Yinelemeli sinir ağlarında çok değişkenli zaman serisi analizi yöntemleri ile süt sığırcılığı üreme süreç yönetimi

Yüksek ekonomik değere sahip süt sığırlarının buzağılama esnasında olumsuz senaryolar yaşanabilmektedir. Buzağıların sıkışması, yaralanma, buzağılama sonrasında yetersiz beslenmeden dolayı kayıplar ve gözetimsiz buzağılama gibi birçok olumsuz senaryo gerçekleşebilmektedir. Bu olumsuzlukları azaltmak ve hayvan refahını artırmak için buzağılama zamanını doğru tahmin etmek büyük öneme sahiptir. Bu çalışmada, Kalman filtreli bir Bi-LSTM sınıflandırıcı kullanarak buzağılama zamanı tahmini için yeni bir yöntem öneriyoruz. Bi-LSTM sınıflandırıcı, zaman serisi verilerindeki uzun vadeli bağımlılıkları öğrenebilen bir derin öğrenme modelidir. Kalman filtresi, gürültülü verileri yumuşatmak ve bir sistemin zaman içindeki durumunu tahmin etmek için kullanılabilen istatistiksel bir filtredir. Yapılan deneyler sonucunda, önerilen modelin, geliştirilen diğer alternatif modellere ve literatürdeki diğer tahmin yöntemlerine göre daha iyi performans gösterdiği tespit edilmiştir. Özellikle, kalman filtresi sayesinde modellerde ortalama %20 daha iyi performans sağlanırken, modelin %93 hassasiyet ve % 95 doğruluk değeri ile yüksek bir başarı elde ettiği görülmüştür. Ayrıca, çapraz doğrulama yöntemi ile veri seti büyüklüğü etkisi azaltılarak ve aşırı uyum önlenerek, modelin daha doğru sonuçlar vermesi sağlanmıştır. Yöntemimiz süt çiftçileri için değerli bir araç olabilir. Çiftçilerin sürü yönetimi hakkında daha bilinçli kararlar almasına yardımcı olabilir, bu da hayvan refahının ve süt üretiminin artmasına yol açabilir. Bu tez çalışması, yapay zeka yöntemlerinin hayvan yetiştiriciliği alanında da önemli bir uygulama potansiyeli olduğunu ortaya koymaktadır.