天气影响下的奶牛产奶量预测混合模型比较研究

《Journal of Agriculture and Food Research》：A comparative study of hybrid models for weather-influenced dairy milk yield prediction

　　

环境和气候条件显著影响奶牛的健康和生产力。为了早期检测气候诱发的应激，许多研究人员正在开发预测模型。然而，这些模型通常难以捕捉天气变量与生产动态之间的非线性时间依赖性，并且忽略了单个奶牛水平的变异性。为解决这一不足，本研究利用一个整合了气象和奶牛生产记录的开放数据集，调查了受天气影响的产奶量预测，以支持奶牛系统的热应激管理。首先，研究人员对包括线性混合效应模型(LMM)、随机森林(RF)和经过超参数调优的极限梯度提升(XGBoost)在内的几种单一回归模型进行了实证分析。随后，开发并评估了多种混合模型，将LMM分别与RF、XGBoost和长短期记忆网络(LSTM)相结合。考虑到时间依赖性和外部气候因素，研究人员开发了一个基于堆叠架构的非线性自回归外生输入模型(NARX)与XGBoost相结合的混合框架，其中XGBoost学习了NARX预测值的残差模式。这种设计使得对历史产量与天气变量之间非线性关系的建模得到了改进。在所考虑的数据集上的实验结果表明，所提出的NARX与XGBoost集成模型优于其他基线和混合模型，实现了池化折外决定系数(R2)为0.839，平均绝对百分比误差(MAPE)为8.86%。可解释人工智能(XAI)分析确定相对湿度是产奶量变化的主要解释变量之一。该方法论的贡献在于堆叠式NARX-XGBoost架构，它将自回归泌乳动力学与天气驱动的非线性分离开来，从而保留了SHAP的可解释性。然而，其在不同气候和生产系统中的普适性仍需通过外部验证来确认。

论文解读文章

研究背景与现存问题

全球牛奶年产量巨大，即使微小的波动也可能对供应链和市场造成显著冲击。天气变化，特别是热应激，是导致产量波动的关键因素。研究表明，在热应激条件下，奶牛产奶量会下降5%至15%，且这种影响并非即时发生，而是存在生理延迟。现有的预测研究存在若干局限：

1. 1.
   忽视个体差异与时间延迟：多数研究侧重于系统级或基于气候指数的描述性分析，未能有效捕捉单个奶牛的产奶量动态及其对天气的延迟响应。
2. 2.
   模型能力的局限性：树模型（如RF、XGBoost）虽能捕捉非线性关系，但缺乏对时间依赖性的显式建模；深度学习模型（如LSTM、TSMixer）精度高，但可解释性差且数据需求量大。
3. 3.
   泛化能力不足：许多研究的模型是基于特定区域数据开发的，其在不同气候和管理条件下的适用性有限。
4. 4.
   缺乏有效的混合策略：现有研究尚未找到一种能持续优于其他方法的单一模型，表明需要更精巧的混合策略来结合不同模型的优势。

因此，本研究的目的是开发一个既能实现高精度预测，又具备良好可解释性，并能处理个体奶牛水平变异性和时间延迟效应的预测框架。

研究方法概述

研究人员使用来自智利南部Austral农业实验站(EEAA)的开放数据集“Rarias01_RawData”，该数据集包含2012-2013、2015-2016和2016-2017三个夏季期间330头荷斯坦奶牛的每日产奶量和当地气象记录。研究方法的核心是一个创新的堆叠式混合模型框架，主要包括以下几个关键技术环节：

• •
  特征工程：为了模拟天气影响的延迟效应，研究人员创建了天气变量的3天滞后特征和滚动统计量。同时，引入了温度与泌乳天数(DIM)的交互项，以量化泌乳阶段对热敏感性的影响。
• •
  基线与混合模型建立：首先建立了线性混合效应模型(LMM)、随机森林(RF)和极限梯度提升(XGBoost)作为基线模型。随后，探索了多种混合模型，包括LMM与RF、XGBoost、长短期记忆网络(LSTM)的组合。
• •
  核心创新模型：堆叠式NARX-XGBoost：这是本研究的关键方法论贡献。该模型分为两个阶段：
  1. 1.
     第一阶段（NARX）：使用非线性自回归外生输入模型(NARX)来捕捉产奶量的时序动态特性，即泌乳曲线本身的内在规律。NARX通过其反馈结构，能够显式地模拟生理响应的延迟效应。
  2. 2.
     第二阶段（XGBoost）：将NARX模型的预测残差作为目标，训练一个XGBoost模型。这个XGBoost组件专门学习由天气变量等外生因素引起的、NARX模型未能捕获的非线性偏差。
• •
  模型评估与解释：采用基于奶牛ID的分组交叉验证来评估模型性能，确保了个体水平变异性被纳入考量。最后，使用SHAP值进行可解释人工智能(XAI)分析，以识别影响产奶量预测的关键特征。

研究结果

1. 单一模型与混合模型性能对比

• •
  初步的单一模型（LMM、RF、XGBoost）性能有限。而混合模型，尤其是LMM与RF或XGBoost的结合，相比单一模型展现出更好的预测能力，证明了混合策略的有效性。

2. 堆叠式NARX-XGBoost模型的优越性

• •
  研究人员提出的堆叠式NARX-XGBoost模型在所有评估模型中表现最优，取得了最高的池化折外决定系数(R2 = 0.839)和最低的平均绝对百分比误差(MAPE = 8.86%)。这证实了将NARX用于捕捉时序动态、XGBoost用于修正残差的分离式架构设计是成功的。

3. 特征重要性分析

• •
  通过SHAP分析，研究人员发现相对湿度(Relative Humidity)是影响产奶量变化的主导解释变量之一。这表明除了温度之外，湿度也是衡量热应激和预测产奶量的一个关键气象因子。

4. 模型可解释性

• •
  与端到端的深度学习模型相比，该堆叠式架构的一个关键优势在于其保留了SHAP的可解释性。由于NARX和XGBoost的任务被清晰分离，可以独立分析每个组件对最终预测的贡献，从而更好地理解天气因素是如何在泌乳动态的基础上产生影响的。

讨论与结论

讨论总结：本研究的讨论部分强调了所提出模型的方法论贡献。其核心价值在于成功地将复杂的时序预测任务分解为两个更易理解和优化的子任务：一是通过NARX建模固有的泌乳动态，二是通过XGBoost捕捉外部天气因素的残余非线性影响。这种“分离-堆叠”的策略不仅提升了预测精度，更重要的是解决了深度学习模型普遍存在的“黑箱”问题，增强了模型的可解释性，使其更适用于实际农场的决策支持。此外，研究还指出了模型的局限性，即其普适性尚需在更多样化的气候和生产系统中进行外部验证。

研究结论：本研究通过在一个真实世界的多季节开放数据集上进行实验，开发并评估了一系列用于天气影响下产奶量预测的混合模型。结果表明，所提出的堆叠式NARX-XGBoost模型在预测性能上优于其他基线和混合模型，达到了池化折外R2为0.839和MAPE为8.86%的最佳效果。该方法论上的贡献在于其独特的堆叠架构，该架构将自回归泌乳动力学与天气驱动的非线性分离开来，从而在获得高精度的同时，也保留了SHAP分析所带来的可解释性。然而，该模型在不同气候和生产系统中的通用性仍有待进一步的外部验证。