简要概述
在现代养猪业中，识别表现不佳的猪只的早期症状与特征（本文中称为“表现欠佳的猪只”），并利用这些信息进行预防是一项重大挑战。本研究提出了一种机器学习方法，通过分析电子喂食站产生的自动化数据，为猪只提供早期的健康预警。与传统仅关注饲料摄入量下降的方法不同，我们分析了诸如进食速度加快以及空访频率——即猪只进入喂食站但未进食的情况——等动态行为模式。为考虑不同生长阶段的生物差异，我们将每头猪的行为与其同龄猪的行为进行比较，为该年龄组建立基准，这一基准也被用作评估标准之一。研究结果表明，该方法能够检测到这些细微的行为变化，并在猪只出现生产性能下降或问题之前平均12.3天发出预警。构建该模型所采用的方法有助于养殖户尽早识别出“表现欠佳的猪只”，从而减少饲料浪费，提升经济效率并改善动物福利。
摘要
在精准畜牧业中提高饲料转化率的关键之一，就是尽早识别影响生长的因素。然而，电子喂食站收集的养猪数据往往杂乱无章，且缺乏有效的标注。健康猪只的数据常常与患病猪只的数据混在一起，从而导致标签泄露和模型中的幸存者偏差，尤其是在将年龄作为特征时。为解决这些问题，本研究采用了不同于传统建模方法的方式。首先，我们对电子喂食站产生的时间序列数据进行了清洗和分类，以同龄组基准作为判断高产与低产的标准，从而避免标签泄露等问题。接着，我们构建了一个高维特征矩阵，用于捕捉诸如进食速度加快和体重增长加速等动态变化，这些变化共同构成了行为特征指纹。为了测试该系统，我们优化了混合模型算法，并在去除所有绝对年龄标签后，根据各头猪只的行为偏差对模型进行了评估。研究结果表明，在最佳阈值下，全特征模型的ROC-AUC值为0.778，F1分数为0.4137。有趣的是，SHAP归因分析显示，“摄入量与同龄猪的差异”“累计摄入量及终生平均摄入量”以及“进食速度加快”是该数据集中导致生产性能下降和生长迟缓的先兆，这些因素的作用比绝对饲料摄入量或年龄更为显著。我们的消融实验表明，仅基于行为特征（不考虑年龄标签）的模型仍能保持0.773的ROC-AUC值，成功地将猪只的生长表现与生长阶段分开。该模型能够在平均12.3天前检测到进食动态特征的变化，从而为猪只的生长评估、健康监测或更科学的淘汰决策提供依据。
