論文の概要: A Physics-Informed, Behavior-Aware Digital Twin for Robust Multimodal Forecasting of Core Body Temperature in Precision Livestock Farming

• arxiv url: http://arxiv.org/abs/2604.04098v1
• Date: Sun, 05 Apr 2026 12:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.918523
• Title: A Physics-Informed, Behavior-Aware Digital Twin for Robust Multimodal Forecasting of Core Body Temperature in Precision Livestock Farming
• Title（参考訳）: 精密畜産における体温のロバストなマルチモーダル予測のための物理インフォーム型行動認識型ディジタル双生児
• Authors: Riasad Alvi, Mohaimenul Azam Khan Raiaan, Sadia Sultana Chowa, Arefin Ittesafun Abian, Reem E Mohamed, Md Rafiqul Islam, Yakub Sebastian, Sheikh Izzal Azid, Sami Azam,
• Abstract要約: 家畜の精密農業には、動物福祉の確保と農業経営の最適化のために、正確でタイムリーな熱ストレス予測が必要である。 本研究では、物理インフォームドデジタルツイン(DT)フレームワークと、不確実性を認識し、専門家が重み付けした重み付けアンサンブルを組み合わせることを提案する。 提案手法は,2時間の事前予測で0.783,F1スコア84.25%,PICP92.38%のクロスバリデーションR2を達成する。
• 参考スコア（独自算出の注目度）: 1.9341840717353167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precision livestock farming requires accurate and timely heat stress prediction to ensure animal welfare and optimize farm management. This study presents a physics-informed digital twin (DT) framework combined with an uncertainty-aware, expert-weighted stacked ensemble for multimodal forecasting of Core Body Temperature (CBT) in dairy cattle. Using the high-frequency, heterogeneous MmCows dataset, the DT integrates an ordinary differential equation (ODE)-based thermoregulation model that simulates metabolic heat production and dissipation, a Gaussian process for capturing cow-specific deviations, a Kalman filter for aligning predictions with real-time sensor data, and a behavioral Markov chain that models activity-state transitions under varying environmental conditions. The DT outputs key physiological indicators, such as predicted CBT, heat stress probability, and behavioral state distributions are fused with raw sensor data and enriched through multi-scale temporal analysis and cross-modal feature engineering to form a comprehensive feature set. The predictive methodology is designed in a three-stage stacked ensemble, where stage 1 trains modality-specific LightGBM 'expert' models on distinct feature groups, stage 2 collects their predictions as meta-features, and at stage 3 Optuna-tuned LightGBM meta-model yields the final CBT forecast. Predictive uncertainty is quantified via bootstrapping and validated using Prediction Interval Coverage Probability (PICP). Ablation analysis confirms that incorporating DT-derived features and multimodal fusion substantially enhances performance. The proposed framework achieves a cross-validated R2 of 0.783, F1 score of 84.25% and PICP of 92.38% for 2-hour ahead forecasting, providing a robust, uncertainty-aware, and physically principled system for early heat stress detection and precision livestock management.
• Abstract（参考訳）: 家畜の精密農業には、動物福祉の確保と農業経営の最適化のために、正確でタイムリーな熱ストレス予測が必要である。 本研究では, 乳牛の心体温(CBT)のマルチモーダル予測のための物理インフォームドデジタルツイン(DT)フレームワークと, 不確実性を認識し, 専門家による重み付けアンサンブルを組み合わせることを提案する。 高周波で異質なMmCowsデータセットを用いて、DTは代謝熱の生成と散逸をシミュレートする常微分方程式(ODE)に基づく熱調節モデル、牛特有の偏差を捉えるガウス過程、リアルタイムセンサーデータと予測を整合させるカルマンフィルタ、様々な環境条件下での活動状態遷移をモデル化する行動マルコフ連鎖を統合する。 DTは、予測されたCBT、熱ストレス確率、行動状態分布などの重要な生理指標を原センサーデータと融合させ、マルチスケールの時間解析とクロスモーダル特徴工学により強化し、包括的特徴集合を形成する。 予測手法は3段階の積み重ねアンサンブルで設計されており、ステージ1は異なる特徴群上でモダリティ固有のLightGBM'専門家'モデルを訓練し、ステージ2はそれらの予測をメタ機能として収集し、ステージ3ではOptunaで調整されたLightGBMメタモデルが最終CBT予測を生成する。 予測の不確実性はブートストラップによって定量化され、予測区間被覆確率(PICP)を用いて検証される。 アブレーション解析によりDT由来の特徴とマルチモーダル融合を組み込むことで性能が著しく向上することを確認した。 提案フレームワークは,2時間の事前予測において,0.783,F1スコア84.25%,PICP92.38%のクロスバリデーションR2を達成し,早期熱ストレス検出および精密家畜管理のための堅牢で不確実性に配慮した,物理的に原則化されたシステムを提供する。

関連論文リスト

• ImmSET: Sequence-Based Predictor of TCR-pMHC Specificity at Scale [0.0]
  可変長生物配列の集合間の相互作用をモデル化するための新しいシーケンスベースアーキテクチャImmSETを提案する。 ImmSETは厳格な評価の下で頑健であることを示す。 この研究は、マルチシーケンス相互作用問題のためのスケーラブルなモデリングパラダイムとしてImmSETを確立する。
  論文  参考訳（メタデータ） (2026-03-27T21:08:10Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。