小麦作为全球40%人口的主食，其产后存储品质直接关系到粮食安全与营养保留。传统存储方式难以精准应对温湿度波动带来的品质变化，常导致营养流失或霉变风险，而现有研究多聚焦单一指标预测或静态分级，缺乏“预测-评估”一体化的系统解决方案。近日，国家工程研究中心张青川教授团队在国际期刊《Foods》（2025年，14卷，1715期）发表重磅研究，提出基于SGCNiFormer的预测-评估”双模型系统，为智能储粮管理提供了全新技术范式。

主要结论：

该研究创新性构建了融合时序预测与动态聚类的双模型系统，实现小麦存储品质的精准预测与科学分级。核心成果包括三方面：一是提出SGCNiFormer预测模型，整合图卷积网络（GCN）与Transformer架构优势，通过动态门控模块协调时空特征，精准模拟温湿度交互作用下小麦品质的多维演化，较Autoformer、Crossformer等7种主流模型，平均绝对误差（MAE）降低58%，预测精度显著提升；二是研发K-Smeans聚类算法，融入时序信息构建时空特征矩阵，解决传统K-means随机初始化、忽视动态变化的缺陷，将小麦品质划分为5个具有物理可解释性的等级，聚类轮廓系数等指标表现更优；三是建立“预测-评估”闭环机制，通过4个湿度梯度（12.5%-14%）、4个温度条件（15℃-30℃）下180天的全因子实验验证，为储粮温湿度控制提供量化决策依据，助力实现低成本、高安全性的智能仓储。

图文赏析：

图1 以折线图形式展现不同温湿度条件下小麦容重的动态变化，横轴为存储时间，纵轴为容重数值，清晰呈现高湿度、高温度环境下容重下降更为显著的规律，为模型训练提供了基础数据支撑，直观反映物理特性与存储环境的关联。

图2 系统展示模型核心架构，从数据嵌入、Transformer时序编码，到GCN空间特征提取，再到动态门控模块的特征融合，每一步骤逻辑关系一目了然，具象化呈现“时序+空间”的双维度建模思路，凸显模型创新设计。

图3 通过多边形雷达图对比7种主流模型的MAE、MSE、RMSE等5项关键指标，SGCNiFormer的雷达图面积最小且最接近坐标原点，直观印证其在多指标评价中的全面优势，让模型性能对比更具说服力。

图4 采用四列对比布局，左侧为模型预测结果，右侧为每30天实测数据，清晰展示不同温湿度条件下发芽率的变化趋势，两者曲线高度吻合，直接验证了模型对生理指标动态变化的预测准确性。

第一作者：

张青川，博士，北京工商大学计算机与人工智能学院副教授。致力于食品安全大数据、自然语言处理、农产品追溯等方面的研究工作。主持北京市自然科学基金1项、教育部人文社科基金青年项目1项、国家重点研发子课题1项，发表论文30余篇，其中SCI期刊论文20余篇。

研究方向：食品安全大数据、自然语言处理、多模态知识图谱、食品可信追溯。