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

📄 arXiv: 2604.04098 📥 PDF

作者: 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

分类: cs.CV

发布日期: 2026-04-07

💡 一句话要点

提出物理信息化的数字双胞胎以提高奶牛核心体温预测精度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 数字双胞胎 热应激预测 多模态融合 物理信息化 精准畜牧业 机器学习 核心体温预测 不确定性感知

📋 核心要点

  1. 现有的热应激预测方法在准确性和实时性方面存在不足，难以满足精准畜牧业的需求。
  2. 本研究提出了一种物理信息化的数字双胞胎框架，结合多种模型与数据融合技术，实现奶牛核心体温的精准预测。
  3. 实验结果表明，该框架在2小时预测中取得了0.783的R2和84.25%的F1分数，显著提升了预测性能。

📝 摘要（中文）

精准畜牧业需要准确及时的热应激预测，以确保动物福利并优化农场管理。本研究提出了一种物理信息化的数字双胞胎框架，结合不确定性感知的专家加权堆叠集成方法，用于奶牛核心体温的多模态预测。该框架利用高频异构的MmCows数据集，整合了基于常微分方程的热调节模型、捕捉牛只特异性偏差的高斯过程、与实时传感器数据对齐的卡尔曼滤波器，以及在不同环境条件下建模活动状态转变的行为马尔可夫链。最终，该框架在2小时预测中实现了0.783的交叉验证R2、84.25%的F1分数和92.38%的预测区间覆盖概率，提供了一个稳健的、感知不确定性且基于物理原理的早期热应激检测系统。

🔬 方法详解

问题定义：本研究旨在解决精准畜牧业中奶牛核心体温预测的准确性和实时性问题。现有方法在应对热应激时，往往无法充分利用多模态数据和物理模型的优势。

核心思路：论文提出的数字双胞胎框架通过整合物理模型与机器学习方法，利用实时传感器数据和牛只特异性特征，来提高核心体温的预测精度和可靠性。

技术框架：整体架构包括多个模块：首先是基于常微分方程的热调节模型，其次是高斯过程和卡尔曼滤波器用于数据融合，最后通过行为马尔可夫链建模活动状态转变。预测方法采用三阶段堆叠集成，分别训练特定模态的LightGBM专家模型，收集元特征，最终通过调优的LightGBM元模型输出预测结果。

关键创新：该研究的主要创新在于结合物理信息和多模态数据，通过专家加权的堆叠集成方法，显著提升了预测的准确性和不确定性感知能力。

关键设计：在模型设计中，采用了LightGBM作为基础模型，并通过Optuna进行超参数调优。预测不确定性通过自助法进行量化，并使用预测区间覆盖概率（PICP）进行验证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，提出的框架在2小时预测中实现了0.783的交叉验证R2、84.25%的F1分数和92.38%的PICP，显著优于现有方法，验证了数字双胞胎与多模态融合的有效性。

🎯 应用场景

该研究的框架可广泛应用于精准畜牧业，尤其是在热应激管理和动物健康监测方面。通过实时监测和预测奶牛的核心体温，农场管理者可以及时采取措施，优化动物福利和生产效率，具有重要的实际价值和潜在影响。

📄 摘要（原文）

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.