综述：基于群体的牛群增重预测机器学习模型应用

这篇综述创新性地提出MB-CWG（群体牛增重预测）模型，通过整合天气、年龄等多元数据，验证了随机森林（RF）在预测精度（R2=0.973）和稳定性上的显著优势，为畜牧业智能化管理提供了可落地的技术方案。

　　

摘要

研究团队开发了基于机器学习的MB-CWG（Mob-Based Cattle Weight Gain）预测系统，通过整合澳大利亚Charles Sturt University农场108头安格斯牛的756组历史数据（含体重、降雨量、温度等），对比了随机森林（RF）、支持向量回归（SVR）和长短期记忆网络（LSTM）的性能。结果显示，RF模型在包含天气和年龄因素时表现最优（R²=0.973，RMSE=0.040），显著优于传统方法。研究还开发了自动化预处理工具并开源，为畜牧业精准管理提供了新范式。

引言

全球肉类需求增长推动畜牧业向数据驱动转型。传统个体牛只称重方法效率低下，而群体（mob-based）预测能优化饲料配给、育种决策和市场风险应对。现有研究多聚焦个体牛只，忽略了群体动态和气候等关键因素。本研究首次系统评估了机器学习在MB-CWG预测中的应用潜力。

研究方法

数据采集：

• •

  采用Optiweigh无应激称重系统，通过RFID自动记录267头安格斯牛9个月的体重

• •

  整合澳大利亚气象局（BOM）的温湿度数据

• •

  剔除异常值后保留108头牛的有效数据

特征工程：

• •

  核心变量：当前月体重、上月体重、月龄、当月及前两月降雨/温度

• •

  构建4种数据集组合（全特征/仅天气/仅年龄/无附加特征）

• •

  开发C#自动化预处理工具（已开源）

模型构建：

• •

  RF：采用100棵决策树，网格搜索优化max_depth等参数

• •

  LSTM：双隐藏层结构，tanh激活函数处理时序特征

• •

  SVR：RBF核函数，C参数调优

实验结果

性能对比：

• •

  RF全面领先：测试集R²达0.970，准确率96.7%

• •

  LSTM时序处理优异但依赖完整特征（R²下降0.024当剔除天气）

• •

  SVR在简化数据集表现欠佳（最低R²仅0.908）

关键发现：

• •

  年龄与体重呈强正相关（p<0.05）

• •

  雨季增重比旱季高15%-20%

• •

  6-8月龄牛对温度变化最敏感

讨论

RF的集成学习特性有效捕捉了气候与生长的非线性关系，其决策树机制可解释性强，适合农场应用。LSTM虽能捕捉生长曲线时序特征，但需要更大数据量支持。值得注意的是，温度超过28°C时模型预测误差增大，提示需引入热应激修正因子。

创新与展望

研究首次实现：

1. 1.

   群体级牛只增重的月尺度预测

2. 2.

   开源数据预处理工具标准化分析流程

   未来可拓展方向包括：

   • •

     融合卫星遥感牧草数据

   • •

     开发移动端实时预测系统

   • •

     验证模型在不同品种牛群的泛化能力

结论

RF模型配合气候-年龄多维数据，可精准预测群体牛只增重趋势。该技术已具备商业化应用条件，将助力畜牧业应对气候变化和市场波动双重挑战。