La temperatura del metal caliente es un factor clave que afecta la calidad y el consumo de energía de la fundición de hierro y acero. La predicción precisa de la caída de temperatura en un cucharón de metal caliente es muy importante para optimizar el transporte, mejorar la eficiencia y reducir el consumo de energía. La mayoría de los estudios existentes se centran en la predicción de la temperatura del hierro fundido en los tanques torpedo, pero hay una brecha significativa en la investigación sobre la predicción de la caída de temperatura del cucharón de hierro fundido, especialmente a medida que el cucharón se utiliza cada vez más para reemplazar el tanque torpedo en el proceso de transporte, esta brecha de investigación no ha sido abordada completamente en la literatura existente. Este documento propone un modelo híbrido de aprendizaje profundo interpretable que combina Bi-LSTM y Transformer para resolver la complejidad de la predicción de la caída de temperatura. Al aprovechar Catboost-RFECV, se seleccionan las variables más influyentes y el modelo captura tanto las características locales con Bi-LSTM como las dependencias globales con Transformer. Los hiperparámetros se optimizan automáticamente utilizando Optuna, mejorando el rendimiento del modelo. Además, el análisis SHAP proporciona información valiosa sobre los factores clave que influyen en las caídas de temperatura, lo que permite una predicción más precisa de la temperatura del hierro fundido. Los resultados experimentales demuestran que el modelo propuesto supera a cada modelo individual en el conjunto en términos de R, RMSE, MAE y otros métricas de evaluación. Además, el análisis SHAP identifica los factores clave que contribuyen a la caída de temperatura.