[논문 리뷰] An Estimation of Personnel Food Demand Quantity for Businesses by Using Artificial Neural Networks

M. Hanefi Calp|arXiv (Cornell University)|2019. 02. 05.

Forecasting Techniques and Applications참고 문헌 19인용 수 8

한 줄 요약

이 연구는 사립 기관의 식당에서 2년간의 식사 소비 데이터를 사용하여 기업의 일일 인력 식사 수요를 추정하기 위한 인공신경망(ANN) 기반 모델을 제안한다. 최적화된 8-10-10-1 피드포워드 백프로파게이션 네트워크는 학습 R²가 0.9948, 테스트 R²가 0.9830이며, 낮은 MAPE 0.003783을 기록하여 높은 정확도와 식량 낭비 및 운영 비용 감소 잠재력을 입증한다.

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.

연구 동기 및 목표

• 변동하는 인력 출석으로 인해 예측할 수 없는 일일 식음료 수요 문제를 해결하기 위해.
• 정확한 식음료 수요 예측 부정확성으로 인한 운영 손실(비용, 시간, 노동력)을 줄이기 위해.
• 정확한 일일 식음료 수요 추정을 위한 인공지능 기반 모델을 개발하고 검증하기 위해.
• 실제 식사 소비 데이터를 기반으로 회귀 지표, MAPE, MSE를 사용해 모델 성능을 평가하기 위해.

제안 방법

• 모델은 사립 기관 식당(110인 규모)의 2016~2018년 기간 동안의 실제 식사 소비 데이터를 기반으로 훈련된 피드포워드 백프로파게이션 신경망 아키텍처를 사용한다.
• 입력 특징은 이전 출석 및 식사 데이터이며, 출력은 예측된 일일 식음료 수요량이다.
• 실험을 통해 네트워크 구조를 최적화하여 3개의 은닉층을 가진 8-10-10-1 아키텍처를 도출하였다.
• 모델 훈련 및 테스트는 MATLAB을 사용하여 수행되었으며, 성능 평가에는 R², MAPE, MSE가 사용되었다.
• 모델은 백프로파게이션을 통해 가중치를 조정하여 오차를 최소화하도록 훈련되었으며, 회귀 기반 학습 접근 방식을 사용하였다.
• 하이퍼파rameter 튜닝은 R²를 최대화하고 오차율을 최소화하기 위해 네트워크 깊이와 뉴런 수에 중점을 두었다.

실험 결과

연구 질문

• RQ1 변동하는 인력 출석이 있는 기관 식음료 환경에서 인공신경망이 정확하게 일일 식음료 수요를 예측할 수 있는가?
• RQ2 전통적인 통계적 또는 히우리스틱 방법과 비교해 ANN 모델의 예측 정확도 및 오차율은 어떻게 다른가?
• RQ3 실제 식사 소비 데이터를 사용하여 식음료 수요를 추정하기 위한 최적의 신경망 아키텍처는 무엇인가?
• RQ4 이 모델은 기관 식음료 서비스의 식량 낭비와 운영 비효율성을 어느 정도 줄일 수 있는가?

주요 결과

• 최고 성능을 보인 모델은 학습 R²가 0.9948를 기록하여 훈련 데이터에 거의 완벽한 적합도를 보였다.
• 모델은 테스트 R²가 0.9830로 높아, 미리 보지 않은 데이터에 대한 강력한 일반화 능력을 입증하였다.
• 평균 절대 퍼센티지 오차(MAPE)는 0.003783으로 매우 낮은 예측 오차를 나타내었다.
• 모델은 평균 제곱오차(MSE)가 0.003783을 기록하여 수요 추정의 높은 정밀도를 추가로 확인하였다.
• 8-10-10-1 피드포워드 백프로파게이션 네트워크 아키텍처가 이 응용 분야에서 최적으로 확인되었다.
• 결과는 인공신경망이 기관 식음료 서비스에서 식음료 수요 예측 정확도를 크게 향상시킬 수 있음을 확인한다.