[論文レビュー] An Estimation of Personnel Food Demand Quantity for Businesses by Using Artificial Neural Networks

M. Hanefi Calp|arXiv (Cornell University)|Feb 5, 2019

Forecasting Techniques and Applications参考文献 19被引用数 8

ひとこと要約

本研究では、民間機関の食堂から得た2年間の食事摂取データを用いて、業務用の日次職員食需要を推定するための人工ニューラルネットワーク（ANN）ベースのモデルを提案する。最適化された8-10-10-1フィードフォワードバックプロパゲーションネットワークは、学習時のR²が0.9948、テスト時のR²が0.9830に達し、MAPEが0.003783と低く、食品廃棄や運営コストの削減の観点から高い正確性と強い潜在的可能性を示している。

ABSTRACT

Today, many public or private institutions provide professional food service for personnels working in their own organizations. Regarding the planning of the said service, there are some obstacles due to the fact that the number of the personnel working in the institutions is generally high and the personnel are out of the institution due to personal or institutional reasons. Because of this, it is difficult to determine the daily food demand, and this causes cost, time and labor loss for the institutions. Statistical or heuristic methods are used to remove or at least minimize these losses. In this study, an artificial intelligence model was proposed, which estimates the daily food demand quantity using artificial neural networks for businesses. The data are obtained from a refectory database of a private institution with a capacity of 110 people serving daily meals and serving at different levels, covering the last two years (2016-2018). The model was created using the MATLAB package program. The performance of the model was determinde by the Regression values, the Mean Absolute Percentage Error (MAPE) and the Mean Squared Error (MSE). In the training of the ANN model, feed forward back propagation network architecture is used. The best model obtained as a result of the experiments is a multi-layer (8-10-10-1) structure with a training R ratio of 0,9948, a testing R ratio of 0,9830 and an error rate of 0,003783, respectively. Experimental results demonstrated that the model has low error rate, high performance and positive effect of using artificial neural networks for demand estimating.

研究の動機と目的

• 人員の出席状況の変動に起因する、機関料理における予測不能な日次食需要の課題に対処すること。
• 不正確な食需要予測に起因する、コスト、時間、人的リソースの損失を低減すること。
• 正確な日次食需要推定のためのAI駆動モデルを構築・検証すること。
• 回帰指標、MAPE、MSEを用いて、実世界の食事摂取データに基づき、モデルの性能を評価すること。

提案手法

• 本モデルは、110名の民間機関の食堂で得た2016年から2018年までの実際の食事摂取データを用いて学習されたフィードフォワードバックプロパゲーションニューラルネットワークアーキテクチャを採用している。
• 入力特徴量には、歴史的出席状況と食事データが含まれ、出力は予測された日次食需要数量である。
• 実験による最適化を通じて、3層の隠れ層を有する8-10-10-1のネットワーク構造が得られた。
• モデルの学習とテストはMATLABを用いて実施され、R²、MAPE、MSEを用いて性能を評価した。
• 回帰ベースの学習アプローチを用い、誤差を最小化するための重み調整をバックプロパゲーションにより実施した。
• ハイパーパramータチューニングは、R²を最大化し、誤差率を最小化することを目的としたネットワークの深さとニューロン数に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 人員の出席状況が変動する機関料理環境において、人工ニューラルネットワークが日次食需要を正確に予測できるか。
• RQ2 従来の統計的またはヒューリスティック手法と比較して、ANNモデルの予測精度と誤差率はどのように異なるか。
• RQ3 実世界の食事摂取データを用いて食需要を推定するための最適なニューラルネットワークアーキテクチャは何か。
• RQ4 このモデルは、機関料理サービスにおける食品廃棄と運用非効率をどの程度低減できるか。

主な発見

• 最良のモデルは、学習時のR²が0.9948に達し、学習データに対してほぼ完璧な適合を示した。
• モデルは、未学習データに対する高いテストR²（0.9830）を示し、強力な一般化能力を確認した。
• 平均絶対誤差率（MAPE）は0.003783であり、極めて低い予測誤差を示した。
• 平均二乗誤差（MSE）も0.003783に達し、需要推定の高精度をさらに裏付けた。
• 8-10-10-1フィードフォワードバックプロパゲーションネットワーク構造が、本アプリケーションにおいて最適であると特定された。
• 結果から、人工ニューラルネットワークが、機関料理における食需要予測の正確性を顕著に向上させられると確認された。