跳转至

面向放牧生产系统的牛群生长模式与增重预测混合机器学习框架

文章背景与核心概要

在商业化放牧系统中，家畜的观测数据往往具有不规则性，这给准确预测肉牛生长带来了巨大挑战。本研究引入了一种新颖的混合机器学习框架，专门用于牛群层面的肉牛体重预测，该框架利用了2022年至2024年间在澳大利亚东南部收集的自动化传感观测数据。

通过将每周活重观测值、人口统计变量以及滞后环境预测因子整合到结构化预测数据集中，该框架通过对动物个体层面的预测结果进行时间聚合，生成了牛群层面的生长轨迹。该研究成果为异构传感环境下的饲料分配、放牧管理和牲畜营销决策提供了可行的智能支持。

作者： Muhammad Riaz Hasib Hossain, Rafiqul Islam, Shawn R. McGrath, Md Zahidul Islam, David W. Lamb
主要学科： 人工智能 (cs.AI)
arXiv ID： 2608.06001
提交时间： 2026年8月6日
许可协议： Creative Commons Attribution 4.0 license icon

摘要

商业放牧系统通常会产生不规则的牲畜观测数据，这给准确预测肉牛生长带来了重大挑战。本研究引入了一种新颖的混合机器学习框架，专为牛群层面的肉牛体重预测而设计，该框架利用了 2022 年至 2024 年间在澳大利亚东南部收集的自动传感观测数据。

Commercial grazing systems often yield irregular livestock observations, presenting a significant challenge for accurate cattle growth forecasting. This study introduces a novel hybrid machine learning framework designed for herd-level cattle weight forecasting, utilizing automated sensing observations collected between 2022 and 2024 in southeastern Australia.

通过将每周活重观测值、人口统计变量以及滞后的环境预测因子整合到结构化预测数据集中，该框架通过动物层面预测的时间聚合，生成牛群层面的生长轨迹。

By integrating weekly live weight observations, demographic variables, and lagged environmental predictors into structured forecasting datasets, the framework generates herd-level trajectories through the temporal aggregation of animal-level predictions.

关键发现与性能

  • 表现最佳的架构： 级联梯度提升（GB）到随机森林（RF）再到神经网络（NN）的架构表现出卓越的性能，实现了：
  • \(R^2\)： 0.889
  • RMSE： 21.319 kg
  • MAE： 15.462 kg
  • 鲁棒性： 在稀疏观测条件下，与循环序列模型（如 ARIMA、LSTM 和 GRU 基线）相比，混合架构表现出更好的弹性和鲁棒性。
  • 局限性： 预测误差随着预测时长的延长而逐渐增加。
  • 关键预测因子： 特征重要性分析表明，动物年龄、降雨量和温度是驱动牛群层面生长预测的主要预测因子。

Key Findings & Performance

  • Best Performing Architecture: The cascade Gradient Boosting (GB) to Random Forest (RF) to Neural Network (NN) architecture demonstrated superior performance, achieving:
  • \(R^2\): 0.889
  • RMSE: 21.319 kg
  • MAE: 15.462 kg
  • Robustness: Hybrid architectures exhibited greater resilience and robustness compared to recurrent sequential models (such as ARIMA, LSTM, and GRU baselines) under sparse observation conditions.
  • Limitations: Forecasting error increased progressively across extended prediction horizons.
  • Key Predictors: Feature importance analysis revealed that animal age, rainfall, and temperature are the dominant predictors driving herd-level growth forecasts.

实际应用

所提出的框架提供了可执行的智能支持，以在异构传感环境中协助进行饲料分配、放牧管理和牲畜营销决策。

Practical Applications

The proposed framework provides actionable intelligence to support feed allocation, grazing management, and livestock marketing decisions within heterogeneous sensing environments.