面向物联网食品腐败预测的可解释混合深度Q学习框架：合成数据生成与硬件验证
机器学习
2025-12-23 v1
摘要
在当今物联网驱动的食品供应链中，易腐货物极易受环境影响，因此对智能、实时的腐败预测系统的需求变得至关重要。现有方法通常缺乏对动态条件的适应性，并且无法实时优化决策。为了解决这些挑战，我们提出了一种混合强化学习框架，该框架集成了长短期记忆网络（LSTM）和循环神经网络（RNN）以增强腐败预测能力。这种混合架构捕获传感器数据中的时间依赖性，从而实现稳健且自适应的决策。与可解释人工智能原则一致，我们采用基于规则的分类器环境，根据领域特定阈值提供透明的腐败水平真实标签。这种结构化设计允许智能体在明确定义的语义边界内运行，支持可追溯和可解释的决策。使用可解释性驱动的指标监控模型行为，包括腐败准确率、奖励步数比、损失降低率和探索衰减率。这些指标既提供了定量性能评估，也提供了对学习动态的洞察。使用类别级腐败分布可视化来分析智能体的决策轮廓和策略行为。在模拟和实时硬件数据上的广泛评估表明，基于LSTM和RNN的智能体在预测准确性和决策效率方面优于其他强化学习方法，同时保持了可解释性。结果突显了具有集成可解释性的混合深度强化学习在可扩展的物联网食品监控系统中的潜力。
引用
@article{arxiv.2512.19361,
title = {Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation},
author = {Isshaan Singh and Divyansh Chawla and Anshu Garg and Shivin Mangal and Pallavi Gupta and Khushi Agarwal and Nimrat Singh Khalsa and Nandan Patel},
journal= {arXiv preprint arXiv:2512.19361},
year = {2025}
}