KR102182316B1 - 식수 인원 예측을 수행하는 서버 및 이의 동작 방법 - Google Patents

식수 인원 예측을 수행하는 서버 및 이의 동작 방법 Download PDF

Info

Publication number
KR102182316B1
KR102182316B1 KR1020180153669A KR20180153669A KR102182316B1 KR 102182316 B1 KR102182316 B1 KR 102182316B1 KR 1020180153669 A KR1020180153669 A KR 1020180153669A KR 20180153669 A KR20180153669 A KR 20180153669A KR 102182316 B1 KR102182316 B1 KR 102182316B1
Authority
KR
South Korea
Prior art keywords
menu
drinking water
predicted value
modeling
information
Prior art date
Application number
KR1020180153669A
Other languages
English (en)
Other versions
KR20200066928A (ko
Inventor
전종식
인연준
전희선
장경욱
송보영
전준영
최완식
박태형
박상욱
박주환
장서진
Original Assignee
전종식
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 전종식 filed Critical 전종식
Priority to KR1020180153669A priority Critical patent/KR102182316B1/ko
Publication of KR20200066928A publication Critical patent/KR20200066928A/ko
Application granted granted Critical
Publication of KR102182316B1 publication Critical patent/KR102182316B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

식수 인원 예측을 수행하는 서버 및 이의 동작 방법이 도시된다. 본 발명의 다양한 실시예에 따른 식수 인원 예측 방법은, 사용자로부터 예측 대상 메뉴에 대한 정보를 수신하는 단계; 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 또는 예측 대상 메뉴 정보에 포함되는 데이터들 중 적어도 하나 이상을 독립 변수로 사용하는 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계; 상기 제1 예측치를 계산하는 단계에서 사용된 독립 변수들에 더불어 메뉴 선호도 변수 및 상기 제1 예측치를 독립 변수로 추가로 사용하는 제2 모델링을 통해, 상기 제1 예측치의 과소 예측치 또는 과대 예측치를 계산하는 단계; 및 상기 과소 예측치 또는 과대 예측치에 기초하여, 상기 제1 예측치에 보정치를 추가하여 상기 예측 대상 메뉴에 대한 식수 인원의 제2 예측치를 계산하는 단계를 포함할 수 있다.

Description

식수 인원 예측을 수행하는 서버 및 이의 동작 방법{SERVER PERFORMING PREDICTION OF NUMBER OF PEOPLE EATING AND OPERATING METHOD THEROF}
본 발명의 다양한 실시예는 다양한 변수에 따라 변화하는 식수 인원을 예측하는 기술에 관한 것이다.
음식물 쓰레기의 문제는 환경적인 측면과 금전적인 측면 모두에 있어 오랫동안 커다란 문제가 되어 왔다. 특히, 음식을 대규모로 조리하는 집단 급식소에서는 식수 인원(실제로 식사를 하는 인원)에 대한 예측이 빗나가는 경우 대규모의 잔반이 발생하여 그에 따라 음식물 쓰레기의 규모도 커지는 경우가 적지 않게 발생해 왔다. 반대로, 집단 급식소에서 식수 인원을 너무 적게 예측하는 경우는 특정 메뉴를 구매하여 식사하기를 원하는 사람들보다 해당 메뉴의 가용량이 적어 음식이 원할하게 제공되지 못하거나, 자신이 원하는 메뉴가 아닌 다른 메뉴를 선택하여야만 하는 경우가 발생하였다.
집단 급식소에서 이루어지는 잘못된 수요 예측으로 인해 대량의 음식 쓰레기가 방출되었으며 이는 환경 오염과 세수의 낭비라는 결과로 이어지고 있었다. 그러나, 이와 같은 상황이 지속하여 발생하고 있었음에도 불구하고 많은 집단 급식소에서는 경험에 기초한 식수 인원 예측만을 수행해왔다. 또한, 국내 또는 국외의 사례를 살펴보더라도 식수 인원을 정확히 예측하는 방법에 대한 연구가 부족한 상황이었으며, 진행되고 있는 소수의 연구를 살펴보더라도 단순한 방식을 통해 예측을 수행하여 정확도와 신빙성이 낮은 경우가 많았다.
집단 급식소 등에서 제공되는 메뉴는 그 가지수가 매우 다양하며, 하나의 메뉴 내에도 여러가지 주식 및 반찬이 포함되어 있어 메뉴에 따른 식수 인원을 예측하는데에 있어서 어려움이 다수 존재하였다. 또한, 날씨나 식수 가능 인원, 특정 이벤트 존재 여부 등 또한 식수 인원 예측에 있어서 변수로 작용하므로 예측의 난이도는 더욱 높아진다.
이에, 다양한 변수를 총체적으로 고려한 식수 인원 수요 예측을 수행하고, 예측 결과를 실생활에 적용시켜 집단 급식의 운영을 보다 효율적으로 수행할 수 있도록 하는 연구가 진행되었다.
한국공개특허 제10-2017-0127750호
본 발명의 다양한 실시예는 다양한 변수를 총체적으로 고려하는 모델링을 통해 식수 인원을 예측하는 것을 그 목적으로 한다.
본 발명의 다양한 실시예는 다양한 모델링 방법의 테스트를 통해 결정된 모델링 방법을 사용하여 과거의 학습 데이터를 분석함으로써 보다 정확한 식수 예측 알고리즘을 도출하는 것을 그 목적으로 한다.
본 발명의 다양한 실시예는 식수 인원 예측을 통해 환경 문제 개선 및 비용 절감 실현을 도모하는 것을 그 목적으로 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 다양한 실시예에 따른 식수 인원 예측 방법은, 사용자로부터 예측 대상 메뉴에 대한 정보를 수신하는 단계; 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 또는 예측 대상 메뉴 정보에 포함되는 데이터들 중 적어도 하나 이상을 독립 변수로 사용하는 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계; 상기 제1 예측치를 계산하는 단계에서 사용된 독립 변수들에 더불어 메뉴 선호도 변수 및 상기 제1 예측치를 독립 변수로 추가로 사용하는 제2 모델링을 통해, 상기 제1 예측치의 과소 예측치 또는 과대 예측치를 계산하는 단계; 및 상기 과소 예측치 또는 과대 예측치에 기초하여, 상기 제1 예측치에 보정치를 추가하여 상기 예측 대상 메뉴에 대한 식수 인원의 제2 예측치를 계산하는 단계를 포함할 수 있다.
상기 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계는, 과거의 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보 또는 이벤트 정보와 대응되는 메뉴 정보를 포함하는 학습 데이터를 제1 모델링을 통해 분석하고, 분석 결과를 통해 상기 제1 예측치의 계산에 사용되는 알고리즘을 생성 또는 수정하는 단계를 더 포함할 수 있다.
상기 분석 결과를 통해 상기 제1 예측치의 계산에 사용되는 알고리즘을 생성 또는 수정하는 단계는, 상기 학습 데이터에 포함되는 변수 중 상기 알고리즘에 사용될 독립 변수를 선택하고, 선택된 독립 변수가 상기 알고리즘 내에서 가지는 가중치를 조절하는 방식으로 수행될 수 있다.
상기 학습 데이터를 제1 모델링을 통해 분석하는 단계는, 상기 학습 데이터를 복수의 데이터 그룹으로 분류하고, 각각의 데이터 그룹에 대한 모델링 결과의 평균을 통해 분석을 수행하는 단계를 더 포함할 수 있다. 이와 같은 단계는, 상기 복수의 데이터 그룹 각각을 의사 결정 나무(Decision Tree)의 형태로 구성하고, 데이터 그룹 각각에서 분석에 사용되는 독립 변수를 랜덤으로 선택하는 단계를 더 포함할 수 있다.
상기 식수 인원 예측 방법은, 상기 예측 대상 메뉴 정보에 포함되는 세부 메뉴들이 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류의 어느 항목에 속하는지를 판단하여, 상기 예측 대상 메뉴 정보에 포함되는 전체 세부 메뉴들에 대한 상기 제1 분류 및 제2 분류의 개별 항목의 숫자를 카운팅하는 단계를 더 포함할 수 있다.
상기 메뉴 선호도 변수는 학습 데이터에 포함된 세부 메뉴 각각에 대해 해당 세부 메뉴가 포함된 메뉴에 대한 평균 식수 인원을 계산하고, 특정 메뉴에 포함된 각각의 세부 메뉴에 대한 평균 식수 인원의 평균 계산을 통해 산출되는 것일 수 있다.
상기 학습 데이터들을 제1 모델링을 통해 분석하는 단계는, 상기 학습 데이터 내에 포함되는 메뉴 정보 내의 세부 메뉴들이 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류의 어느 항목에 속하는지를 판단한 후, 상기 제1 분류와 제2 분류를 각각 하나의 차원으로 포함하는 이차원 행렬 내에서 세부 메뉴들의 위치를 표시하는 방식으로 각각의 메뉴 정보에 대응되는 2차원 행렬 데이터를 생성하는 단계; 및 생성된 2차원 행렬 데이터들을 딥 러닝(Deep Learning) 기법을 이용한 모델링을 통해 분석하는 단계를 더 포함할 수 있다.
상기 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계는, 상기 예측 대상 메뉴 정보에 포함되는 세부 메뉴들의 일부만을 선택하여 독립 변수로 사용하는 것을 특징으로 할 수 있다.
본 발명의 다른 실시예에 따른 식수 인원 분석 서버는, 사용자로부터 예측 대상 메뉴에 대한 정보를 수신하는 예측 대상 메뉴 정보 수신부; 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 또는 예측 대상 메뉴 정보에 포함되는 데이터들 중 적어도 하나 이상을 독립 변수로 사용하는 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 제1 모델링 수행부; 상기 제1 예측치를 계산하는 과정에서 사용된 독립 변수들에 더불어 메뉴 선호도 변수 및 상기 제1 예측치를 독립 변수로 추가로 사용하는 제2 모델링을 통해, 상기 제1 예측치의 과소 예측치 또는 과대 예측치를 계산하는 제2 모델링 수행부; 및 상기 과소 예측치 또는 과대 예측치에 기초하여, 상기 제1 예측치에 보정치를 추가하여 상기 예측 대상 메뉴에 대한 식수 인원의 제2 예측치를 계산하는 보정치 적용부를 포함할 수 있다.
본 발명의 실시예들에 따르면, 다양한 독립 변수들을 고려하여 1차 모델링을 수행하고, 그 결과 및 추가 독립 변수를 통해 2차 모델링을 수행함으로써 식수 인원 예측의 정확도를 향상시킬 수 있다.
본 발명의 실시예들에 따르면, 식수 인원 예측을 통해 집단 급식소의 조리 기획 단계부터 재료 발주량, 메뉴 변경 등의 의사 결정이 효율적으로 이루어질 수 있다.
본 발명의 실시예들은 식수 인원을 보다 정확히 예측함으로써 음식물 쓰레기의 발생량을 감소시켜 환경적 측면에도 기여할 수 있으며, 급식소에서 일하는 사람들의 업무 효율성을 증가시키고 급식소 고객들의 실질 체감 만족에도 기여할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 식수 인원 예측 시스템이 동작하는 전체적인 환경을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 식수 인원 예측 시스템 내에서 식수 인원 예측에 사용되는 데이터들의 종류를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 식수 인원 예측 시스템 내에서 식수 인원 예측에 사용되는 데이터들 중 일부가 선택된 상태를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 식수 인원 예측 시스템 내에서 사용될 수 있는 변수들의 예시를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른, 예측 대상 메뉴를 분류하는 기준에 대한 분류표를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 식수 인원 분석 서버가 예측 대상 메뉴에 포함된 세부 메뉴들을 제1 및 제2 분류를 통해 분류하는 과정을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 식수 인원 분석 서버가 식수 인원에 대한 예측치를 계산하기 위해 사용할 수 있는 모델링 방법이 나열된 도면이다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 식수 인원 분석 서버가 과소 예측치 또는 과대 예측치를 계산하기 위해 필요한 선호도 변수를 계산하는 방식을 나타내는 도면이다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 식수 인원 분석 서버가 딥 러닝 기법 중 CNN 알고리즘을 적용하여 모델링을 수행하는 방법을 나타내기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 식수 인원 분석 서버의 구성을 간략하게 나타낸 블록도이다.
도 13은 본 발명의 일 실시예에 따른 식수 인원 분석 서버가 학습 데이터를 통해 식수 인원 예측 알고리즘을 생성하고 이를 통해 사용자의 요청에 대응하여 식수 인원 예측을 수행하는 과정을 나타낸 흐름도이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
본 명세서 상에서 "메뉴", "전체 메뉴" 또는 "예측 대상 메뉴"는 급식소 또는 식당에서 하나의 세트로 제공되는 음식들의 집합을 의미하며, "세부 메뉴"는 메뉴, 전체 메뉴 또는 예측 대상 메뉴 내에 포함된 개별 음식을 의미할 수 있다.
본 명세서 상에서 식수 인원에 대한 "분석" 및 "예측"은 모델링을 통해 기초 데이터로부터 식수 인원에 대한 예측치를 생성한다는 의미로 유사하게 사용될 수 있다.
도 1은 본 발명의 일 실시예에 따른 식수 인원 예측 시스템이 동작하는 전체적인 환경을 나타낸 도면이다.
도 1을 참조하면, 식수 인원 예측 시스템은 식수 인원 분석 서버(100), 사용자 단말기(200) 및 외부 서버(300)를 포함하여 구성될 수 있다.
식수 인원 분석 서버(100)는 수집한 학습 데이터를 기초로 하여, 다양한 종류의 모델링 기법을 학습 데이터에 적용시켜 결과를 도출하고, 결과와 현실값과의 차이를 분석할 수 있다.
식수 인원 분석 서버(100)는 분석 대상 날짜 또는 예측 대상 날짜와 해당 날짜에 제공되는 메뉴 데이터 및 관련 데이터를 통해 해당 날짜의 해당 메뉴에 대한 식수 인원의 예측치를 생성할 수 있다.
식수 인원 분석 서버(100)는 예측 대상 메뉴 정보와 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보에 포함된 각종 데이터를 관리하고, 이와 같은 데이터들을 독립 변수로 하여 제1 모델링을 수행할 수 있다. 이후, 식수 인원 분석 서버(100)는 제1 모델링의 결과로 도출된 예측 대상 메뉴에 대한 식수 인원의 제1 예측치와, 제1 모델링에서 사용된 독립 변수 중 적어도 그 일부 및 선호도 변수를 통해 상기 제1 예측치가 과소 예측되었는지 과대 예측이 되었는지를 판단할 수 있다. 식수 인원 분석 서버(100)는 이후, 과소 예측치 또는 과대 예측치에 기초하여 제1 예측치에 보정치를 추가하는 제2 모델링을 통해 식수 인원에 대한 제2 예측치를 도출할 수 있다.
식수 인원 분석 서버(100)는 상기와 같은 기능을 수행함에 있어 필요한 과거 데이터들 및 다양한 종류의 모델링을 구현하기에 필요한 정보 등을 관리하며, 이들의 연산에 필요한 하드웨어 및 소프트웨어를 포함하여 구성될 수 있다.
사용자 단말기(200)는 본 발명에서 개시되는 식수 인원 예측 기능을 이용하여 자신이 원하는 데이터를 획득하고자 하는 사용자에 의해 이용되는 단말기일 수 있다. 사용자는 자신의 사용자 단말기(200)를 통해 식수 인원 분석 서버(100)에 접속하여 식수 인원 예측에 필요한 정보를 입력하고, 그 결과로 예상 식수 인원에 대한 정보를 획득할 수 있다.
예를 들어, 사용자는 사용자 단말기(200)를 통해 날짜, 메뉴 정보, 이벤트, 식사 가능 인원 또는 전주의 동일 요일 식사 인원 정보와 같은 정보를 입력하여 해당 정보를 식수 인원 분석 서버(100)로 전송할 수 있으며, 식수 인원 분석 서버(100)는 사용자가 제공한 정보에 따라 분석을 수행하여 식수 인원 예측값을 사용자에게 제공할 수 있다.
사용자 단말기(200)는 웹(Web) 또는 어플리케이션을 통해 식수 인원 분석 서버(100)에 접속할 수 있으며, 식수 인원 분석 서버(100)는 웹 또는 어플리케이션 기반으로 식수 인원 예측 기능을 사용자에게 제공할 수 있다.
본 발명의 일 실시예에 따른 사용자 단말기(200)는 휴대폰, 스마트폰, PDA(Personal Digital Assistant), PMP(Portable Multimedia Player), 태블릿 PC, 등과 같이 네트워크를 통하여 웹 서버와 연결될 수 있는 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있으며, 개인용 컴퓨터(예를 들어, 데스크탑 컴퓨터, 노트북 컴퓨터 등), 워크스테이션, PDA, 웹 패드 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기 중 하나일 수도 있다.
외부 서버(300)는 식수 인원 분석 서버(100)와 별도로 존재하는 서버로, 일 실시예에 따르면 외부 서버(300)는 식수 인원 분석 서버(100)가 식수 인원 분석을 수행할 때 필요로 하는 기초 데이터를 제공하는 역할을 수행할 수 있다. 예를 들어, 외부 서버(300)는 날씨 관련 정보, 인원 관련 정보, 이벤트 정보, 날짜 관련 정보 등을 제공할 수 있으며, 식수 인원 분석 서버(100)는 외부 서버(300)에 접속하여 각종 데이터의 크롤링을 수행함으로써 식수 인원 예측에 필요한 데이터들을 수집할 수 있다.
본 발명의 일 실시예에 따르면, 식수 인원 예측 시스템의 동작 환경 내에서 동작하는 각 주체들이 통신하기 위해서 사용하는 통신망은 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 예를 들면, 근거리 통신망(LAN: Local Area Network), 도시권 통신망(MAN: Metropolitan Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구현될 수 있다.　바람직하게는, 본 발명의 일 실시예에 따른 통신망은 공지의 월드와이드웹(WWW: World Wide Web) 등일 수도 있다.
도 2는 본 발명의 일 실시예에 따른 식수 인원 예측 시스템 내에서 식수 인원 예측에 사용되는 데이터들의 종류를 나타낸 도면이다.
본 발명의 일 실시예에 따르면, 식수 인원 분석 서버(100)는 식수 인원 예측을 수행함에 있어, 다양한 종류의 데이터를 독립 변수로 선택하고 이를 기초로 하여 모델링을 수행할 수 있다.
도 2를 참조하면, 본 발명에서 개시되는 식수 인원 예측 시스템에서 식수 인원 예측을 위한 모델링에 사용되는 독립 변수는 식수 가능 인원, 시계열 인원 데이터, 메뉴 데이터, 요일 데이터, 전후 휴일여부, 날씨 데이터, 미세먼지 데이터, 연휴/연말 데이터 및 이벤트 데이터를 포함할 수 있다.
일 실시예에 따르면, 상기 기술된 독립 변수들은 데이터 전처리 및 변수 더미화를 통해서 다양한 형태로 정리되거나 변형될 수 있다. 더미란, 모델링의 편의를 위해 넣은 오브젝트나 계산을 용이하게 하기 위해 모델링의 중간 과정에서 임의로 도입한 변수를 의미할 수 있다. 예를 들면, 식수 인원 분석 서버(100)는 날씨 데이터에 대한 데이터 전처리 또는 변수 더미화를 수행하는 과정에서, 강수 관련 변수를 생성하고 해당 변수에 강수 형태가 비인 경우에 '1', 진눈깨비인 경우에 '2', 폭우인 경우에 '3', 그 외의 경우에 '0'의 값을 부여할 수 있다.
도 2를 참조하면, 시계열 인원 데이터 내에는 전주 식수 인원 정보, 요일 별 평균 식수 인원 정보, 월 별 평균 식수 인원 정보가 포함될 수 있으며, 메뉴 데이터에는 각각의 날짜별로 제공된 메뉴에 포함된 세부 메뉴의 정보들이 포함될 수 있다. 메뉴 데이터에 포함된 각각의 세부 메뉴 정보들은 조리 방법 및 조리 재료에 따라 분류되어 더미화될 수 있다.
요일 및 계절 데이터는 요일 또는 계절별로 분류되어 더미화될 수 있으며, 전후 휴일 여부도 식수 인원 예측의 대상이 되는 날짜의 전날 또는 다음날이 휴일이었는지 여부에 따라 더미화될 수 있다. 또한, 식수 인원 예측 대상 날짜가 3일 이상 이어지는 연휴나 연말 기간에 포함되는지 여부 또한 더미화될 수 있다.
날씨 관련 데이터는 폭염, 비, 눈 여부에 따라 더미화가 이루어질 수 있으며, 불쾌 지수, 체감 온도, 강수량, 미세먼지 등급과 관련하여 각각 또는 병합되어 더미화가 이루어질 수 있다.
도 3은 본 발명의 일 실시예에 따른 식수 인원 예측 시스템 내에서 식수 인원 예측에 사용되는 데이터들 중 일부가 선택된 상태를 나타내는 도면이다.
도 2에 예시된 데이터들이 전처리와 더미화 과정을 거쳐서 모델링에 사용될 최종 독립 변수들이 선정될 수 있으며, 그 예시가 도 3에 나타나 있다. 다만, 이와 같은 독립 변수들의 선정은 도 3에 표시된 데이터들에 제한되지 않음은 물론이다.
도 3을 참조하면, 모델링에 사용되기 위해 선택된 변수들은 개략적으로 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 및 예측 대상 메뉴 정보의 다섯가지 카테고리로 분류될 수 있다.
이 중, 인원 관련 정보는 식수 인원 수, 식수 가능 인원, 전주 식수 인원 수, 요일별 평균 식수 인원 수, 월 평균 식수 인원 수에 대한 데이터를 포함할 수 있다. 인원 관련 정보 중 식수 가능 인원 수는 출장 또는 휴가로 인해 식사가 불가능한 인원을 제외하는 방식으로 계산될 수 있다. 또한, 인원 관련 정보는 과거에 실제로 식사를 한 인원에 대한 정보를 포함할 수도 있다.
날씨 관련 정보는 불쾌 지수, 체감 온도, 폭염 여부, 비나 눈이 오는지 여부, 계절, 강수량, 미세먼지 농도 등에 대한 데이터를 포함할 수 있다.
날짜 관련 정보는 계절 정보, 요일 정보, 분석 대상이 되는 날짜가 휴일 전날인지 여부, 분석 대상이 되는 날짜가 휴일 다음날인지 여부, 분석 대상 날짜가 연말과 같은 특별 기간에 해당하는지 여부 등에 대한 데이터를 포함할 수 있다.
이벤트 정보는 분석 대상이 되는 날짜가 3일 이상 지속되는 연휴 전날 및 다음날에 해당되는지 여부, 복날, 대보름 등에 해당하여 메뉴 상에 특별한 변화가 있는 이벤트일에 해당하는지 여부 등에 대한 데이터를 포함할 수 있다.
예측 대상 메뉴 정보는 하나의 메뉴 내에 포함되어 있는 적어도 하나 이상의 세부 메뉴에 대해, 각각의 세부 메뉴가 어떠한 이름으로 식당의 손님들에게 표시되는지에 대한 데이터 및 각각의 세부 메뉴가 어떠한 조리 방법과 조리 재료와 연관되어 있는지에 대한 데이터를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 예측 대상 메뉴 정보 내에 포함되어 있는 다양한 세부 메뉴 중 일부만이 선택되고 선택된 세부 메뉴에 대한 데이터만이 분석에 사용될 수 있다. 예를 들어, 예측 대상 메뉴 정보에 포함되는 다양한 세부 메뉴는 주메뉴 및 부메뉴로 분류될 수 있으며, 주메뉴에 해당하는 데이터만이 식수 인원 예측에 사용될 수 있다. 다른 예로는, 예측 대상 메뉴 정보에 포함되는 세부 메뉴 중 일정한 개수만이 선택되어 선택된 세부 메뉴에 대한 데이터만이 분석에 사용될 수 있다. 주메뉴 및 부메뉴를 분류하는 기준은 다양하게 설정될 수 있다. 일 예로 도 5에 표시될 제1 및 제2 분류에 의해 설정될 수도 있으며, 미리 메뉴들을 주메뉴와 부메뉴로 분류해 놓은 데이터베이스에 의해 분류될 수도 있다. 예측 대상 메뉴 정보에 포함되는 세부 메뉴 중 일정한 개수만이 선택되는 경우 선택 기준은 각 메뉴의 중요도를 계산하고 중요도가 높은 순서대로 선택되도록 하는 것일 수도 있으며, 미리 메뉴들의 중요도 순서를 정해 놓은 데이터베이스가 선택 기준으로 이용될 수도 있다.
도 4는 본 발명의 일 실시예에 따른 식수 인원 예측 시스템 내에서 사용될 수 있는 변수들의 예시를 나타낸 도면이다.
도 4를 참조하면, 도 3에서 분류된 다섯 가지 카테고리인 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 및 예측 대상 메뉴 정보 내에 포함되어 분석에 사용되는 독립변수는 식수 가능 인원에 대한 정보, 시계열 인원 변수, 요일 및 계절에 대한 정보, 전후 휴일 여부, 날씨 및 미세먼지 정보, 연휴 및 연말에 해당하는지 여부, 이벤트 정보 및 분석 대상이 되는 메뉴의 정보를 포함할 수 있다. 각각의 변수의 내용은 도 4에 도시되어 있는 세부 정보들을 포함할 수 있다.
도 5는 본 발명의 일 실시예에 따른, 예측 대상 메뉴를 분류하는 기준에 대한 분류표를 나타내는 도면이다.
본 발명의 일 실시예에 따르면, 예측 대상 메뉴 정보에 포함되는 세부 메뉴들은 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류로 분류될 수 있다. 식수 인원 분석 서버(100)는 예측 대상 메뉴 정보에 포함되는 각각의 세부 메뉴들이 제1 분류 및 제2 분류 중 어느 항목에 속하는지를 판단할 수 있다.
이와 같은 제1 분류 및 제2 분류는 농촌 진흥청 국립 농업 과학원의 농식품 종합 정보 시스템 상에서 획득된 대분류 및 중분류가 간소화된 것일 수 있다. 농촌 진흥청 국립 농업 과학원은 특정 메뉴를 23가지의 대분류와 54가지의 중분류로 분류하고 있는데, 이와 같은 분류를 식수 인원 예측에 그대로 사용하기에는 분류의 개수가 많아 모델링에 사용되는 변수가 너무 많아지는 단점이 발생할 수 있다. 따라서, 본 발명에서는 국립 농업 과학원의 분류를 간소화하였으며, 각각의 분류는 도 5에 도시된 표와 같이 간소화될 수 있다.
도 5의 (a)는 조리 방법과 연관된 제1 분류에 대한 표이며, 도 5의 (b)는 조리 재료와 연관된 제2 분류에 대한 표이다. 제1 분류는 밥류, 국탕류, 전류 등을 포함한 18가지 카테고리로 구성될 수 있으며, 제2 분류는 쌀밥, 만두류, 음료 및 주류 등을 포함하는 21가지 카테고리로 구성될 수 있다.
도 6은 본 발명의 일 실시예에 따른 식수 인원 분석 서버(100)가 예측 대상 메뉴에 포함된 세부 메뉴들을 제1 및 제2 분류를 통해 분류하는 과정을 나타낸 도면이다.
도 6을 참조하면, 식수 인원 분석 서버(100)는 예측 대상 메뉴에 포함된 각각의 세부 메뉴들이 제1 분류 및 제2 분류의 어느 항목에 속하는지를 판단하여, 예측 대상 메뉴 정보에 포함되는 전체 메뉴들에 대한 제1 분류 및 제2 분류의 개별 항목의 숫자를 카운팅할 수 있다.
도 6의 (a)를 참조하면, 예측 대상 메뉴에 포함된 각각의 세부 메뉴들이 '콩가루시래기국', '쇠고기버섯볶음', '양장피', '도라지생채'의 형태로 표시되어 있다. 식수 인원 분석 서버(100)는 각각의 세부 메뉴들을 제1 분류 및 제2 분류의 어느 항목에 속하는지를 판단할 수 있다. 이와 같은 과정은 식수 인원 분석 서버(100)가 저장하고 있는 과거 데이터를 참조하여 이루어질 수도 있으며, 세부 메뉴에 대한 텍스트 분석을 통해 이루어질 수도 있다.
도 6의 (a)에서 도시되는 것과 같이, 각각의 세부 메뉴는 제1 분류 및 제2 분류로 분류됨에 있어, 하나의 분류 내에서 복수 개의 항목에 속할 수 있다. 예를 들어, 도 6의 (a)에 표시된 세부 메뉴 중 하나인 '양장피'는 제2 분류 기준에 의해 분류됨에 있어, '면류', 채소류' 및 '해조류'로 분류될 수 있다. 도 6의 (a)에서 각각의 세부 메뉴에 대한 제1 분류는 각각 하나만이 표시되어 있으나 각각의 세부 메뉴는 제1 분류 내에서도 복수 개의 항목에 속할 수 있다.
도 6의 (b)를 참조하면, 식수 인원 분석 서버(100)는 예측 대상 메뉴 정보에 포함되는 전체 세부 메뉴들에 대한 제1 분류 및 제2 분류의 개별 항목 숫자를 카운팅할 수 있다. 도 6의 (b)는 도 6의 (a)에 표시된 세부 메뉴 전체의 분류가 제1 분류 및 제2 분류의 개별 항목 별 숫자로 카운팅된 상태를 도시하고 있다.
도 7은 본 발명의 일 실시예에 따른 식수 인원 분석 서버(100)가 식수 인원에 대한 예측치를 계산하기 위해 사용할 수 있는 모델링 방법이 나열된 도면이다.
도 7을 참조하면, 식수 인원 분석 서버(100)는 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보 및 이벤트 정보와, 이에 대응되는 메뉴 정보를 사용하여 식수 인원 분석 및 예측을 수행함에 있어 다양한 종류의 모델링 방법을 사용할 수 있다.
일 실시예에 따르면, 식수 인원 분석 서버(100)는 과거의 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 및 이와 대응되는 메뉴 정보를 포함하는 복수의 학습 데이터들을 모델링을 통해 분석하고, 분석 결과를 통해 예측 대상에 대한 식수 인원을 계산하는 알고리즘을 생성하거나, 기 생성된 알고리즘을 수정할 수 있다.
이하, "학습 데이터"란 과거의 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 및 이와 대응되는 메뉴 정보들을 총체적으로 포함하는 데이터로 식수 인원 분석 서버(100)가 식수 인원 예측 알고리즘 생성 또는 개선에 사용하는 과거 데이터를 의미할 수 있다.
도 7에서 나열된 모델링 방법을 살펴보면, (a)는 다중 선형 회귀, (b)는 LASSO 회귀, (c)는 RIDGE 회귀, (d)는 Bagging, (e)는 Boosting, (f)는 랜덤 포레스트(Random Forest)의 모델링 방법을 각각 나타내고 있다.
도 7의 (a)를 살펴보면, 도 7의 (a)는 다중 선형 회귀에 의한 모델링 기법에서 사용되는 수학식을 표시하고 있다. 다중 선형 회귀란, 두 개 이상의 독립변수와 종속 변수와의 관계를 설명하는 모델링 기법이다. 다중 선형 회귀에 의한 모델링을 적용하여 분석을 수행하기 위해서는 모델링에 사용할 독립 변수를 선택하여야 하는데, 본 발명 상에서 다중 선형 회귀를 사용함에 있어서는 다양한 변수 선택법 중 후향적 변수 제거법(Backward Selection)이 이용될 수 있다.
후향적 변수 제거법이란, 주어진 모든 독립 변수들을 포함하는 회귀모형에서 출발하여 종속 변수에 유의하게 영향을 미치지 않는 독립 변수, 즉, 유의성이 낮은 독립 변수들을 제외시키는 방식으로 독립 변수들을 선택하는 방식이다. 후향적 변수 제거법은 독립 변수의 수가 많아 유의성이 높은 변수를 선택하기 어려운 상황에서 유용하게 사용될 수 있으며, 유의성과 설명력이 높으면서도 간단하게 설명될 수 있는 모델을 형성할 수 있는 장점이 있다.
도 7의 (b)를 살펴보면, 도 7의 (b)는 LASSO 회귀 분석에 의한 모델링 기법에서 사용되는 수학식을 표시하고 있다. LASSO 회귀 분석이란, 기존의 회귀 분석에 제약 조건을 가해 중요하지 않은 회귀계수 값을 축소시켜 0으로 만드는 모델이다. LASSO 회귀 분석의 경우, 독립 변수의 수가 많아 가장 상황을 잘 설명할 수 있는 변수만을 골라내어야 하는 경우에 주로 사용되며, 영향력이 적은 독립 변수의 계수를 0으로 만듦으로써 어떠한 변수가 모델링에 있어서 영향력이 큰 지 판별할 수 있어 모델 해석력이 향상되는 장점이 있다.
도 7의 (c)를 살펴보면, 도 7의 (c)는 RIDGE 회귀 분석에 의한 모델링 기법을 간략하게 설명하는 도면을 표시하고 있다. RIDGE 회귀 분석이란, LASSO와 유사하게 기존의 회귀 분석에 제약 조건을 가해 중요하지 않은 회귀 계수 값을 축소시켜 0에 근접하도록 하는 모델이다. 다만, RIDGE 회귀 분석에서 가하는 제약 조건은 LASSO 회귀 분석에서 가하는 제약 조건과 상이할 수 있다. RIDGE 회귀 분석의 경우, 독립 변수가 많아 오차를 최소로 하면서 간단한 모델로 데이터를 설명하고 싶은 경우에 주로 사용되며, 적합이 되는 해에 제약 조건을 부여함으로써 모델의 과적합을 방지할 수 있다는 장점이 있다.
도 7의 (d)를 살펴보면, 도 7의 (d)는 Bagging이라는 모델링 기법을 간략하게 설명하는 도면을 표시하고 있다. Bagging이란, 원본 훈련 데이터를 복원 추출하여 복수 개의 데이터 그룹으로 분류하고, 이를 각각 개별적으로 모델링한 후 각각의 데이터 그룹에 대한 모델링 결과의 평균을 통해 분석을 수행하는 모델링 기법이다. Bagging의 모델링 기법은 데이터가 많을수록 그 성능이 향상되며, 데이터가 복수 개의 데이터 그룹으로 분할되면서 과적합이 생길 위험성이 감소되는 장점이 존재한다.
도 7의 (e)를 살펴보면, 도 7의 (e)는 Boosting이라는 모델링 기법을 간략하게 설명하는 도면을 표시하고 있다. Boosting이란, Bagging의 기법을 사용함에 있어 예측이 잘 되지 않은 데이터가 더욱 많이 선별되도록 가중치를 부여하는 기법으로, Bagging의 장점을 그대로 보유하면서도 보다 나은 분석 결과를 산출하는 장점이 있다. 다만, 연산량이 늘어나게 되므로 식수 인원 분석 서버(100)가 수행하여야 하는 작업량이 증가할 수는 있다.
도 7의 (f)를 살펴보면, 도 7의 (f)는 랜덤 포레스트(Random Forest)라는 모델링 기법을 간략하게 설명하는 도면을 표시하고 있다. 랜덤 포레스트란, Bagging의 기법을 사용할 때에 분류되던 데이터 그룹을 각각 의사 결정 나무(Decision Tree)의 형태로 구성하고, 분류된 데이터 그룹 각각에서 분석에 사용되는 독립 변수를 랜덤으로 선택하는 모델링 기법을 의미한다. 랜덤 포레스트를 통해 모델링을 수행하는 경우, Bagging의 장점을 유사하게 보유하면서도 독립 변수를 랜덤하게 선택함으로써 유사한 모델들이 생성되지 않아 분석의 정확도를 높일 수 있다는 장점이 있다.
식수 인원 분석 서버(100)는 학습 데이터를 전술된 다양한 모델링 방법들을 사용하여 분석하고, 도출된 식수 인원 예측 결과를 실제의 식수 인원과 비교함으로써, 어떠한 모델링 방법이 오차율이 낮은 결과를 도출하였는지를 판단할 수 있다. 또한, 식수 인원 분석 서버(100)는 분석 결과를 통해 식수 인원 예측치의 계산에 사용되는 알고리즘을 생성하거나 미리 생성되어 있는 알고리즘을 수정할 수 있다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 식수 인원 분석 서버(100)가 과소 예측치 또는 과대 예측치를 계산하기 위해 필요한 선호도 변수를 계산하는 방식을 나타내는 도면이다.
식수 인원 분석 서버(100)는 도 7을 통해 전술된 모델링을 통해 예측 대상 메뉴에 대한 식수 인원의 예측치를 계산한 이후, 해당 예측치가 과소 예측되었는지 여부 또는 과대 예측되었는지 여부를 판단하기 위해, 예측의 결과로 나온 예측치와 메뉴 선호도 변수라는 새로운 변수를 독립 변수로 추가할 수 있다.
선호도 변수가 추가된 이유는, 예측 대상 메뉴에 포함되는 각각의 세부 메뉴를 조리 방법 및 조리 재료에 따라 분류하는 방법으로는 실제 세부 메뉴의 이름에 따른 선호도를 반영할 수 없기 때문에 이를 반영하기 위함일 수 있다.
도 8을 참조하면, 하나의 세부 메뉴인 '굴비구이'에 대한 선호도를 계산하는 과정이 도시되어 있다. 도 8에는 '굴비구이'를 세부 메뉴로 가지는 상이한 날짜들의 메뉴가 표시되어 있으며, 해당 메뉴에 대한 실제 식수 인원 정보 또한 표시되어 있다. '굴비구이'에 대한 선호도는 해당하는 세부 메뉴를 포함하는 메뉴들의 식수인원 평균으로 계산될 수 있다.
도 9를 참조하면, 세부 메뉴가 아닌 전체 메뉴에 대한 선호도를 계산하는 과정이 도시되어 있다. 도 9를 참조하면, 특정 메뉴에 대한 선호도는 해당 메뉴 내에 포함되는 세부 메뉴의 평균 식수 인원들의 평균 계산을 통해 도출될 수 있다. 도 9의 예시를 살펴보면, 특정 날짜의 메뉴는 '해물볶음밥', '얼큰어묵국','닭다리바베큐','멕시칸샐러드' 및 '오이지무침'을 세부메뉴로 포함할 수 있다. 이와 같은 각각의 세부메뉴들에 대한 선호도는 도 8을 통해 전술된 과정을 통해 계산될 수 있으며, 도 9에서 다섯가지의 세부메뉴를 가지는 메뉴 전체의 선호도는 세부 메뉴들의 선호도 평균으로 계산될 수 있다.
즉, 메뉴 선호도 변수는 복수의 학습 데이터에 포함된 세부 메뉴 각각에 대해 해당 세부 메뉴가 포함된 메뉴에 대한 평균 식수 인원을 계산하고, 특정 메뉴에 포함된 각각의 세부 메뉴에 대한 평균 식수 인원의 평균 계산을 통해 산출될 수 있다.
식수 인원 분석 서버(100)는 산출된 선호도 변수를 기초로 예측 대상 메뉴에 대한 식수 인원의 예측치가 과소 예측되었는지 과대 예측되었는지를 판단하고 예측치에 대한 보정을 수행할 수 있다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 식수 인원 분석 서버(100)가 딥 러닝 기법 중 CNN 알고리즘을 적용하여 모델링을 수행하는 방법을 나타내기 위한 도면이다.
식수 인원 분석 서버(100)는 도 7을 통해 전술된 다양한 모델링 방법을 대신하여, 딥 러닝(Deep Learning) 기법 중 CNN 알고리즘을 사용할 수 있다. CNN(Convolutional Neural Network)이란, 생물학의 신경망에서 영감을 얻은 통계학적 학습 알고리즘으로, 다수의 Convolutional Layer로부터 특징 맵(Feature map) 추출 및 서브샘플링(Subsampling)을 통해 이미지를 단순화 시킨 뒤, 이미지의 학습을 통해 유사한 이미지를 분류하는 데 주로 사용되는 알고리즘이다.
도 7에서 전술된 모델링 방법들은 조리 방법과 조리 재료를 일차원의 데이터로 표현하였으나, CNN 모델링에서는 도 10에 도시된 것과 같이 이를 이차원의 행렬 상에 표현할 수 있다. 도 11을 참조하면, 하나의 전체 메뉴에 포함되는 세부 메뉴들이 이차원의 행렬 상에 각각 표시될 수 있으며, 이와 같은 방식으로 생성된 2차원 행렬 형태의 메뉴 이미지들을 통해 CNN 모델링이 수행될 수 있다.
도 12는 본 발명의 일 실시예에 따른 식수 인원 분석 서버(100)의 구성을 간략하게 나타낸 블록도이다.
도 12를 참조하면, 식수 인원 분석 서버(100)는 예측 대상 메뉴 정보 수신부(110), 학습 데이터 관리부(120), 제1 모델링 수행부(130), 제2 모델링 수행부(140), 보정치 적용부(150), 딥 러닝 모델링부(160), 분석 결과 전송부(170), 통신부(180) 및 제어부(190)를 포함하여 구성될 수 있다.
예측 대상 메뉴 정보 수신부(110)는 사용자로부터 예측의 대상이 되는 메뉴와 관련된 정보를 수신할 수 있다. 사용자는 날짜, 메뉴 내에 포함되는 세부 메뉴들의 정보, 이벤트 정보, 식사 가능 인원 및 전 주의 동일요일 식사 인원 등의 정보를 사용자 단말기(200)를 통해 예측 대상 메뉴 정보 수신부(110)로 전송할 수 있다.
학습 데이터 관리부(120)는 과거의 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 및 이와 대응되는 메뉴 정보를 포함하는 복수의 학습 데이터들을 저장하고 관리할 수 있다. 또한, 학습 데이터 관리부(120)는 외부 서버(300)에 접속하여 과거의 데이터들을 크롤링함으로써 학습 데이터를 생성할 수 있다. 학습 데이터 관리부(120)는 축척된 학습 데이터를 토대로 추후 제1 모델링 수행부(130), 제2 모델링 수행부(140), 보정치 적용부(150) 또는 딥 러닝 모델링부(160)에 의해 수행된 분석 기록 또한 저장하고 관리할 수 있다.
제1 모델링 수행부(130)는 인원 관련 정보, 날씨 정보, 날짜 관련 정보, 이벤트 정보 및 예측 대상 메뉴 정보에 포함되는 중 데이터들 중 적어도 하나 이상을 독립 변수로 사용하여, 제1 모델링을 수행할 수 있다. 제1 모델링의 결과로는 사용자가 전송한 예측 대상 메뉴에 대한 식수 인원의 제1 예측치가 계산될 수 있다.
제1 모델링 수행부(130)는 제1 모델링을 통해 식수 인원의 제1 예측치를 계산함에 있어, 인원 정보, 날씨 관련 정보, 날짜 관련 정보 이벤트 정보 또는 메뉴 정보에 포함되는 데이터들의 적어도 일부에 대한 더미화를 수행하고, 더미화를 통해 생성된 변수를 독립 변수로 사용할 수 있다.
제1 모델링 수행부(130)는 예측 대상 메뉴 정보 내에 포함되어 있는 다양한 세부 메뉴 중 일부만을 선택하여 분석에 사용할 수 있다. 제1 모델링 수행부(130)는 예측 대상 메뉴 정보에 포함되는 세부 메뉴 들을 주메뉴 및 부메뉴로 분류하여 주메뉴에 해당하는 데이터만을 독립 변수로 사용할 수 있으며, 이와 달리 세부 메뉴 중 일정한 개수만을 선택하여 선택한 세부 메뉴에 해당하는 데이터만을 독립 변수로 사용할 수도 있다. 이 과정에서, 제1 모델링 수행부(130)는 세부 메뉴들을 주메뉴와 부메뉴로 분류해 놓은 데이터베이스 또는 메뉴들의 중요도 순서를 정해 놓은 데이터베이스를 분류기준으로 사용할 수도 있으며, 주메뉴 및 부메뉴 분류 기준 또는 중요도 계산 기준을 통해 예측 대상 메뉴 분석시 사용할 세부 메뉴를 선택할 수도 있다.
제1 모델링 수행부(130)는 예측 대상 메뉴 정보에 포함되는 세부 메뉴들이 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류의 어느 항목에 속하는지를 판단하여, 예측 대상 메뉴 정보에 포함되는 전체 세부 메뉴들에 대한 제1 분류 및 제2 분류의 개별 항목의 숫자를 카운팅 할 수 있다. 제1 모델링 수행부(130)는 도 6의 (a)와 (b)에서 전술된 방식과 같이 분류를 진행할 수 있다.
제1 모델링 수행부(130)는 다중 선형 회귀, LASSO 회귀, RIDGE 회귀, Bagging, Boosting 또는 랜덤 포레스트 중 하나의 모델링 방법을 선택하고, 선택된 모델링 방법을 통해 제1 모델링을 수행할 수 있다.
제1 모델링 수행부(130)는 상기와 같은 방식으로 예측 대상 메뉴에 대한 제1 예측치를 계산하기 전, 과거의 학습 데이터를 토대로 제1 예측치의 계산에 사용되는 알고리즘을 생성하거나 수정할 수 있다. 상세하게는, 제1 모델링 수행부(130)는 과거의 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보 및 이벤트 정보와, 이와 대응되는 메뉴 정보를 포함하는 복수의 학습 데이터들을 제1 모델링을 통해 분석하여 그 분석 결과를 통해 제1 예측치의 계산에 사용되는 알고리즘을 생성하거나 수정할 수 있다.
제1 모델링 수행부(130)가 복수의 학습 데이터들을 제1 모델링을 통해 분석한 뒤, 제1 예측치의 계산에 사용되는 알고리즘을 생성하거나 수정하는 과정은, 제1 모델링 수행부(130)가 학습 데이터에 포함되는 다양한 변수 중 알고리즘 내에서 사용될 독립 변수를 선택하고, 선택한 독립변수가 알고리즘 내에서 가지는 가중치를 조절하는 방식으로 수행될 수 있다. 도 7을 통해 전술한 바와 같이, 모델링 과정에서 중요하지 않은 변수의 계수는 0이 되거나 0에 근접할 수 있다. 제1 모델링 수행부(130)는 모델링 과정에서 산출되는 변수의 계수 등을 토대로 하여 알고리즘에 사용될 독립 변수와, 각 독립 변수가 가지는 가중치를 결정할 수 있다.
제1 모델링 수행부(130)는 복수의 학습 데이터를 제1 모델링을 통해 분석함에 있어, 복수의 학습 데이터를 복수의 데이터 그룹으로 분류하고, 각각의 데이터 그룹에 대한 모델링 결과의 평균을 통해 분석을 수행할 수 있다. 추가적으로, 제1 모델링 수행부(130)는 이 과정에서 데이터 그룹 각각을 의사 결정 나무(Decision Tree)의 형태로 구성하고, 데이터 그룹 각각에서 분석에 사용되는 독립 변수를 랜덤으로 선택할 수 있다.
제2 모델링 수행부(140)는 제1 모델링 수행부(130)가 제1 예측치를 계산하는 단계에서 사용한 독립 변수들에 더불어, 제1 예측치와 메뉴 선호도 변수를 추가로 사용하는 제2 모델링을 수행할 수 있다. 제2 모델링의 결과로는 제1 예측치의 과소 예측치 또는 과대 예측치가 계산될 수 있다. 제2 모델링 수행부(140)는 제2 모델링에 있어서 사용되는 메뉴 선호도 변수를 산출함에 있어, 복수의 학습 데이터에 포함된 세부 메뉴 각각에 대해 해당 세부 메뉴가 포함된 메뉴에 대한 평균 식수 인원을 계산하고, 특정 메뉴에 포함된 각각의 세부 메뉴에 대한 평균 식수 인원의 평균 계산을 통해 메뉴 선호도 변수를 산출할 수 있다.
보정치 적용부(150)는 제2 모델링 수행부(140)가 제2 모델링을 수행한 결과로 계산된 과소 예측치 또는 과대 예측치에 기초하여, 제1 모델링 수행부(130)에 의해 계산된 식수 인원의 제1 예측치에 보정치를 추가하여 예측 대상 메뉴에 대한 식수 인원의 제2 예측치를 계산할 수 있다.
본 발명의 일 실시예에 따르면, 보정치 적용부(150)는 과소 예측치 또는 과대 예측치에 기초하여 제1 예측치에 보정치를 추가하는 과정에 있어, 제1 예측치가 과소 예측치에 해당하는지 과대 예측치에 해당하는지에 따라 기 정해진 보정치를 가산하거나 차감할 수 있다. 예를 들어, 제1 예측치가 과소 예측치로 예측되었고 기 정해진 보정치가 100명인 경우에 제1 예측치에 100이라는 숫자를 가산할 수 있으며, 기 정해진 보정치가 10%인 경우에는 제1 예측치의 값의 1/10을 제1 예측치에 가산할 수 있다.
본 발명의 다른 실시예에 따르면, 보정치 적용부(150)는 과소 예측치 또는 과대 예측치에 기초하여 제1 예측치에 보정치를 추가하는 과정에 있어, 과소 예측치 또는 과대 예측치의 값에 기초하여 보정치의 크기를 조절할 수 있다.
딥 러닝 모델링부(160)는 학습 데이터들을 분석함에 있어 제1 모델링 수행부(130)가 다중 선형 회귀, LASSO 회귀, RIDGE 회귀, Bagging, Boosting 또는 랜덤 포레스트에 의한 모델링을 수행하는 대신에, 딥 러닝(Deep Learning) 기법을 이용하도록 할 수 있다.
딥 러닝 모델링부(160)는 학습 데이터들을 제1 모델링을 통해 분석함에 있어, 학습 데이터 내에 포함되는 메뉴 정보 내의 세부 메뉴들이 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류의 어느 항목에 속하는지를 판단한 후, 상기 제1 분류와 제2 분류를 각각 하나의 차원으로 포함하는 이차원 행렬 내에서 세부 메뉴들의 위치를 표시하는 방식으로 각각의 메뉴 정보에 대응되는 2차원 행렬 데이터를 생성할 수 있다. 이후, 딥 러닝 모델링부(160)는 생성된 2차원 행렬 데이터의 집합을 딥 러닝 기법 중 CNN 알고리즘을 이용한 모델링을 통해 분석할 수 있다. 상세하게는, 딥 러닝 모델링부(160)는 도 10 및 도 11을 통해 전술된 방식으로 모델링을 수행할 수 있다.
분석 결과 전송부(170)는 보정치 적용부(150)에서 계산된 제2 예측치를 예측 대상 메뉴에 대한 식수 인원의 최종 예측치로 하여, 제2 예측치에 대한 정보를 사용자 단말기(200)로 전송할 수 있다.
통신부(180)는 식수 인원 분석 서버(100)가 사용자 단말기(200) 및 외부 서버(300)와의 통신을 수행할 수 있도록 한다. 통신부(180)가 통신을 수행하기 위해서 사용하는 통신망은 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 예를 들면, 근거리 통신망(LAN: Local Area Network), 도시권 통신망(MAN: Metropolitan Area Network), 광역 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구현될 수 있다.
제어부(190)는 예측 대상 메뉴 정보 수신부(110), 학습 데이터 관리부(120), 제1 모델링 수행부(130), 제2 모델링 수행부(140), 보정치 적용부(150), 딥 러닝 모델링부(160), 분석 결과 전송부(170) 및 통신부(180) 간의 데이터 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(190)는 예측 대상 메뉴 정보 수신부(110), 학습 데이터 관리부(120), 제1 모델링 수행부(130), 제2 모델링 수행부(140), 보정치 적용부(150), 딥 러닝 모델링부(160), 분석 결과 전송부(170) 및 통신부(180)에서 각각 고유한 기능을 수행하도록 제어할 수 있다. 도 12에서 예측 대상 메뉴 정보 수신부(110), 학습 데이터 관리부(120), 제1 모델링 수행부(130), 제2 모델링 수행부(140), 보정치 적용부(150), 딥 러닝 모델링부(160) 및 분석 결과 전송부(170)는 제어부(190)를 기능적으로 분류한 구성이므로 하나의 제어부(190)로서 통합되어 구성될 수 있다.
도 13은 본 발명의 일 실시예에 따른 식수 인원 분석 서버(100)가 학습 데이터를 통해 식수 인원 예측 알고리즘을 생성하고 이를 통해 사용자의 요청에 대응하여 식수 인원 예측을 수행하는 과정을 나타낸 흐름도이다.
도 13을 참조하면, 식수 인원 분석 서버(100)는 식수 인원 예측 전에 과거의 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 및 이들과 대응되는 메뉴 정보를 포함하는 학습 데이터를 수집할 수 있다(S1201).
이후, 식수 인원 분석 서버(100)는 수집된 학습 데이터를 제1 모델링을 통해 분석하고, 분석 결과를 기초로 제1 예측치의 계산에 사용되는 알고리즘을 생성할 수 있다(S1203). 이 과정에서 식수 인원 분석 서버(100)는 제1 모델링 방법으로서, 다중 선형 회귀, LASSO 회귀, RIDGE 회귀, Bagging, Boosting, 랜덤 포레스트 또는 딥 러닝 기법을 사용할 수 있다. 제1 예측치에 사용되는 알고리즘은 복수의 독립 변수를 가지는 수학식 형태로 구성될 수 있다.
식수 인원 분석 서버(100)는 이후, 사용자로부터 예측 대상 메뉴에 대한 정보를 수신할 수 있다(S1205). 사용자는 사용자 단말기(200)를 통해 예측 대상 메뉴에 대한 정보를 식수 인원 분석 서버(100)로 전송하며 해당 메뉴에 대한 식수 인원 예측치를 요청할 수 있다. 사용자 단말기(200)를 통해 식수 인원 분석 서버(100)로 전달되는 예측 대상 메뉴에 대한 정보는, 날짜, 메뉴, 이벤트, 식사 가능 인원, 전주 식사 인원과 같은 정보들을 포함할 수 있다.
식수 인원 분석 서버(100)는 S1203 단계에서 생성된 알고리즘에 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 또는 예측 대상 메뉴 정보에 포함되는 데이터들 중 적어도 하나 이상을 독립 변수로 입력함으로써, 식수 인원의 제1 예측치를 계산할 수 있다(S1207).
제1 예측치를 계산한 후, 식수 인원 분석 서버(100)는 제1 예측치를 계산하는 단계에서 사용된 독립 변수들에 더불어 메뉴 선호도 변수 및 제1 예측치를 독립 변수로 추가하여, 제2 모델링을 통해 제1 예측치의 과소 예측치 또는 과대 예측치를 계산할 수 있다(S1209).
식수 인원 분석 서버(100)는 계산된 과소 예측치 또는 과대 예측치에 기초하여, 제1 예측치를 보정하여 제2 예측치를 계산할 수 있다(S1211). 식수 인원 분석 서버(100)는 제2 예측치를 최종 예측치로 하여 해당 정보를 사용자 단말기(200)로 전송할 수 있다(S1213).
이와 같이, 본 발명의 다양한 실시예들에 따르면, 식수 인원 분석 서버가 다양한 모델링 방식을 사용하여 과거 데이터의 학습을 수행함에 따라 식수 인원 예측 알고리즘의 정확도가 향상될 수 있으며, 그에 따라 집단 급식소 등의 기관에서 인력 및 물자의 효율적인 관리가 가능해질 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100: 식수 인원 예측 서버
200: 사용자 단말기
300: 외부 서버

Claims (10)

  1. 컴퓨팅 시스템 상에서 수행되는, 식수 인원을 예측하는 방법으로서,
    사용자로부터 예측 대상 메뉴에 대한 정보를 수신하는 단계;
    인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 또는 예측 대상 메뉴 정보에 포함되는 데이터들 중 적어도 하나 이상을 독립 변수로 사용하는 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계;
    상기 제1 예측치를 계산하는 단계에서 사용된 독립 변수들에 더불어 상기 예측 대상 메뉴에 포함되는 세부 메뉴들의 이름에 대한 선호도를 반영하는 메뉴 선호도 변수 및 상기 제1 예측치를 독립 변수로 추가로 사용하는 제2 모델링을 통해, 상기 제1 예측치의 과소 예측치 또는 과대 예측치를 계산하는 단계; 및
    상기 과소 예측치 또는 과대 예측치에 기초하여, 상기 제1 예측치에 보정치를 추가하여 상기 예측 대상 메뉴에 대한 식수 인원의 제2 예측치를 계산하는 단계를 포함하며,
    상기 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계는,
    상기 예측 대상 메뉴 정보에 포함되는 세부 메뉴들이 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류의 어느 항목에 속하는지를 판단하여, 상기 예측 대상 메뉴 정보에 포함되는 전체 세부 메뉴들에 대한 상기 제1 분류 및 제2 분류의 개별 항목의 숫자를 카운팅하는 단계를 더 포함하는, 식수 인원 예측 방법.
  2. 제1항에 있어서,
    상기 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계는,
    과거의 인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보 또는 이벤트 정보와 대응되는 메뉴 정보를 포함하는 학습 데이터를 제1 모델링을 통해 분석하고, 분석 결과를 통해 상기 제1 예측치의 계산에 사용되는 알고리즘을 생성 또는 수정하는 단계를 더 포함하는, 식수 인원 예측 방법.
  3. 제2항에 있어서,
    상기 분석 결과를 통해 상기 제1 예측치의 계산에 사용되는 알고리즘을 생성 또는 수정하는 단계는,
    상기 학습 데이터에 포함되는 변수 중 상기 알고리즘에 사용될 독립 변수를 선택하고, 선택된 독립 변수가 상기 알고리즘 내에서 가지는 가중치를 조절하는 방식으로 수행되는, 식수 인원 예측 방법.
  4. 제2항에 있어서,
    상기 학습 데이터를 제1 모델링을 통해 분석하는 단계는,
    상기 학습 데이터를 복수의 데이터 그룹으로 분류하고, 각각의 데이터 그룹에 대한 모델링 결과의 평균을 통해 분석을 수행하는 단계를 더 포함하는, 식수 인원 예측 방법.
  5. 제4항에 있어서,
    상기 복수의 데이터 그룹 각각을 의사 결정 나무(Decision Tree)의 형태로 구성하고, 데이터 그룹 각각에서 분석에 사용되는 독립 변수를 랜덤으로 선택하는 단계를 더 포함하는, 식수 인원 예측 방법.
  6. 삭제
  7. 제2항에 있어서,
    상기 메뉴 선호도 변수는 학습 데이터에 포함된 세부 메뉴 각각에 대해 해당 세부 메뉴가 포함된 메뉴에 대한 평균 식수 인원을 계산하고, 특정 메뉴에 포함된 각각의 세부 메뉴에 대한 평균 식수 인원의 평균 계산을 통해 산출되는 것인, 식수 인원 예측 방법.
  8. 제2항에 있어서,
    상기 학습 데이터들을 제1 모델링을 통해 분석하는 단계는,
    상기 학습 데이터 내에 포함되는 메뉴 정보 내의 세부 메뉴들이 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류의 어느 항목에 속하는지를 판단한 후, 상기 제1 분류와 제2 분류를 각각 하나의 차원으로 포함하는 이차원 행렬 내에서 세부 메뉴들의 위치를 표시하는 방식으로 각각의 메뉴 정보에 대응되는 2차원 행렬 데이터를 생성하는 단계; 및
    생성된 2차원 행렬 데이터들을 딥 러닝(Deep Learning) 기법을 이용한 모델링을 통해 분석하는 단계를 더 포함하는, 식수 인원 예측 방법.
  9. 제1항에 있어서,
    상기 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 단계는,
    상기 예측 대상 메뉴 정보에 포함되는 세부 메뉴들의 일부만을 선택하여 독립 변수로 사용하는 것을 특징으로 하는, 식수 인원 예측 방법.
  10. 식수 인원 예측을 수행하는 식수 인원 분석 서버에 있어서,
    사용자로부터 예측 대상 메뉴에 대한 정보를 수신하는 예측 대상 메뉴 정보 수신부;
    인원 관련 정보, 날씨 관련 정보, 날짜 관련 정보, 이벤트 정보 또는 예측 대상 메뉴 정보에 포함되는 데이터들 중 적어도 하나 이상을 독립 변수로 사용하는 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 제1 모델링 수행부;
    상기 제1 예측치를 계산하는 과정에서 사용된 독립 변수들에 더불어 상기 예측 대상 메뉴에 포함되는 세부 메뉴들의 이름에 대한 선호도를 반영하는 메뉴 선호도 변수 및 상기 제1 예측치를 독립 변수로 추가로 사용하는 제2 모델링을 통해, 상기 제1 예측치의 과소 예측치 또는 과대 예측치를 계산하는 제2 모델링 수행부; 및
    상기 과소 예측치 또는 과대 예측치에 기초하여, 상기 제1 예측치에 보정치를 추가하여 상기 예측 대상 메뉴에 대한 식수 인원의 제2 예측치를 계산하는 보정치 적용부를 포함하며,
    상기 제1 모델링 수행부는, 상기 제1 모델링을 통해 상기 예측 대상 메뉴에 대한 식수 인원의 제1 예측치를 계산하는 과정에서,
    상기 예측 대상 메뉴 정보에 포함되는 세부 메뉴들이 각각 조리 방법과 연관된 제1 분류 및 조리 재료에 연관된 제2 분류의 어느 항목에 속하는지를 판단하여, 상기 예측 대상 메뉴 정보에 포함되는 전체 세부 메뉴들에 대한 상기 제1 분류 및 제2 분류의 개별 항목의 숫자를 카운팅하는 것을 특징으로 하는, 식수 인원 분석 서버.
KR1020180153669A 2018-12-03 2018-12-03 식수 인원 예측을 수행하는 서버 및 이의 동작 방법 KR102182316B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180153669A KR102182316B1 (ko) 2018-12-03 2018-12-03 식수 인원 예측을 수행하는 서버 및 이의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180153669A KR102182316B1 (ko) 2018-12-03 2018-12-03 식수 인원 예측을 수행하는 서버 및 이의 동작 방법

Publications (2)

Publication Number Publication Date
KR20200066928A KR20200066928A (ko) 2020-06-11
KR102182316B1 true KR102182316B1 (ko) 2020-11-24

Family

ID=71070513

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180153669A KR102182316B1 (ko) 2018-12-03 2018-12-03 식수 인원 예측을 수행하는 서버 및 이의 동작 방법

Country Status (1)

Country Link
KR (1) KR102182316B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023140477A1 (ko) * 2022-01-18 2023-07-27 주식회사 카이로스랩 상점 재료의 주문 수량 예측 디바이스 및 방법
CN115994785B (zh) * 2023-01-09 2023-09-29 淮阴工学院 一种餐饮人流量备料智能预测方法及系统
KR200497967Y1 (ko) * 2023-04-17 2024-04-30 (주)일신시큐리티 잔반량 모니터링을 통한 통합 식수 관리 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101890528B1 (ko) * 2016-03-11 2018-09-28 이준영 구내식당 방문자수 예측 시스템
KR20170127750A (ko) 2016-05-12 2017-11-22 주식회사 나우드림 기상 정보를 고려한 급식 인원수의 판단 방법

Also Published As

Publication number Publication date
KR20200066928A (ko) 2020-06-11

Similar Documents

Publication Publication Date Title
Ardron et al. Marxan good practices handbook
Evans et al. Multi-scale analysis of a household level agent-based model of landcover change
Paracchini et al. An aggregation framework to link indicators associated with multifunctional land use to the stakeholder evaluation of policy options
KR102182316B1 (ko) 식수 인원 예측을 수행하는 서버 및 이의 동작 방법
Pocewicz et al. Predicting land use change: comparison of models based on landowner surveys and historical land cover trends
Marinoni A stochastic spatial decision support system based on PROMETHEE
US11182808B2 (en) Method and system for attributes based forecasting
Bozkir et al. Predicting food demand in food courts by decision tree approaches
Jena et al. Modeling and solving a logging camp location problem
An et al. Variations in development of exurban residential landscapes: timing, location, and driving forces
Yildiz et al. Planning for meals-on-wheels: algorithms and application
Preisler et al. Near-term probabilistic forecast of significant wildfire events for the Western United States
Pope et al. A multiple-attribute decision model for retail store location
CN109615414A (zh) 房产预估方法、装置及存储介质
Dhami et al. Linking the recreation opportunity spectrum with travel spending: A spatial analysis in West Virginia
Drobnik et al. Coupling a settlement growth model with an agro-economic land allocation model for securing ecosystem services provision
KR20220076013A (ko) Ｂ２ｂ 시장을 위한 인공지능 기반 식자재 자동 발주 서비스 제공 시스템
Zhang et al. DEA-based production planning considering influencing factors
US20220012800A1 (en) System and method for ordering food
KR20200066929A (ko) 식수 인원 예측 기능에 대한 시각화를 수행하는 서버 및 이의 동작 방법
Williams et al. Utilizing an urban-regional model (MOLAND) for testing the planning and provision of wastewater treatment capacity in the Dublin Region 2006–2026
Lager et al. New risk horizons: Sweden’s exposure to climate risk via international trade
Zhou et al. On Building Real Time Intelligent Agricultural Commodity Trading Models
Ata et al. Dynamic staffing of volunteer gleaning operations
Ahsan Analyzing Cost Volume Profit Relationship on Small Fast Food Shop (A Study on Bangladeshi Fast Food Industry)

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant