Predicting dairy profitability using deep learning models
Authors: Vahid Naghashi
Date: 2025-01-01
Status: Published
Dans la gestion de précision de l’élevage, une prise de décision efficace concernant le remplacement des animauxdépendd’uneestimationprécisedelarentabilité àviedechaqueanimal.Enproductionlaitière, la quantité de lait produite est influencée par divers facteurs, notamment la qualité du lait, l’état de santé, la génétique et les pratiques de gestion du troupeau, lesquels peuvent être affectés par des dynamiques opérationnelles et de marché plus larges. Cette thèse formule l’estimation des revenus de production laitière comme un problème de prévision de séries temporelles multivariées, où la rentabilité future — généralement mesurée lors des lactations ultérieures (par exemple, lactation 2 ou 3) — est prédite à partir des données recueillies pendant les premières périodes de lactation (par exemple, lactation 1). Les données disponibles comprennent un ensemble de variables laitières ordonnées temporellement, collectées sur plusieurs mois après la naissance de la vache. Ce jeu de données spatio-temporel peut être traité comme une série temporelle multivariée, où chaque variable (ou canal) représente un facteur laitier distinct évoluant dans le temps. La résolution de cette tâche de prévision nécessite des modèles capables de capturer simultanément les dépendances temporelles et les corrélations inter-caractéristiques (entre canaux). Cette thèse explore des architectures d’apprentissage profond pour la prévision de séries temporelles, en mettant particulièrement l’accent sur leur application à la prédiction des revenus laitiers. Après avoir passé en revue les approches existantes, notamment les modèles autorégressifs, les réseaux de neurones récurrents (RNN), les modèles linéaires et les modèles basés sur les Transformers, nous introduisons plusieurs architectures nouvelles conçuespour la prévision multivariée. Premièrement, nous proposons une architecture dérivée des LSTM, enrichie d’une couche d’attention pour modéliser les motifs séquentiels et contextuels dans le cadre de la prédiction laitière. Deuxièmement, nous introduisons deux modèles basés sur les Transformers : l’un axé sur la modélisation temporelle multi-échelle et inter-canaux, et l’autre mettant l’accent sur les interactions entre canaux tout en les intégrant aux motifs temporels capturés. Enfin, nous présentons un modèle récurrent qui applique des GRU de manière bidirectionnelle le long de la dimension des canaux, afin de capter les dépendances complexes entre caractéristiques, en particulier dans les scénarios de prévision laitière. Tous les modèles proposés sont évalués de manière approfondie sur des jeux de données de référence publics ainsi que sur des données réelles provenantd’exploitations laitières. Les résultats montrent que nos méthodes surpassent ou égalent systématiquement les modèles de pointe actuels en termes de précision de prévision et d’efficacité computationnelle. Au-delà des contributions méthodologiques, ce travail soutient une meilleure allocation des ressources et une prise de décision plus éclairée dans l’industrie laitière, en offrant une base fondée sur les données pour une estimation plus précise de la rentabilité et une gestion du troupeau plus rentable.