Proactive early invisible spoilage-risk prediction through uncertainty-quantified temporal microbial growth intelligence

方法

贝叶斯注意力时序网络结合LSTM、注意力机制与蒙特卡洛Dropout，使用Com

发现

模型预测精度达97.8%，R²为0.97，可实现不确定性感知的腐败风险分级。

机会点

可将该不确定性感知时序框架迁移至农产品冷链、仓储等场景的早期风险预警与决策。

本研究针对主动食品安全监测的需求展开，因为微生物在可见腐败显现之前可能已经增殖。现有的微生物预测方法主要提供确定性预测，往往缺乏时间可解释性、预测不确定性以及面向决策的风险估计。本研究提出贝叶斯注意力时间微生物生长网络（BAT-MG Net），用于预测微生物浓度并估计早期腐败风险。该模型使用Python及GPU加速的深度学习工具实现，采用ComBase微生物生长时间序列数据。缺失值通过基于训练集的插补处理，特征经Min-Max归一化，并采用分组分层80:20划分以防止实验泄漏。模型使用6小时时间窗口和提前6小时的预测视野，结合LSTM与注意力机制，同时利用蒙特卡洛Dropout量化预测不确定性。由此得到的D-PSRI将微生物浓度与不确定性相结合，将风险分为低、中、高三个等级。BAT-MG Net取得了97.8%的准确率、0.198的RMSE、0.154的MAE和0.97的R²，PICP为94.6%，校准误差为0.021。这些结果表明，在所评估的ComBase分析子集内，该模型能够有效预测微生物浓度并实现不确定性感知的腐败风险估计。由于数据集、预测终点、实验条件和建模任务的差异使得无法进行直接的性能对比，先前报道的研究仅作为背景参考纳入。