Dairy profitability prediction using deep learning models

Naghashi, Vahid (2026). « Dairy profitability prediction using deep learning models » Thèse. Montréal (Québec, Canada), Université du Québec à Montréal, Doctorat en informatique.

Fichier(s) associé(s) à ce document :

Prévisualisation	PDF Télécharger (12MB)

Résumé

Dans la gestion de précision de l’élevage, une prise de décision efficace concernant le remplacement des animaux dépend d’une estimation précise de la rentabilité à vie de chaque animal. En production laitière, 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 conçues pour 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 provenant d’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. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Rentabilité à vie, Prévision de séries temporelles, Facteurs laitiers, Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Transformer, Précision de prédiction

Type:	Thèse ou essai doctoral accepté
Informations complémentaires:	Fichier numérique reçu et enrichi en format PDF/A.
Directeur de thèse:	Diallo, Abdoulaye Banire
Mots-clés ou Sujets:	Prévision de séries temporelles / Prévision de production laitière / Apprentissage profond / Intelligence artificielle -- Applications agricoles
Unité d'appartenance:	Faculté des sciences > Département d'informatique
Déposé par:	Service des bibliothèques
Date de dépôt:	02 avr. 2026 13:48
Dernière modification:	02 avr. 2026 14:27
Adresse URL :	https://archipel.uqam.ca/secure/id/eprint/19882

Modifier les métadonnées (propriétaire du document)

Statistiques