使用机器和深度学习模型,早期预测汉武牛的最终体重
1Department of Animal Science, College of Agriculture and Natural Resources, Michigan State University, East Lansing, United States.
Animal bioscience
|November 12, 2025
概括
长期短期记忆 (LSTM) 模型准确地预测了Hanwoo牛的最终体重 (BW),改善了更接近屠宰的预测. 这为优化肉牛生产和管理提供了实用的见解.
科学领域:
- 动物科学动物科学
- 机器学习在农业中的应用
- 牛肉牛生产 牛肉牛生产
背景情况:
- 准确的最终体重 (BW) 预测对于优化肉牛生产中的食策略和屠宰计划至关重要.
- 目前的方法可能缺乏有效的农场层面管理和决策所需的精度.
- 在不同阶段预测生物质量有助于优化资源配置和市场准备.
研究的目的:
- 评估机器学习 (ML) 和深度学习 (DL) 模型的性能,以预测汉牛的最终体重 (BW).
- 为了比较k-最近邻居,随机森林,极端梯度增强和长短期记忆 (LSTM) 模型的预测准确度.
- 确定最佳的预测时间框架,以便在商业肉牛运营中切实应用.
主要方法:
- 利用了来自196只汉武牛 (7-31个月) 的数据,包括每月的BW和料营养摄入量.
- 设计了六个输入配置,以预测在屠宰前的17,13,9,6,3,和1个月的最终BW.
- 评估模型使用五倍交叉验证和测试集,评估R2和RMSE的性能.
主要成果:
- 与ML模型相比,长短期记忆 (LSTM) 模型在所有配置中显示出更高的预测准确性.
- 随着预测时间接近屠宰,LSTM的预测性能显著改善,在1个月前达到0.97的R2.
- 在屠宰前3-6个月进行的预测 (R2 = 0.83-0.90) 提供了准确性和提前计划之间的实际平衡.
结论:
- 在商业肉牛生产中,LSTM有效地捕捉了顺序数据中的时间依赖性,以便准确地预测肉牛的生理状况.
- 该研究突出了LSTM在Hanwoo生产中基于证据的决策的潜力.
- 在屠宰前3-6个月进行实际的生物质预测可以为农场层面的管理和规划提供信息.