基于Transformer架构的奶牛分娩时间预测：尾加速度数据分析与混合深度学习模型比较研究

本研究针对奶牛分娩时间预测精度不足的问题，开展了基于尾加速度数据的Transformer、CNN-Transformer和LSTM-Transformer模型比较研究。结果表明，三种模型均实现了93.5%以上的准确率，其中CNN-Transformer_1layer模型表现最优（准确率0.944，损失值0.064），为智能化奶牛分娩监测提供了新的技术方案。

　　

在现代化奶牛养殖管理中，准确预测分娩时间是降低犊牛死亡率和保障母牛产后健康的关键环节。传统的人工观察方法不仅耗时耗力，而且难以实现24小时不间断监测。近年来，随着可穿戴传感器技术的发展，基于加速度计的行为监测为分娩预测提供了新的解决方案。然而，现有研究大多采用头部或腿部传感器，存在灵敏度不足（54%-71%）和特异性波动大（63%-96%）等问题，且传统机器学习方法需要先进行行为特征提取再建模，限制了预测的时间分辨率。

针对这些挑战，西安理工大学计算机科学与工程学院赵继正团队在《Smart Agricultural Technology》发表了创新性研究，系统评估了Transformer架构及其混合模型在奶牛分娩预测中的应用价值。该研究突破了传统两步式（行为识别+预测建模）的技术路线，直接利用尾加速度原始数据实现了端到端的分娩时间预测。

研究团队采用了三项关键技术方法：首先在陕西杨凌原泰牧业有限公司收集了45头荷斯坦奶牛的尾加速度数据（28头训练，17头测试），传感器以12.5Hz频率采集三轴加速度数据；其次采用TimeGAN（Time-series Generative Adversarial Networks）时间序列生成对抗网络解决产前与非产前期数据不平衡问题；最后构建了Transformer、CNN-Transformer和LSTM-Transformer三类深度学习模型进行对比研究。

研究结果：

模型训练性能比较

通过系统优化隐藏维度（4-64）和批处理大小（8-64）等超参数，研究发现：三层Transformer模型（Transformer_3layer）在隐藏维度32、批处理大小64时达到最佳性能（准确率0.935，精确率0.952，召回率0.918，F1分数0.935，损失值0.076）；而混合模型中，单层Transformer的CNN-Transformer和LSTM-Transformer表现最优，分别获得0.944和0.939的准确率。自助重采样统计显示三类模型在分类指标上无显著差异，但Transformer_3layer和CNN-Transformer_1layer的损失值显著低于LSTM-Transformer_1layer。

模型预警生成能力

将训练好的模型应用于17头测试奶牛数据时发现：Transformer_3layer对6头奶牛在分娩前6小时内成功生成首次预警，对4头奶牛在24小时内生成预警；CNN-Transformer_1layer对6头奶牛在6小时内生成预警；LSTM-Transformer_1layer则对4头奶牛在6小时内生成预警。短时傅里叶变换分析表明，所有模型的预警生成均与高频加速度成分增加相关，但个体间尾部运动模式存在显著差异。

讨论与意义：

本研究首次将Transformer架构引入奶牛分娩预测领域，证实了基于尾加速度数据的深度学习模型可实现超过90%的预测灵敏度，显著优于传统机器学习方法（78.6%）。特别是CNN-Transformer混合架构，既保留了CNN提取局部时序特征的优势，又结合了Transformer捕捉长期依赖的能力，在预测精度和计算效率间取得了最佳平衡。

研究还发现个体差异是影响预测准确性的关键因素，未来需要开发个性化校准算法。此外，尽管Transformer模型展示了良好的预测潜力，但其计算复杂度可能限制在边缘设备上的部署，后续研究可探索模型轻量化方案。

该研究成果为智能畜牧业提供了重要的技术支撑，通过实时准确的分娩预警，不仅能够有效降低犊牛死亡率，还能显著改善动物福利水平，推动精准畜牧业向智能化、自动化方向发展。研究团队建议未来结合多模态数据（如环境温度、奶牛胎次等）进一步优化模型性能，并通过跨农场验证提升模型的普适性。