Rui Guo¹Yongqiang Dai^1*Junjie Hu²

• ¹Facultad de Ciencia y Tecnología de la Información, Universidad Agrícola de Gansu, Lanzhou (China)
• ^{número arábigo}Facultad de Medicina Veterinaria, Universidad Agrícola de Gansu, Lanzhou, China

Introducción: La mastitis en las vacas lecheras es un desafío importante que enfrenta la industria láctea mundial, que afecta significativamente la calidad y la producción de leche de las empresas lecheras y les causa graves pérdidas económicas. Con la creciente preocupación pública por la inocuidad de los alimentos y el uso racional de los antibióticos, la forma de identificar tempranamente a las vacas en riesgo de enfermedad se ha convertido en un tema clave que debe abordarse con urgencia. Especialmente la mastitis subclínica, debido a la ausencia de síntomas externos evidentes, dificulta la detección, por lo que la alerta temprana de la misma es particularmente importante.

Métodos: En este estudio, se utilizó un método de predicción de series temporales, combinado con técnicas de aprendizaje automático, para predecir el riesgo de mastitis en vacas lecheras. Los datos del estudio se obtuvieron de los registros de producción de 4000 vacas lecheras en una gran granja en la región de Hexi de Gansu. Mediante la construcción de características de series temporales, se utilizaron indicadores de producción como la producción de leche, la tasa de grasa y la tasa de proteína de cada vaca en dos meses consecutivos, abril y mayo, para predecir su estado de salud en junio. Para aprovechar al máximo el valor de las características de las series temporales, diseñamos un conjunto de características multidimensionales que incluía valores brutos de indicadores, tasas de cambio mensuales y características estadísticas. Después del preprocesamiento de los datos y el balanceo de las muestras, se seleccionaron los datos de 2821 vacas para el entrenamiento del modelo. Finalmente, se evaluó la aplicabilidad de cada modelo comparando y analizando el rendimiento de predicción de seis modelos, a saber, eXtreme Gradient Boosting (XGBoost), Gradient Boosting Decision Tree (GBDT), Support Vector Machine (SVM), K Nearest Neighbors (KNN), Logistic Regression y Long Short-Term Memory Network (LSTM).