基于机器学习的料转换率预测:使用短期FCR数据进行长期料转换率 (FCR) 预测的可行性研究
Xidi Yang1,2,3, Liangyu Zhu1,2,3, Wenyu Jiang1,2,3
1State Key Laboratory of Swine and Poultry Breeding Industry, College of Animal Science and Technology, Sichuan Agricultural University, Chengdu 611130, China.
Animals : an open access journal from MDPI
|June 26, 2025
概括
预测长期料转换比率 (FCR) 现在可以使用机器学习的短期数据来实现. 梯度提升模型准确预测FCR,优化畜牧生产效率.
科学领域:
- 动物科学动物科学
- 农业工程 农业工程
- 数据科学数据科学数据科学
背景情况:
- 料转换率 (FCR) 是畜牧生产效率的一个关键指标.
- 传统的FRR优化方法耗时且效率低下.
- 准确的FRC预测对于资源优化和提高生产率至关重要.
研究的目的:
- 通过机器学习研究使用短期数据预测长期FRC的可行性.
- 为了确定最佳的食间隔和机器学习算法,以准确预测FCR.
- 通过改进料效率预测,支持精准畜牧业.
主要方法:
- 利用历史牲畜养数据集来训练和验证19个机器学习算法.
- 使用确定系数 (R2) 和相关系数评估模型性能.
- 专注于短期FRC数据,以预测长期结果.
主要成果:
- 梯度提升模型实现了0.72的R2和0.85的FCR预测超过40公斤的食间隔的相关性.
- 优化预测R2为0.81和相关性为0.90在50-90公斤范围的30-105公斤的动物.
- 渐变增强,LightGBM和CatBoost在测试的算法中表现出优异的性能.
结论:
- 建议使用40公斤的最小食测量间隔来预测FCR.
- 50-90公斤的养阶段被确定为最适合在实践中进行FRC测试的阶段.
- 机器学习为预测畜牧业料效率提供了更有效的方法.
