基于时空花园图卷积网络的 bee colony 病原发生预测
机器学习
2026-05-19 v2 人工智能
摘要
蜂群损失威胁全球授粉服务，而当前监测系统将每个蜂箱视为独立单元，忽略了疾病在 apiary 之间通过空间路径的传播。本文引入时空花园图卷积网络（STAG-CN），一种基于图神经网络的模型，用于建模 hive 间关系进行病原发生预测。STAG-CN 基于物理邻近性和气象传感器相关性组合而成的双邻接图，在其上处理来自多变量 IoT 传感器流的时空--时序--时序 sandwich 架构，构建于因果稀疏卷积和切比雀夫谱图卷积之上。在扩大窗口时间交叉验证下，对韩国 AI Hub 养蜂数据集（数据集 #71488）进行评估，STAG-CN 在三天预测时程下实现 0.607 的 F1 分数。消融研究表明，仅气象邻接矩阵即可达到完整模型性能（F1=0.607），而物理邻接矩阵单独使用仅得 F1=0.274，表明共享环境响应模式携带的预测信号强于空间邻近性用于病原发生预测。这些结果为基于图的生物安全监测在精密养蜂领域奠定了概念验证，展示了 hive 间传感器相关性编码的疾病相关信息对单 hive 方法不可见。
引用
@article{arxiv.2603.14462,
title = {STAG-CN: Spatio-Temporal Apiary Graph Convolutional Network for Disease Onset Prediction in Beehive Sensor Networks},
author = {Sungwoo Kang},
journal= {arXiv preprint arXiv:2603.14462},
year = {2026}
}
备注
Null result after running with 10 seeds