摘要
新鲜农产品是高易腐产品，其在采后处理、储存、运输和分销过程中的品质会持续变化。现有的保质期预测方法通常采用恒定储存环境或以保质期终点的品质作为度量指标，因此无法捕捉运输过程中热环境的变化。本文提出了一种面向冷链生鲜农产品动态剩余保质期（RSL）预测的事件感知自适应物理信息数字孪生（EA-PI-DT）方法。该方法利用冷链传感器观测数据、数据质量控制、事件检测、热状态重构、呼吸动力学、密封包装中的二氧化碳动态变化、相对劣化建模、保质期消耗计算以及物理信息保质期预测。我们引入了一个自适应残差校正模块，用于弥补机理预测与实际劣化轨迹之间的系统性差异，并使用状态变量对冷链事件进行显式建模。该框架与基于物理的模型基线以及残差学习模型（如岭回归、随机森林和XGBoost）进行了对比。我们通过概念验证评估验证了该框架，评估使用了三种生鲜农产品共六条实验获取的受扰轨迹。结果表明，所提出的框架可以可行地应用于所考察的轨迹，但并不意味着结果具有超出这些农产品和品种范围的普适性；相对于基于物理的方法，我们取得了0.441天的平均绝对误差（MAE）和0.450天的均方根误差（RMSE），而物理方法的相应数值为0.708天和0.877天，R2从0.815提升至0.951。
