Fugu-MT 論文翻訳(概要): Mob-based cattle weight gain forecasting using ML models

論文の概要: Mob-based cattle weight gain forecasting using ML models

arxiv url: http://arxiv.org/abs/2509.12615v1
Date: Tue, 16 Sep 2025 03:23:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:52.857446
Title: Mob-based cattle weight gain forecasting using ML models
Title（参考訳）: MLモデルを用いたモブを用いた牛の体重増加予測
Authors: Muhammad Riaz Hasib Hossain, Rafiqul Islam, Shawn R McGrath, Md Zahidul Islam, David Lamb,
Abstract要約: MB CWGと呼ばれる新しい手法が提案され、牧畜牛の1ヶ月の体重増加を予測した。本研究ではランダムフォレスト(RF)モデルを用いて,SVR(Support Vector Regression)モデルとLSTM(Long Short Term Memory)モデルとの比較を行った。その結果, 気象要因と年齢要因の両方を含むと, 体重増加予測の精度が有意に向上することが示唆された。
参考スコア（独自算出の注目度）: 1.5379084885764847
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Forecasting mob based cattle weight gain (MB CWG) may benefit large livestock farms, allowing farmers to refine their feeding strategies, make educated breeding choices, and reduce risks linked to climate variability and market fluctuations. In this paper, a novel technique termed MB CWG is proposed to forecast the one month advanced weight gain of herd based cattle using historical data collected from the Charles Sturt University Farm. This research employs a Random Forest (RF) model, comparing its performance against Support Vector Regression (SVR) and Long Short Term Memory (LSTM) models for monthly weight gain prediction. Four datasets were used to evaluate the performance of models, using 756 sample data from 108 herd-based cattle, along with weather data (rainfall and temperature) influencing CWG. The RF model performs better than the SVR and LSTM models across all datasets, achieving an R^2 of 0.973, RMSE of 0.040, and MAE of 0.033 when both weather and age factors were included. The results indicate that including both weather and age factors significantly improves the accuracy of weight gain predictions, with the RF model outperforming the SVR and LSTM models in all scenarios. These findings demonstrate the potential of RF as a robust tool for forecasting cattle weight gain in variable conditions, highlighting the influence of age and climatic factors on herd based weight trends. This study has also developed an innovative automated pre processing tool to generate a benchmark dataset for MB CWG predictive models. The tool is publicly available on GitHub and can assist in preparing datasets for current and future analytical research..
Abstract（参考訳）: 予測モブベースの牛の体重増加(MB CWG)は、大規模な家畜農場に恩恵を与え、農家が給餌戦略を洗練させ、教育的な育種選択を行い、気候変動や市場の変動に伴うリスクを減らすことができる。本稿では,チャールズ・スタート大学農場から収集した歴史的データを用いて,牧畜牛の1ヶ月の体重増加を予測するために,MB CWGと呼ばれる新しい手法を提案する。本研究ではランダムフォレスト(RF)モデルを用いて,SVR(Support Vector Regression)モデルとLSTM(Long Short Term Memory)モデルとの比較を行った。 CWGに影響を及ぼす気象データ(降雨量と気温)とともに、108頭の牧畜牛のサンプルデータ766枚を用いて、モデルの性能を評価するために4つのデータセットを使用した。 RFモデルは、すべてのデータセットでSVRおよびLSTMモデルよりも優れており、気象要因と年齢要因の両方を含むと、0.973のR^2、0.040のRMSE、および0.033のMAEを達成する。その結果,SVRモデルとLSTMモデルに比較して,気象要因と年齢要因を含めることで,重量増加予測の精度が有意に向上することが示唆された。これらの結果は,牛の体重増加を予測するための頑健なツールとしてのRFの可能性を示し,年齢および気候要因が家畜の体重傾向に及ぼす影響を浮き彫りにした。また,MB CWG予測モデルのためのベンチマークデータセットを生成するための,革新的な自動前処理ツールを開発した。このツールはGitHubで公開されており、現在と将来の分析研究のためのデータセットの準備を支援することができる。と。

関連論文リスト

AtmosMJ: Revisiting Gating Mechanism for AI Weather Forecasting Beyond the Year Scale [4.8951183832371]
本研究では,ERA5データを球面再マッピングなしで直接操作する深層畳み込みネットワークを提案する。以上の結果から,AtmosMJは約500日間,安定かつ物理的に妥当な予測が得られた。
論文参考訳（メタデータ） (2025-06-11T13:38:56Z)
Using Generative Models to Produce Realistic Populations of the United Kingdom Windstorms [0.0]
論文は、現実的な合成風速データを生成するための生成モデルの適用を探求する。標準的なGAN、WGAN-GP、U-net拡散モデルを含む3つのモデルを使用して、イギリスの風図を作成した。その結果、全てのモデルが一般的な空間特性を捉えるのに有効であるが、それぞれのモデルは異なる強みと弱みを示すことが明らかとなった。
論文参考訳（メタデータ） (2024-09-16T19:53:33Z)
ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
論文参考訳（メタデータ） (2024-09-10T07:34:19Z)
A Hybrid Deep Learning-based Approach for Optimal Genotype by Environment Selection [8.084449311613517]
我々は,13年間に159か所をカバーし,93,028のトレーニング記録からなるデータセットを用いて10,337回のテスト記録の収量予測を行った(2003-2015)。このデータセットには、5,838の異なる遺伝子型と214日間の生育シーズンの日々の気象データが含まれており、包括的な分析を可能にしている。我々は、CNNと完全接続ネットワークを組み合わせたCNN-DNNモデルと、気象変数にLSTM層を追加するCNN-LSTM-DNNモデルという、2つの新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを開発した。
論文参考訳（メタデータ） (2023-09-22T17:31:47Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文参考訳（メタデータ） (2021-06-01T22:33:53Z)
Demand Forecasting using Long Short-Term Memory Neural Networks [0.0]
長期記憶ニューラルネットワーク(LSTM)は,eグロサリー小売業における需要予測に適している。統計モデルと機械学習モデルの比較モデルより, 食品のモデルの方がよい結果が得られた。
論文参考訳（メタデータ） (2020-08-19T16:01:23Z)
Coupling Machine Learning and Crop Modeling Improves Crop Yield Prediction in the US Corn Belt [2.580765958706854]
本研究では,米コーンベルトにおける作物モデルと機械学習(ML)の結合によるトウモロコシ収量予測の改善について検討した。主な目的は、ハイブリッドアプローチ(クロップモデリング+ML)がより良い予測をもたらすかどうかを探求し、トウモロコシ収量予測のためにMLと最も効果的に統合できる作物モデルから特徴を決定することである。
論文参考訳（メタデータ） (2020-07-28T16:22:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。