[论文解读] A Machine Learning Approach to Forecasting Honey Production with Tree-Based Methods

Alessio Brini, Elisa Giovannini+1 more|arXiv (Cornell University)|Mar 30, 2023

Bee Products Chemical Analysis被引用 6

一句话总结

本研究提出一种基于机器学习的方法，结合随机森林（Random Forest）与XGBoost模型，利用高频蜂箱与气象数据预测意大利蜂箱的蜂蜜产量变化。树模型的表现优于线性方法，滞后的蜂箱重量以及温度/降雨量变量成为关键预测因子，为养蜂人和保险公司提供了可操作的风险管理方案。

ABSTRACT

The beekeeping sector has experienced significant production fluctuations in recent years, largely due to increasingly frequent adverse weather events linked to climate change. These events can severely affect the environment, reducing its suitability for bee activity. We conduct a forecasting analysis of honey production across Italy using a range of machine learning models, with a particular focus on weather-related variables as key predictors. Our analysis relies on a dataset collected in 2022, which combines hive-level observations with detailed weather data. We train and compare several linear and nonlinear models, evaluating both their predictive accuracy and interpretability. By examining model explanations, we identify the main drivers of honey production. We also ensemble models from different families to assess whether combining predictions improves forecast accuracy. These insights support beekeepers in managing production risks and may inform the development of insurance products against unexpected losses due to poor harvests.

研究动机与目标

• 利用机器学习开发意大利蜂箱蜂蜜产量变化的预测模型。
• 通过可解释的机器学习技术识别影响蜂蜜产量的关键气候与蜂箱层面驱动因素。
• 通过准确、具有指导性的预测，支持养蜂决策与保险产品设计。
• 评估树模型相较于线性模型在捕捉蜂蜜产量数据中复杂非线性关系方面的优越性。
• 为精准养蜂中缓解气候变化导致的产量损失提供可操作的见解。

提出的方法

• 本研究使用2019年1月至2022年7月期间在意大利采集的431个蜂箱数据，数据通过精准养蜂传感器获取。
• 将来自Copernicus开源数据库的气象数据与蜂箱层面特征（如重量、温度、湿度）相结合。
• 训练两种树模型——随机森林（RF）与极限梯度提升（XGB）——以预测蜂蜜产量变化。
• 使用测试集在生产期的均方根误差（RMSE）与决定系数（R²）评估模型性能。
• 通过置换重要性与SHAP值评估特征重要性，以解释模型预测结果。
• SHAP值量化每个输入特征对模型输出的贡献，实现对模型行为的详细解释。

实验结果

研究问题

• RQ1 哪些气候与蜂箱层面的变量对意大利蜂箱蜂蜜产量变化的影响最为显著？
• RQ2 随机森林与XGBoost等树模型在预测蜂蜜产量变化方面相较于线性模型表现如何？
• RQ3 滞后的蜂箱重量与气象变量在预测准确性中所起的作用有多大？
• RQ4 SHAP值如何用于解释与验证复杂树模型的预测结果？
• RQ5 该模型能否支持实际决策，如蜂箱迁移或保险风险评估？

主要发现

• 树模型，特别是XGBoost与随机森林，显著优于标准线性模型，在预测蜂蜜产量变化方面表现出更低的RMSE与更高的R²得分。
• 滞后的蜂箱重量变化是最重要的预测因子，表明蜂蜜产量具有强烈的自回归动态特征。
• 在气象特征中，平均温度、最高温度以及前期总降雨量的预测重要性最高。
• SHAP分析证实，温度与降雨量变量对预测具有强烈且一致的影响，其贡献方向（正或负）取决于数值大小与时间点。
• 通过SHAP值实现的模型可解释性，为养蜂人提供了可操作的见解，例如确定最佳蜂箱迁移时间以规避不利天气。
• 研究结果支持基于数据驱动风险评估开发天气指数型保险产品，以服务于养蜂人。