.png){kind=icon}
返回
Mob-based cattle weight gain forecasting using ML models
.png){kind=icon}
OA
AI
DOI：10.1016/j.atech.2025.101428.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测基于群体的牛群增重（MB-CWG）可能对大型畜牧农场有益，使农场主能够优化饲喂策略、做出明智的育种选择，并降低与气候变异和市场波动相关的风险。本文提出了一种新颖的技术，即MB-CWG，用于基于查尔斯·斯图特大学农场的收集的历史数据，预测基于群体的牛群未来一个月的增重。1 本研究采用随机森林（RF）模型，将其在月度增重预测中的表现与支持向量回归（SVR）和长短期记忆（LSTM）模型进行比较。研究使用了四个数据集来评估模型性能，包括来自108头基于群体的牛的756个样本数据，以及影响CWG的天气数据（降雨量和温度）。当同时包含天气和年龄因素时，RF模型在所有数据集上的表现均优于SVR和LSTM模型，达到R²为0.973、RMSE为0.040、MAE为0.033。结果表明，同时包含天气和年龄因素可显著提高增重预测的准确性，且RF模型在所有情景下均优于SVR和LSTM模型。这些发现表明，RF有望成为在变异性条件下预测牛群增重的稳健工具，并突显了年龄和气候因素对基于群体的增重趋势的影响。本研究还开发了一种创新的自动化预处理工具，用于为MB-CWG预测模型生成基准数据集。该工具已在GitHub2上公开，可协助当前及未来的分析研究准备数据集。
Keyword:
Mob-based cattle
Cattle weight gain
Cattle farming
Machine learning
Deep learning
Random forest
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.7
论文数:
2.6K
被引数:
2.5K
机构
引用论文
分享收藏Singh, M., Saxena, V., & Jain, A. (2018). The role of transfer learning in enhancing model generalization in deep learning. Int. J. Appl. Res., 4(10), 59–62. https://doi.org/10.22271/allresearch.2018.v4.i10a.11453Singh, M., Saxena, V., & Jain, A. (2018). 迁移学习在增强深度学习模型泛化能力中的作用。国际应用研究杂志，4(10)，59–62. https://doi.org/10.22271/allresearch.2018.v4.i10a.11453.png)
IF0
PREAI
分享收藏Efficient approximate leave-one-out cross-validation for kernel logistic regressionMACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Estimation of Bali Cattle Body Weight Based on Morphological Measurements by Machine Learning Algorithms: Random Forest, Support Vector, K-Neighbors, and Extra Tree Regression基于形态测量和机器学习算法（随机森林、支持向量、K近邻和额外树回归）的巴厘牛体重估计OAAI
OAAI分享收藏Associations among patterns in daily body weight, body condition scoring, and reproductive performance in high-producing dairy cows高产奶牛的每日体重模式，体况评分和繁殖性能之间的关联OAAI
OAAI分享收藏
查看更多内容