在乳牛中使用循环神经网络预测分娩到受孕间隔 (开放日)
Mahdi Ravakhah1,2, Mohammad Alishahi1,2, Mohammad Mahdi Gheysari Gholami3
1Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran.
The Journal of dairy research
|December 23, 2025
概括
长期短期记忆 (LSTM) 网络准确地预测奶牛奶牛的情况.
科学领域:
- 牛奶养殖 牛奶养殖 牛奶养殖
- 机器学习是机器学习.
- 动物科学动物科学
背景情况:
- 优化"开放日" (DO) 对奶牛场的利能力和动物福利至关重要.
- 机器学习为预测DO提供了潜力,有助于农场管理和决策.
研究的目的:
- 评估基于序列的长短期内存 (LSTM) 架构在预测下一个"开放日" (DO) 的有效性.
- 将LSTM性能与前多层感知子和使用暂时有效预测器的Cox模型进行比较.
主要方法:
- 使用了一个包含 16,472 个乳品繁殖记录的数据集.
- 我们比较了feed-forward神经网络,包括LSTM在内的两种类型的反复神经网络 (RNNs),以及Cox模型.
- 根据平均绝对误差和一致性评估模型性能.
主要成果:
- 与其他模型相比,LSTM架构在预测下一个"开放日"方面表现出卓越的准确性.
- 循环神经网络 (RNN) 的表现明显优于前和传统的统计方法.
- LSTM捕捉时间模式的能力是其增强预测性能的关键.
结论:
- 基于序列的LSTM模型对于预测奶牛的"开放日"非常有效.
- 对于这个预测任务,RNN,特别是LSTM,比传统方法具有显著的优势.
- 使用机器学习准确的DO预测可以提高奶牛养殖场管理,疾病预防和杀决策.

