論文の概要: Hybrid Machine Learning Framework for Herd-Level Cattle Growth Pattern and Weight Gain Forecasting in Grazing-Based Production Systems

• arxiv url: http://arxiv.org/abs/2608.06001v1
• Date: Thu, 06 Aug 2026 13:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.910305
• Title: Hybrid Machine Learning Framework for Herd-Level Cattle Growth Pattern and Weight Gain Forecasting in Grazing-Based Production Systems
• Title（参考訳）: 放牧牛の成長パターンと放牧型生産システムにおけるウェイトゲイン予測のためのハイブリッド機械学習フレームワーク
• Abstract要約: 本研究では,牧畜牛の体重予測のためのハイブリッド機械学習フレームワークを開発した。 週間のライブ・ウェイト・オブザーバ、人口統計変数、環境予測器を構造化された予測データセットに統合した。 このフレームワークは、フィードアロケーション、放牧管理、および不均一なセンシング環境下での家畜のマーケティング決定をサポートすることができる。
• 参考スコア（独自算出の注目度）: 1.5379084885764847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commercial grazing systems yield irregular livestock observations, which challenge cattle growth forecasting. This study developed a hybrid machine learning framework for herd level cattle weight forecasting using automated sensing observations collected between 2022 and 2024 in southeastern Australia. Weekly live weight observations, demographic variables, and lagged environmental predictors were integrated into structured forecasting datasets. Herd level forecasting trajectories were generated through temporal aggregation of animal level predictions. Four hybrid architecture families were evaluated, including residual, stacked, cascade, and ensemble assisted frameworks. ARIMA, LSTM, and GRU models were used as comparative baselines. Independent testing demonstrated strong predictive agreement across multiple forecasting horizons. The cascade GB to RF to NN architecture achieved the best performance, with a test R^2 of 0.889, RMSE of 21.319 kg, and MAE of 15.462 kg. Hybrid architectures maintained greater robustness than recurrent sequential models under sparse observation conditions. Forecasting error increased progressively across extended prediction horizons. Feature importance analysis identified animal age, rainfall, and temperature as dominant predictors influencing herd level growth forecasting. The proposed framework may support feed allocation, grazing management, and livestock marketing decisions under heterogeneous sensing environments.
• Abstract（参考訳）: 商業的な放牧システムは不規則な家畜の観察をもたらし、牛の成長予測に挑戦する。 本研究では,2022年から2024年の間にオーストラリア南東部で収集された自動センシング観測を用いて,牧畜牛体重予測のためのハイブリッド機械学習フレームワークを開発した。 週間のライブ・ウェイト・オブザーバ、人口統計変数、環境予測器を構造化された予測データセットに統合した。 動物レベル予測の時間的集約により, 群集レベルの予測軌跡が得られた。 残余、積み重ね、カスケード、アンサンブル支援フレームワークを含む4つのハイブリッドアーキテクチャファミリが評価された。 ARIMA、LSTM、GRUモデルは比較ベースラインとして使用された。 独立試験は複数の予測地平線にわたって強い予測的合意を示した。 カスケードGBからRFからNNアーキテクチャは0.889のR^2、RMSE 21.319 kg、MAE 15.462 kgで最高の性能を達成した。 ハイブリッドアーキテクチャは、スパース観測条件下での逐次モデルよりも頑健性を維持した。 予測誤差は、拡張予測地平線を通して徐々に増大した。 動物齢, 降雨量, 気温が群落成長予測に影響を及ぼす要因として, 特徴的重要性分析を行った。 提案するフレームワークは、異質なセンシング環境下での配当、放牧管理、畜産マーケティングの意思決定を支援することができる。

関連論文リスト

• Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study [3.571803295833193]
  公衆衛生予報は、過度な騒音、報告成果物、一時的なトレンドを伴わずに、監視データの急激な変化に対応しなければならない。 本研究は,2020年1月から2023年10月までの190件のオンタリオ・COVID-19患者を対象に,自己回帰統合移動平均 (ARIMA) , ランダム森林, 極度勾配上昇促進 (XGBoost) モデルの評価を行った。 また,予測水平および応答性設定によって異なる重みを持つ非負のパフォーマンス重み付けアンサンブルである機械学習とARIMAモデル平均化(MLAMA)を開発した。
  論文  参考訳（メタデータ） (2026-08-07T19:22:11Z)
• Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
  Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。 衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
  論文  参考訳（メタデータ） (2026-07-08T18:14:24Z)
• Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning [1.100580615194563]
  我々は、電離圏のピアス点(IPP)上の動的グラフとして電離圏をモデル化する。 この特性を将来のグラフ構造に関する条件予測に活用する。 これにより、予測地平線にのみ現れる視線を予測できる。
  論文  参考訳（メタデータ） (2026-04-20T15:04:20Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• CSU-PCAST: A Dual-Branch Transformer Framework for medium-range ensemble Precipitation Forecasting [6.540270371082014]
  本研究では,多段階降水予測のための深層学習に基づくアンサンブルフレームワークを開発する。 アーキテクチャはパッチベースのSwin Transformerのバックボーンを使用し、周期的な畳み込みによって長手連続性を扱う。 トレーニングは、CRPS(Continuous Ranked Probability Score)と重み付きlog1p平均二乗誤差(log1pMSE)を組み合わせたハイブリッド損失を最小限にする
  論文  参考訳（メタデータ） (2025-10-23T17:43:38Z)
• Long-Term Spatio-Temporal Forecasting of Monthly Rainfall in West Bengal Using Ensemble Learning Approaches [0.0]
  本研究は,西ベンガル19地区における月間降雨量の長期予測を考察した。 毎日の降雨記録は月刊にまとめられ、各地区で120年間観測される。 降雨力学の非線形構造と複雑な構造に対処するため,年次特徴の回帰に基づく予測と多層パーセプトロン(MLP)を組み合わせて月次予測を行う枠組みを提案する。
  論文  参考訳（メタデータ） (2025-10-15T13:20:33Z)
• Mob-based cattle weight gain forecasting using ML models [1.5379084885764847]
  MB CWGと呼ばれる新しい手法が提案され、牧畜牛の1ヶ月の体重増加を予測した。 本研究ではランダムフォレスト(RF)モデルを用いて,SVR(Support Vector Regression)モデルとLSTM(Long Short Term Memory)モデルとの比較を行った。 その結果, 気象要因と年齢要因の両方を含むと, 体重増加予測の精度が有意に向上することが示唆された。
  論文  参考訳（メタデータ） (2025-09-16T03:23:43Z)
• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• Asset Bundling for Wind Power Forecasting [15.393565192962482]
  本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
  論文  参考訳（メタデータ） (2023-09-28T14:56:34Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。