A Multi-Output CNN1D–GRU–MLP Architecture for Thermal Time-to-Risk Classification in Cold Chain Logistics

Abstract

Maintaining an uninterrupted cold chain is essential for ensuring the safety and quality of food and pharmaceutical products. However, conventional monitoring systems mainly provide descriptive information and offer limited support for anticipating thermal risks. This study presents a hybrid CNN1D-GRU-MLP multi-output architecture for thermal time-to-risk classification in multizone cold-chain environments. Due to the limited availability of labeled operational data, the model was initially evaluated using a synthetic dataset generated from energy-balance formulations. Using 30-minute thermal observation windows, the architecture simultaneously performs four tasks: temperature forecasting, time-to-risk interval classification, thermal state classification, and critical zone identification. The interval-bases formulation provides decision-oriented time ranges that are more useful for logistics operations than exact minute-level predictions. Although validation with real-word data remains necessary, the proposes methodology demonstrates the potential to transform thermal trajectories into meaningful information that supports earlier interventions and more effective cold-chain management.   Spanish-language metadata / Metadatos en españolTítulo en español:Arquitectura CNN1D–GRU–MLP multisalida para la clasificación del tiempo térmico hasta el riesgo en la logística de la cadena de frío Resumen:Mantener una cadena de frío ininterrumpida es esencial para garantizar la seguridad y la calidad de los productos alimentarios y farmacéuticos. Sin embargo, los sistemas convencionales de monitorización proporcionan principalmente información descriptiva y ofrecen un apoyo limitado para anticipar riesgos térmicos. Este estudio presenta una arquitectura híbrida multisalida CNN1D-GRU-MLP para la clasificación del tiempo térmico hasta el riesgo en entornos multizona de cadena de frío. Debido a la disponibilidad limitada de datos operativos etiquetados, el modelo se evaluó inicialmente utilizando un conjunto de datos sintéticos generado a partir de formulaciones de balance de energía. Mediante ventanas de observación térmica de 30 minutos, la arquitectura realiza simultáneamente cuatro tareas: predicción de temperatura, clasificación del intervalo de tiempo hasta el riesgo, clasificación del estado térmico e identificación de la zona crítica. La formulación basada en intervalos proporciona rangos temporales orientados a la toma de decisiones que resultan más útiles para las operaciones logísticas que las predicciones exactas a nivel de minutos. Aunque sigue siendo necesaria la validación con datos reales, la metodología propuesta demuestra el potencial para transformar las trayectorias térmicas en información significativa que facilite intervenciones más tempranas y una gestión más eficaz de la cadena de frío. Palabras Claves:Logística de la cadena de frío, series temporales térmicas, CNN1D-GRU. Smart citations:SciteAI. Dimensions.Open Alex.