基于区域建模与深度时空学习的粮堆温度多特征预测方法

《Journal of Stored Products Research》：A multi-feature prediction method for grain pile temperature based on regional modeling and deep spatio-temporal learning

　　

- 仅凭单点或多点预测不足以支撑区域通风决策。- 空间分区能够在降低计算复杂度的前提下，实现区域温度特征预测。- 混合LSTM–注意力模型提高了时空预测精度。- 多特征输出能够更好地刻画粮堆的热状态。

**引言**

中国作为全球最大的粮食生产国、消费国和进口国，面临着严峻的粮食安全挑战，这既影响日常生活，也关系经济社会体系的稳定（FAO，2019）。近年来，中国粮食产量持续增长，但收获后的损失仍然可观。这些损失主要发生在储存、运输和加工环节，其中储存环节占比很大。据估计，中国产后粮食损失约为3500万吨，接近粮食总产量的8%。霉菌生长、虫害侵袭以及储存条件不足是这些损失的常见原因（Qu等，2023）。近年来粮食产能不断提升，但储存安全水平的改善相对滞后，这制约了粮食储存体系的整体效率。

温度在储存安全中起着关键作用（Bharathi等，2023；El-Kholy与Kamel，2021）。在储存过程中，粮堆内部温度可能升高并形成局部热点。若未能及时检测这些热点，热量会向相邻区域扩散，破坏粮堆原有的热平衡（Kiaitsi等，2025）。在这种情况下，温度监测成为储存管理的核心组成部分。多点温度监测常用于描述粮堆不同位置的传热条件。相比之下，单点测量仅能捕捉局部温度变化，提供的空间信息有限。因此，多点温度监测在粮仓运营和管理中的应用日益广泛。

随着粮食储存需求的增加，更先进的储存技术显得越来越迫切。多点温度传感网络已被广泛用于监测粮堆内部环境。这些系统能够持续监测粮堆温度并长期记录数据，为粮食储存安全提供基础数据支撑（Viviane等，2023）。然而在实际应用中，现有监测系统主要侧重数据采集，对温度时间序列变化和空间分布特征的分析仍高度依赖管理人员的经验与判断。不同人对异常信号的解读可能不同，可能导致风险识别延迟甚至误判，从而加剧粮食储存的潜在安全隐患（Labrot–Rhodes等，2025）。在此背景下，以预测为目标的粮堆温度分析已成为智能粮储领域的重要研究方向（Wu等，2025）。通过构建表征粮堆内部热演化规律的预测模型，可以估计未来热状态变化，为粮储监管和风险评估提供额外信息。

早期关于粮堆温度预测的研究主要依赖物理机制模型和统计模型。基于传热理论的物理模型用于描述粮堆内部温度扩散并分析不同边界条件下的热响应（Larwa，2018）。后续研究考察了粮堆结构参数及其对环境扰动的敏感性，结果表明物理模型在复杂储存条件下的适用性有限（Sun等，2024）。同时，统计时间序列模型也被用于短期粮堆温度预测，这些模型能够捕捉特定条件下的历史温度变化规律（Suradhaniwar等，2021）。然而，粮堆温度演化表现出强烈的非线性和非稳态特征。由于这些特性，统计模型在复杂环境中往往面临预测稳定性有限、泛化能力弱的困境（Weiss，2021）。随着传感器数据规模的扩大，机器学习方法逐渐被引入粮堆温度预测。人工神经网络能够从历史温度序列中学习非线性映射关系，且通常比传统统计方法获得更高的预测精度（Chen与Liu，2024）。支持向量回归模型在一定程度上能够减少噪声影响，但仍难以有效捕捉长期时间依赖（Garcia-Vazquez等，2023）。在此基础上，深度学习模型越来越多地应用于粮堆温度预测。循环神经网络变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），能够从历史温度数据中学习长期依赖关系，在中长期预测任务中表现出良好的稳定性（Li等，2025）。此外，基于注意力机制的时间序列模型在长序列预测方面取得了显著进展。Informer通过稀疏注意力机制降低了长序列建模的计算负担（Tran与Xin，2023）。Autoformer通过分解时间序列组件提高了长期预测稳定性（Wu等，2021）。时间融合Transformer（Temporal Fusion Transformer）在多变量时间序列建模中表现出色，并提高了预测结果的可解释性（Lim等，2021）。尽管循环神经网络在建模连续时间依赖方面非常有效，但其处理超长序列的能力仍然有限。相比之下，基于注意力机制的模型能够更有效地捕捉全局依赖，但在表达局部时间演化和短期动态特征方面仍面临挑战。

除时间建模外，粮堆温度分布还表现出明显的空间相关性。相邻测量点的温度变化并非相互独立，它们共同受热扩散过程和粮堆结构特性的影响（Luo等，2025）。因此，仅基于单点或多点温度预测的方法无法完整表征粮堆的整体热状态。为解决这一问题，研究者引入了空间建模方法。在工业储存环境中，对传感网络数据进行区域聚合能够实现更稳定的温度分布建模与预测（Chen与Liu，2024）。在此基础上，图卷积网络被用于描述传感器之间的空间拓扑关系并建模测量点之间的空间相关性（He等，2022）。然而，这些方法对预定义拓扑结构高度依赖，性能对邻接关系构建敏感，且模型复杂度随监测规模扩大而显著增加。为减少对显式拓扑的依赖并提升空间特征提取能力，研究者提出了时空卷积模型和三维卷积模型。这些方法直接在规则空间结构中的体素级或局部区域单元上进行建模，同时学习时间演化，其有效性已在多个应用领域得到验证（Verdone等，2024；Qu等，2023）。这类模型在一定程度上提升了对局部空间模式的表征能力。尽管取得上述进展，基于离散测量点和图结构的空间建模方法在描绘粮堆内部连续温度分布方面仍存在局限，难以直观反映空间梯度变化和局部热扩散特征（Feng等，2024）。因此，在粮食储存场景中，研究者已探索粮堆温度场的连续重构，以同时表征多点温度信息和整体空间分布（Wang与Zhang，2019）。尽管连续温度场能够提供更直观的空间表达，但其建模和计算过程高度依赖传感器密度和空间分辨率。模型复杂度随监测规模扩大而显著增加，难以满足工程应用中的计算效率要求。同时，现有空间建模方法大多以单温度值预测为主要目标，输出结果通常是信息量较少的单一温度值序列。即使实现了粮堆温度场重构，仍难以直接提炼出能够表征粮堆整体热状态、空间离散度和演化趋势的关键特征。

为解决上述问题，本研究从建模尺度、模型架构和预测输出三个方面对粮堆温度预测进行重构，结合卷积神经网络与深度时间序列模型，开发了一种名为GLiT的粮堆温度预测框架。在建模尺度方面，根据粮堆实际空间布局对多点温度测量数据进行重构，将传统温度测量点划分为具有明确物理意义的空间块表示。该设计在保留必要空间信息的同时降低了建模维度和计算复杂度。在模型架构方面，利用卷积神经网络提取粮堆空间结构特征（Li等，2025）。此外，将门控机制与循环神经网络LSTM（Esparza-Gómez等，2023）及iTransformer（Liu等，2023）相结合，使模型能够在时间维度上捕捉局部时间依赖和全局多变量相关性。在预测输出方面，该方法不局限于单一温度值，而是同时输出每个空间块的平均温度、温度方差和三维温度梯度。这些输出能够更直接地描述粮堆内部的局部热条件、热稳定性和热扩散行为。通过这一设计，模型在保持预测性能的同时降低了计算复杂度。GLiT预测框架通过协调建模尺度、模型架构和预测输出，为粮堆温度预测提供了一种结构化且高效的方法。

本研究的贡献如下：

A）为降低计算复杂度，本文提出了一种新的特征工程方法，结合空间分区策略和局部关联建模，将温度预测从单一测量点扩展到块级空间表示，并使用卷积神经网络提取空间块之间的相关性。

B）单一的iTransformer或LSTM架构难以应对粮仓环境的复杂变化，因此本文通过集成LSTM、iTransformer和门控机制，开发了一种门控混合时间序列预测模型。门控机制实现了局部时间依赖建模与多全局相关性建模的自适应融合，从而准确预测粮堆温度特征。

C）与常规单变量预测不同，本研究提出的模型不仅预测每个空间的平均温度，还输出派生特征，包括温度方差和三维温度梯度。这些输出为区域热水平、空间内温度离散度和空间温度变化提供了互补描述。通过将空间块映射与梯度表示相结合，预测结果从单一温度值扩展为区域热状态和空间异质性的结构化描述。这些信息能够为后续粮储分析和管理决策提供定量依据。

本文其余部分组织如下。第二部分介绍所提出的粮堆温度多特征预测方法，详细描述数据采集、数据处理和分析过程。基于粮仓实际结构，分析时空特征，并介绍空间分区、焦点块选择以及GLiT模型的设计与实现。第三部分从预测精度和计算复杂度方面评估所提方法，并引入特征场的概念，将预测的平均温度、温度方差和梯度特征映射到具有空间意义的特征场表示中。第四部分总结全文并讨论未来研究方向。

**材料与方法**

本节描述基于区域建模的多特征粮堆温度预测方法的总体框架。该框架结合了数据分析处理与深度学习预测方法。首先，介绍从粮堆多个测量点采集的温度数据及相关变量。然后，通过空间分区策略将这些测量点聚合为空间块，并

**结果与分析**

在模型训练之前，将GLiT的主要超参数固定以确保实验的一致性和可重复性。输入序列长度和预测长度分别设为80和30，批量大小为32，最大训练轮数为500。

模型使用 Adam 优化器进行优化，初始学习率为 0.001，损失函数为 MSE（均方误差）。隐藏维度 d_model 设为 96，包含六个注意力头、两个编码器层、前馈网络维度为 256，

**结论**

针对多点粮堆温度预测中空间表征能力有限且建模维度较高的问题，本研究提出了一种基于空间块的时空预测方法。通过在块尺度上组织分布式的温度测量数据，将空间邻域特征提取与时间建模相结合，在表征温度演化规律的同时降低了建模维度。所提出的框架进一步集成了 LSTM，

**CRediT 作者贡献声明**

Hongwei Zhang（张伟）：写作 – 审阅与编辑、监督指导、项目管理、概念构思。Jingyu Yang（杨景玉）：写作 – 审阅与编辑、写作 – 初稿撰写、可视化、验证、软件、方法论、调查研究、形式化分析、数据整理。Yating Zhu（朱亚婷）：写作 – 审阅与编辑、验证、监督指导。Enze Ren（任恩泽）：资源提供、调查研究、数据整理。Zhuo Gao（高卓）：验证、方法论、形式化分析。Bixian Li（李必贤）：写作 – 审阅与编辑、监督指导。

**写作过程中生成式人工智能及人工智能辅助技术的使用声明**

在准备本工作期间，作者使用了 ChatGPT 以提升语言表达和可读性。在使用该工具后，作者对内容进行了审阅和编辑，并按需作出修改，对发表内容的全部负责。

**利益冲突声明**

作者声明不存在已知的可能影响本文所述工作的竞争财务利益或个人关系。

Hongwei Zhang | Jingyu Yang | Yating Zhu | Enze Ren | Zhuo Gao | Bixian Li