arXiv cs.AI· Elisabeth Mayrhuber, Maciej Oczak, Michael Iwersen, David Brunner, Viktoria Dorfer, Stephan Winkler·· 13 小时前AI 评分18
符号回归在精准畜牧业中的应用探索：基于母猪加速度传感器数据预测分娩时间
Exploring the Potential of Symbolic Regression in Precision Livestock Farming
AI 导读
一项研究利用母猪加速度传感器数据，用符号回归预测分娩剩余时间，平均绝对误差为 9.28 小时，性能与可解释性均优于支持向量回归和人工神经网络等闭箱模型。研究先在 180 头母猪中的 166 头检测到筑巢行为，其中 149 头在分娩前 48 小时内成功检出，该检测仅基于活动水平变化、未使用机器学习。
正文 · AI 翻译
摘要：预测猪的分娩时间对于优化农场管理和确保仔猪存活至关重要。本研究探讨了可解释人工智能在精准畜牧业中的潜力，重点关注母猪分娩前后的加速度传感器数据。准确预测分娩使养殖户能够兼顾两方面：通过避免仔猪被压死事件保障仔猪安全，以及通过避免过早使用产仔栏保障母猪福利。传统机器学习模型往往缺乏可解释性（“黑箱”问题）。可解释人工智能通过揭示模型内部的决策过程提供了解决方案。本工作分为两个阶段。首先是筑巢行为的检测，其次是分娩剩余时间的预测。在 180 头母猪中有 166 头能够检测到筑巢行为，其中 149 头在分娩前 48 小时内成功检测到。筑巢行为检测完全基于母猪活动水平的变化，未使用任何机器学习技术。此外，本研究利用符号回归——一种可生成可解释数学公式的白箱建模技术——来预测距离分娩开始前的剩余时间。在可解释性和性能两方面，结果均与黑箱模型（如支持向量回归和人工神经网络）进行了比较。值得注意的是，符号回归在分娩时间预测中实现了 9.28 小时的平均绝对误差，在性能和可解释性方面均优于黑箱模型。本研究表明，可解释人工智能，特别是符号回归，能够在精准畜牧业中同时提供可解释的结果和有竞争力的性能。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39839 [cs.LG] |
| （或 arXiv:2610.39839v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39839 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Elisabeth Mayrhuber [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 11:17:21 UTC（268 KB）
来源：arXiv cs.AI · arxiv.org