AI 怎样根据完整温度历史预测食品剩余货架期？

剩余货架期预测的输入，不是“现在几度”，而是这批食品从出库到现在的整条温度历史。同一批货，昨天在月台上停过两小时，和从没停过，今天的读数可能一模一样，剩下的货架期却不一样。必赢亚洲冷链食品安全的货架期预测思路，是把历史拆开，逐段算，再把结果合起来。

图较宽，可左右滑动查看

下面用一组假设数字走一遍流程，也说明这套做法在哪些地方不可信。

先切段，再折算每一段消耗多少

第一步把温度历史按环节或按温度变化切成若干段，每段取一个代表温度。这里的温度应该是产品温度，而不是空气温度；只有空气数据时，需要先用传热模型做一次重建，即虚拟传感。

第二步把每段温度折算成“劣变速率倍数”。常用的是 Arrhenius 型或 Q10 型修正：温度每升高一定幅度，反应速率按一个比例放大，Q10 数值因品类而异。

假设条件（示意）：某假设品类，参考温度 2°C，Q10 取 3，参考温度下货架期预算 192 小时（8 天）。速率倍数 = 3 的（T − 2）/10 次方。

用合计除以预算：历史 1 消耗约 45%，剩余约 55%；历史 2 消耗约 53%，剩余约 47%。两批货在门店冷柜里现在都是 2°C，温度显示完全一样，剩余货架期却差了将近 9 个百分点，折合十六七个小时。

分段的粒度要看数据。温度变化快的环节，比如装卸和开门，需要切得细一些；库内稳定存放可以切得粗一些。切得太粗会抹平短暂的高峰，切得太细又会放大传感器噪声，工程上通常要在两者之间试出一个平衡。

劣变不是匀速的

上面的算法把劣变当成匀速消耗，适合作为骨架，但真实的微生物增长不是这样。它有迟滞期、指数增长期和稳定期，先慢后快再放缓。Baranyi 这一类微生物动力学模型的用处，就在于把这三个阶段连成一条曲线，并且能处理温度随时间变化的情形。这里不展开公式，只需记住：同样一次超温，发生在迟滞期还是增长期，影响不同。

除微生物之外，还要选品质指标：色泽、质地、挥发性成分、感官评分等，具体取决于品类。多篇文献都强调，有效的模型要针对这个产品真正驱动腐败的机理来训练，而不是套一条通用衰减曲线。

初始品质、湿度和包装为什么也要入模

同样的温度历史，起点不一样，结果就不一样。初始品质，包括初始菌量、新鲜度和加工状态，决定了曲线从哪里开始。湿度影响水分活度与失水、吸潮，对果蔬、烘焙和干货尤其明显。包装则通过气体阻隔与水蒸气阻隔，影响氧化、水分迁移与包装内的气体环境，前面包装在冷藏与冷冻环境里的性能差别就是这方面的例子。

所以模型输入里除了温度，还需要初始品质、包装的阻隔参数和湿度记录。缺了这些，模型只能对“平均的货”做预测。

机理模型留骨架，AI 只修残差

比较稳妥的做法是分工：机理部分，包括传热和劣变动力学，负责给出可解释的骨架；AI 部分只去估计残差偏差，比如个体差异、传感器偏移、货位差异。同一辆车里，靠门的货位总比靠里的升温快，机理模型并不知道货位，残差修正却能从数据里学到这个偏差。2026 年就有研究把基于物理的传热模型与机器学习残差修正结合，用于预测冷链里的温度动态与产品劣变，机器学习只估计残差，控制方程保持不动。

这样做的好处是，模型在没见过的温度曲线上，不至于完全失控；也便于解释“为什么这批货被判定消耗得快”。

给出区间，也承认数据会缺

预测输出不该是一个数，而是一个带区间的范围，例如“剩余约 47%，区间 38%–56%（示意）”。区间来自传感器误差、Q10 取值、初始品质未知，以及产品温度本身只是推算。决策时应该参考区间的下界，而不是点估计。比如系统设定“下界低于 20% 就提示优先销售”，那么区间更宽的批次会被更早提示，而不是等点估计降到阈值才响应，这正是给出区间的实际用处。

数据缺失是常态。传感器掉线的那一段，不能简单地线性插值当作正常；更稳妥的做法是用邻近数据和环境侧数据做保守估计，同时放宽区间，并且在记录里标注这一段是估计值。

还有几条局限：没有做过实测货架期试验的品类，模型不可信；新包装、新配方要重新标定；预测是给人参考的，最终处置仍要由人员按 HACCP 复核。比如延迟运输后是否继续配送，剩余货架期只是判断依据之一，不是唯一依据。