基于机器学习的牛活动预测,使用基于传感器的数据

科学领域:

• 农业技术 农业技术
• 动物行为科学 动物行为科学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 传统的牲畜监测依赖于手动观察,这往往是不可行的持续评估.
• 牲畜的行为分析可以预测诸如分娩之类的关键事件,但需要持续监测.
• 目前的方法缺乏实时,全面的牲畜状况评估的效率.

研究的目的:

• 开发和评估使用低成本传感器数据进行牲畜行为分类的智能算法.
• 确定这些算法在识别各种动物状态 (放牧,反,行走) 中的准确性.
• 建立特定畜牧事件的预测建模的基础.

主要方法:

• 利用低成本的传感器收集关于畜牧活动的时间序列数据.
• 应用数据聚合和平均技术来读取传感器读数.
• 使用机器学习分类器,包括支持向量分类器和基于树的集合.

主要成果:

• 在四个类别的一般牲畜行为分类中获得了57%的准确性.
• 在区分站立行为 (两个类别) 中达到85%的准确性.
• 确定了特定的算法和数据处理方法,以获得最高的性能.

结论:

• 分析传感器数据的智能算法为牲畜行为监测提供了一种可行的方法.
• 开发的方法为畜牧管理中的特定事件预测提供了一个有希望的初步步骤.
• 准确的动物状态分类可以提高农场管理和动物福利.