【摘要】原烟作为一种高价值生产原料，在养护过程中需要对仓储堆垛内部的温度变化进行严格的监控和预测，以降低火灾发生导致巨额经济损失的风险。基于粒子群算法的混合长短记忆模型（PSO-SOM-LSTM），首先对数据进行预处理，将数据归一化再采用SOM聚类分别构建各类数据集；其次构建LSTM神经网络结构，输入训练数据进行训练；随后，基于PSO算法优化SOM-LSTM的网络权重，带入神经网络进行数据预测，并与四种不同的预测方法进行对比，证明了PSO-SOM-LSTM算法的优越性；最后通过均方根误差（RMSE）等指标来衡量实验结果，计算出均方根误差为0.043 5左右。实验结果表明，在RMS指标下，PSO-SOM-LSTM比SOM-LSTM减少了2.46%，比单一神经网络减少了8.94%，具有较优的预测效果。该算法可以实现较为精确的原烟仓储堆垛内部温度预测。