Burada, Sparrow Search Algorithm (SSA) ile optimize edilmiş konvolüsyon sinir ağları (CNN)-uzun kısa vadeli hafıza (LSTM)-Dikkat çerçevesine dayalı kömür spontan yanma sıcaklığı tahmini için bir protokol öneriyoruz. Bu protokol, sabit ağ mimarilerinin sınırlamalarını, sınırlı genellemeyi ve geleneksel yöntemlerde sıkça karşılaşılan düşük aktarılabilirliği ele alır. Çerçeve, CNN kullanarak mekânsal özellikleri çıkarır ve LSTM ağlarıyla zamansal bağımlılıkları yakalarken, dikkat mekanizması kritik sıcaklık evrelerini ve belirgin özellikleri vurgular. SSA, ağ derinliğini ve hiperparametreleri ortak olarak optimize ederek, farklı madencilik alanları ve deneysel koşullarda değişen veri karmaşıklıklarına dinamik uyum sağlamayı sağlar. Protokol, veri toplama, özellik ön işleme, model oluşturma, parametre optimizasyonu ve doğrulama adımlarından oluşur. Deneysel sonuçlar, önerilen modelin homojen veri setlerinde önemli ölçüde daha yüksek tahmin doğruluğu sağladığını ve heterojen veri setleri arasında sağlam genelleme performansını sürdürdüğünü göstererek, gerçek zamanlı kömür madeni sıcaklık izleme ve erken uyarı sistemleri için oldukça uygun hale gelmektedir.