Nous proposons un réseau de neurones prédictif à tendance récurrente (rTPNN) pour la détection incendie multi-capteurs, fondé sur la prédiction de tendance ainsi que la prédiction et la fusion des niveaux des signaux capteurs. Le modèle rTPNN se distingue de méthodes existantes par le traitement récurrent des données capteur intégré à son architecture. Le rTPNN effectue à la fois la prédiction de tendance et la prédiction de niveau pour les séries temporelles de chaque signal capteur, tout en capturant les tendances dans les données multivariées issues d’un détecteur à capteurs multiples. Nous comparons les performances du modèle rTPNN à celles des modèles suivants sur un jeu de données incendie publiquement disponible : régression linéaire (LR), perceptron non linéaire (NP), perceptron multicouches (MLP), combinaison de Kendall-τ avec MLP, réseau de neurones bayésien probabiliste (PBNN), mémoire à long et court terme (LSTM) et machine à vecteurs de support (SVM). Nos résultats montrent que le modèle rTPNN surpasse significativement tous les autres modèles (avec une précision de 96 %), tout en étant le seul à atteindre à la fois des taux élevés de vrais positifs et de vrais négatifs (supérieurs à 92 %). De plus, le rTPNN déclenche une alarme en seulement 11 secondes après le début de l’incendie, contre 22 secondes pour le deuxième meilleur modèle. Enfin, nous démontrons que le temps d’exécution du rTPNN est acceptable pour des applications en temps réel.