يُفعّل إنذارًا خلال 11 ثانية فقط من بداية الحريق، مقارنة بـ 22 ثانية للنموذج الثاني الأفضل. علاوةً على ذلك، نُبيّن أن زمن تنفيذ rTPNN مقبول جدًا للاستخدامات في الزمن الحقيقي.