基于畜群组的机器学习模型牛体重增长预测
人工智能
2025-09-17 v1 机器学习
摘要
预测基于畜群组的牛体重增长（MB CWG）可使大型畜牧场受益，使农户能够优化饲喂策略、做出科学的育种选择，并降低与气候变异和市场波动相关的风险。本文提出了一种名为 MB CWG 的新技术，利用从 Charles Sturt University Farm 收集的历史数据，预测基于畜群组牛的一个月提前体重增长。本研究采用随机森林（RF）模型，并将其性能与支持向量回归（SVR）和长短期记忆（LSTM）模型在月度体重增长预测上进行了比较。使用四个数据集评估模型性能，包含来自 108 头基于畜群组牛的 756 个样本数据，以及影响 CWG 的天气数据（降雨量和温度）。在包含天气和年龄因素时，RF 模型在所有数据集上均优于 SVR 和 LSTM 模型，实现了 0.973 的 R^2、0.040 的 RMSE 和 0.033 的 MAE。结果表明，同时包含天气和年龄因素可显著提高体重增长预测的准确性，且 RF 模型在所有场景中均优于 SVR 和 LSTM 模型。这些发现证明了 RF 作为在可变条件下预测牛体重增长的稳健工具的潜力，突出了年龄和气候因素对基于畜群组体重趋势的影响。本研究还开发了一款创新的自动化预处理工具，用于生成 MB CWG 预测模型的基准数据集。该工具已在 GitHub 上公开提供，可协助为当前和未来的分析研究准备数据集。
引用
@article{arxiv.2509.12615,
title = {Mob-based cattle weight gain forecasting using ML models},
author = {Muhammad Riaz Hasib Hossain and Rafiqul Islam and Shawn R McGrath and Md Zahidul Islam and David Lamb},
journal= {arXiv preprint arXiv:2509.12615},
year = {2025}
}