KR20170106242A - 구내식당 방문자수 예측 시스템 - Google Patents

구내식당 방문자수 예측 시스템 Download PDF

Info

Publication number
KR20170106242A
KR20170106242A KR1020170030697A KR20170030697A KR20170106242A KR 20170106242 A KR20170106242 A KR 20170106242A KR 1020170030697 A KR1020170030697 A KR 1020170030697A KR 20170030697 A KR20170030697 A KR 20170030697A KR 20170106242 A KR20170106242 A KR 20170106242A
Authority
KR
South Korea
Prior art keywords
probability
visit
meal
cafeteria
menu
Prior art date
Application number
KR1020170030697A
Other languages
English (en)
Other versions
KR101890528B1 (ko
Inventor
이준영
Original Assignee
이준영
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 이준영 filed Critical 이준영
Publication of KR20170106242A publication Critical patent/KR20170106242A/ko
Application granted granted Critical
Publication of KR101890528B1 publication Critical patent/KR101890528B1/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

단체의 구성원들이 이용하는 구내 식당에서, 각 구성원들이 식사 메뉴 구성에 따라 구내 식당을 방문하는 확률을 계산하여, 배식할 식사 메뉴가 정해지면 방문할 구성원들의 수를 예측하는, 구내식당 방문자수 예측 시스템에 관한 것으로서, 구내식당의 각 끼니에 대하여, 다수의 음식으로 구성된 식사 메뉴, 및, 배식 날짜, 및, 배식된 날의 날씨를 입력받고, 각 구성원의 방문 여부를 입력받는 데이터 수집부; 배식할 특정 끼니에 대하여, 각 구성원별로 방문할 확률을 구하되, 해당 끼니의 식사 메뉴, 배식 날짜, 및, 배식할 날의 예보된 날씨를 조건으로 하는 방문 확률을 연산하는 방문확률 연산부; 및, 각 구성원별 방문 확률을 기댓값으로 계산하여, 배식할 특정 끼니에 대하여 방문할 구성원의 수를 예측하는 방문자수 예측부를 포함하는 구성을 마련한다.
상기와 같은 구내식당 방문자수 예측 시스템에 의하면, 정해진 식사 메뉴에 대하여 각 구성원들의 방문 선호를 예측하여 전체 방문자수를 예측함으로써, 구내식당에 방문할 방문자수를 보다 정확하게 예측할 수 있고, 이를 통해, 준비하는 음식의 양을 최적화시키서 남는 음식의 양을 최소화할 수 있다.

Description

구내식당 방문자수 예측 시스템 { A prediction system for visitors' number of the cafeteria }
본 발명은 단체의 구성원들이 이용하는 구내 식당에서, 각 구성원들이 식사 메뉴 구성에 따라 구내 식당을 방문하는 확률을 계산하여, 배식할 식사 메뉴가 정해지면 방문할 구성원들의 수를 예측하는, 구내식당 방문자수 예측 시스템에 관한 것이다.
일반적으로, 구내 식당은 학교나 회사 등 특정한 단체의 구성원들만 이용하는 식당으로서, 한 끼니에 대하여 식사 메뉴를 준비하고, 방문하는 모든 구성원에게 동일한 종류의 식사를 제공한다. 구내 식당에서 당일에 얼마나 많은 구성원들이 방문할지를 예측하는 것은 매우 중요하다.
그 이유는 방문 구성원 수를 예측할 수 있다면, 남게 되는 음식을 줄일 수 있기 때문이다. 일반적으로, 구내 식당의 경우 음식을 미리 조리하여 준비해두어야 한다. 그리고 준비해둔 음식은 몇 시간 이내에 소비해야 하기 때문에, 남는 음식들은 모두 폐기해야 한다. 남는 음식을 줄이면, 그만큼 이익이 증가된다. 또한, 준비한 음식이 부족한 경우도 줄여서, 방문한 구성원 모두에게 음식을 제공하여 매출을 극대화할 수 있다.
이를 위하여, 사전에 급식 인원수를 체크하여, 방문할 이용자의 수에 맞게 식사량을 준비하는 기술이 제시되고 있다[특허문헌 1,2]. 즉, 상기 선행기술은 급식 식단 메뉴를 발송하여 식단 수락 응답이 오는 급식 이용자의 인원수를 바로 카운트하여, 급식 인원수 통계치를 정확하게 파악하고, 이러한 통계치에 해당하는 양만큼만 식사를 준비한다. 이를 통해, 식자재 비용을 절감한다. 그러나 상기 선행기술들은 이용자들이 모두 자신의 방문 여부를 사전에 알려야 하는 문제점이 있다. 즉, 이용자들이 식단 수락 여부의 응답을 할 동인이 없기 때문에, 식단 수락을 하지 않고 방문하는 경우도 많다.
한편, 구내 식당을 방문하는 구성원들의 수를 예측하는 방법으로는 해당 구내 식당에서 매일 또는 요일별 등으로 방문하는 구성원들의 전체 수를 단순히 체크하는 방법을 예상할 수 있다. 그러나 이와 같이 전체적으로 방문객 수로만 통계를 내면, 예측에 대한 오차가 너무 커질 수 있다.
즉, 구내 식당은 매일 메뉴가 변경되고, 각 구성원들이 방문하는데 가장 큰 영향을 미치는 것은 식사 메뉴의 종류이다. 단체의 구성원들은 각자 음식에 대하여 서로 다른 선호도를 가지고 있기 때문에, 본인이 싫어하는 식사 메뉴가 나오는 경우에는 구내 식당을 방문하지 않고, 단체 건물 밖에 나가서 먹는 경우가 비일비재하다. 또한, 비나 눈이 오는 등 기후에도 영향을 받을 수 있다.
따라서 각 구성원별로 어떤 환경에서 어떤 음식들로 구성된 식사 메뉴일 때, 구내 식당을 방문할 것인지를 예측할 수 있다면, 보다 정확하게 전체 방문자수를 예측할 수 있을 것이다.
[특허문헌 1] 한국공개특허 제10-2015-0107060호(2015.09.23. 공개) [특허문헌 2] 한국공개실용신안 제20-2014-0004386호(2014.07.23. 공개)
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 단체의 구성원들이 이용하는 구내 식당에서, 각 구성원들이 식사 메뉴 구성에 따라 구내 식당을 방문하는 확률을 계산하여, 배식할 식사 메뉴가 정해지면 방문할 구성원들의 수를 예측하는, 구내식당 방문자수 예측 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 구내식당 방문자수 예측 시스템에 관한 것으로서, 구내식당의 각 끼니에 대하여, 다수의 음식으로 구성된 식사 메뉴, 및, 배식 날짜, 및, 배식된 날의 날씨를 입력받고, 각 구성원의 방문 여부를 입력받는 데이터 수집부; 배식할 특정 끼니에 대하여, 각 구성원별로 방문할 확률을 구하되, 해당 끼니의 식사 메뉴, 배식 날짜, 및, 배식할 날의 예보된 날씨를 조건으로 하는 방문 확률을 연산하는 방문확률 연산부; 및, 각 구성원별 방문 확률을 기댓값으로 계산하여, 배식할 특정 끼니에 대하여 방문할 구성원의 수를 예측하는 방문자수 예측부를 포함하는 것을 특징으로 한다.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 방문확률 연산부는, 각 끼니의 식사 메뉴, 배식 날짜, 및, 배식 날의 날씨일 때를 독립된 조건으로 하여, 방문 가능한 횟수 대비 실제 방문한 횟수의 비율로 계산되는 나이브 베이지안 확률 방식으로, 제1 방문 확률을 연산하고, 각 끼니의 식사 메뉴, 배식 날짜, 및, 배식 날의 날씨를 입력으로 하고 방문여부를 출력으로 하는 뉴럴 네트워크를 학습시키고, 학습된 뉴럴 네트워크를 이용하여 제2 방문 확률을 산출하고, 상기 제1 방문 확률과 상기 제2 방문 확률을 결합하여 각 구성원의 방문 확률을 연산하는 것을 특징으로 한다.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 배식 날짜는 요일, 또는, 휴일의 인접성 여부로 다수의 날짜 특성값으로 구분하고, 구분된 날짜 특성값들 중 어느 하나의 값을 갖는 것으로 설정하고, 상기 날씨는 맑음, 흐림, 비, 눈을 포함하는 다수의 날씨 특성값으로 구분하고, 구분된 날씨 특성값들 중 어느 하나의 값을 갖는 것으로 설정하는 것을 특징으로 한다.
또한, 본 발명은 구내식당 방문자수 예측 시스템에 관한 것으로서, 구내식당의 각 끼니에 대하여, 각 끼니의 끼니 조건, 및, 각 끼니에 각 구성원의 방문 여부를 입력받는 데이터 수집부; 배식할 특정 끼니에 대하여, 각 구성원별로 방문할 확률을 구하되, 해당 끼니의 끼니 조건을 이용하여 방문 확률을 연산하는 방문확률 연산부; 및, 각 구성원별 방문 확률을 기댓값으로 계산하여, 배식할 해당 끼니에 대하여 방문할 구성원의 수를 예측하는 방문자수 예측부를 포함하는 것을 특징으로 한다.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 방문확률 연산부는, 각 끼니의 끼니 조건들을 독립된 조건으로 하여, 방문 가능한 횟수 대비 실제 방문한 횟수의 비율로 계산되는 나이브 베이지안 확률 방식으로, 제1 방문 확률을 연산하고, 각 끼니의 끼니 조건들을 입력으로 하고 방문여부를 출력으로 하는 뉴럴 네트워크를 학습시키고, 학습된 뉴럴 네트워크를 이용하여 제2 방문 확률을 산출하고, 상기 제1 방문 확률과 상기 제2 방문 확률을 결합하여 각 구성원의 방문 확률을 연산하는 것을 특징으로 한다.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 끼니 조건은, 다수의 음식으로 구성된 식사 메뉴, 및, 배식 날짜, 및, 배식되는 날의 날씨 중 어느 하나 이상으로 구성되고, 상기 배식 날짜는 요일, 또는, 휴일의 인접성 여부로 다수의 날짜 특성값으로 구분하고, 구분된 날짜 특성값들 중 어느 하나의 값을 갖는 것으로 설정하고, 상기 날씨는 맑음, 흐림, 비, 눈을 포함하는 다수의 날씨 특성값으로 구분하고, 구분된 날씨 특성값들 중 어느 하나의 값을 갖는 것으로 설정하는 것을 특징으로 한다.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 방문확률 연산부는 구내식당이 다수인 경우 상기 뉴럴 네트워크의 출력 노드를 상기 구내식당의 수만큼 설정하고, 상기 뉴럴 네트워크를 학습시킬 때, 상기 뉴럴 네트워크의 출력 노드의 합이 1이 나오도록 정규화(normalizing)하는 것을 특징으로 한다.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 방문확률 연산부는 다음 수식 1에 의하여 각 구성원 i의 방문 확률 pi 을 구하는 것을 특징으로 한다.
[수식 1]
Figure pat00001
단, ra는 상기 나이브 베이지안 방식의 방문 확률이고, rb는 상기 뉴럴 네트워크 방식의 방문 확률이고, λa, λb 는 사전에 정해진 계수임.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 방문확률 연산부는 다음 수식 2를 만족하는 벡터 x를 구하여, 상기 계수 λa, λb 를 구하는 것을 특징으로 한다.
[수식 2]
Figure pat00002
단,
Figure pat00003
여기서, 행렬 A+는 행렬 A의 의사역행렬(pseudo inverse)이고, 행렬 A의 원소 ai,j는 구성원 i의 j번째 확률 연산 방식에 의한 방문 확률이고, 벡터 y는 실제 방문 여부를 나타내고, 1번째 확률 연산 방식은 나이브 베이지안 방식이고, 2번째 확률 연산 방식은 뉴럴 네트워크 방식임.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 방문자수 예측부는 다음 수식 3에 의하여 방문할 구성원의 수 X를 구하는 것을 특징으로 한다.
[수식 3]
Figure pat00004
,
Figure pat00005
여기서, Xi는 이항확률변수이고, B는 이항분포함수이고, pi는 구성원 i가 방문할 확률임.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 시스템은, 다수의 끼니에 대하여 실제로 방문한 구성원 수의 과거 기록을 이용하여, 예측하여 산출한 방문자수 결과에 대하여 보정하는 확률보정부를 더 포함하는 것을 특징으로 한다.
또, 본 발명은 구내식당 방문자수 예측 시스템에 있어서, 상기 확률보정부는, 다음 수식 4에 의해 방문한 구성원 수를 보정하는 것을 특징으로 한다.
[수식 4]
Figure pat00006
단,
Figure pat00007
여기서, X'은 해당 끼니에 대하여 보정된 방문자 수이고, 벡터 k는 해당 끼니에 대하여 각 구성원별 방문확률을 나타내는 벡터이고, 행렬 K+는 행렬 K의 의사역행렬(pseudo inverse)이고, 행렬 K의 원소 ki,j는 과거 끼니 i에 대하여 구성원 j가 방문할 확률이고, 벡터 r은 과거 끼니 i에 대하여 실제로 방문한 구성원 수를 나타냄.
상술한 바와 같이, 본 발명에 따른 구내식당 방문자수 예측 시스템에 의하면, 정해진 식사 메뉴에 대하여 각 구성원들의 방문 선호를 예측하여 전체 방문자수를 예측함으로써, 구내식당에 방문할 방문자수를 보다 정확하게 예측할 수 있고, 이를 통해, 준비하는 음식의 양을 최적화시켜서 남는 음식의 양을 최소화할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템의 구성에 대한 블록도.
도 2는 본 발명의 일실시예에 따른 구내식당 방문자수 예측 시스템의 구성에 대한 블록도.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템 구성의 일례를 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명을 실시하기 위한 전체 시스템은 구성원을 식별하는 구성원 단말(10), 구내 식당에 설치되는 방문체크 단말(20), 및, 각 구성원의 방문을 수집하여 구내 식당 방문자 수를 예측하는 방문자수 예측 시스템(30)으로 구성된다.
구성원 단말(10)은 NFC 등의 기능이 구비된 단말로서, 구성원의 식별할 수 있는 데이터를 저장한 단말이다. 바람직하게는, 구성원 단말(10)은 NFC 등이 구비된 학생증, 사원증 등 신분증이나, 스마트폰 등으로 구현될 수 있다.
방문체크 단말(20)은 구내 식당에 설치된 단말로서, NFC 리더 기능 등을 구비하여, 구성원 단말(10)이 접근하면 구성원을 식별하여 기록하는 단말이다. 방문 체크 단말(20)은 QR코드를 찍는 방식, 매장에서 고주파의 사운드 신호(sound signal)를 송출하고 이를 푸리에 변환을 통해 디텍팅하는 방식, 또는, 와이파이 리스트(WiFi list)를 활용해 체크하는 방식으로도 적용될 수 있다.
방문체크 단말(20)은 구내 식당에 방문하여 체크된 구성원 정보를 방문자수 예측 시스템(30)에 전송한다.
방문자수 예측 시스템(30)은 서버로 구현되거나, 컴퓨터 단말(40) 상에 설치되는 프로그램 시스템으로 실시될 수 있다. 후자의 경우, 방문자수 예측 시스템(30)의 각 기능들은 컴퓨터 프로그램으로 구현되어 컴퓨터 단말(40)에 설치되어, 방문자수의 예측 작업을 수행한다. 방문자수 예측 시스템(30)에서 필요한 데이터들은 컴퓨터 단말(40)의 하드디스크 등 저장공간에 저장되어 이용된다.
방문자수 예측 시스템(30)은 각 끼니의 식사 메뉴 데이터와, 해당 끼니를 방문하여 식사를 한 구성원 데이터를 입력받고, 향후 배식할 식사 메뉴에 대하여 방문자수를 예측한다.
다음으로, 본 발명의 일실시예에 따른 구내식당 방문자수 예측 시스템(30)을 도 2를 참조하여 설명한다.
도 2에서 보는 바와 같이, 본 발명에 따른 식사 메뉴 및, 각 식사 메뉴시에 방문한 구성원에 대한 데이터들을 입력받는 데이터 수집부(31), 각 구성원별로 메뉴 구성에 대하여 방문할 확률을 구하는 방문확률 연산부(32), 및, 배식할 메뉴가 설정되면 배식 메뉴에 대하여 방문할 구성원의 수를 산출하는 방문자수 예측부(33)로 구성된다. 또한, 앞서 예측하여 산출한 방문자수 결과에 대하여 보정하는 확률보정부(34), 또는, 데이터를 저장할 수 있는 저장부(37)를 더 포함하여 구성될 수 있다. 바람직하게는, 저장부(37)는 컴퓨터 단말(40)의 저장매체를 사용한다.
먼저, 데이터 수집부(31)는 각 구성원이 구내 식당을 방문한 기록 데이터를 입력받는다. 구성원의 식당 방문 데이터는 언제 어느 끼니에 방문하였는지에 대한 데이터들을 포함한다.
여기서, 구내 식당은 학교, 회사 등 단체 내에서 운영되는 식당으로서, 학생이나 직원 등 단체의 구성원들이 대부분 식사하는 식당을 말한다. 또한, 구내 식당은 각 끼니별로 식사를 제공하고, 한 끼니에는 식사 메뉴를 제공한다. 식사 메뉴는 다수개 일 수 있다.
또한, 데이터 수집부(31)는 각 끼니에 대한 식사 메뉴에 대한 데이터도 입력받는다. 각 끼니의 식사 메뉴 데이터는 식사 메뉴의 음식들로 구성된다. 음식은 각 식사 메뉴의 구성요소로서, 밥, 국, 반찬들로 구분된다. 음식들은 사전에 정해진다.
또한, 데이터 수집부(31)는 해당 끼니의 날짜나 날씨에 대한 정보도 입력받는다. 날짜는 요일이나, 휴일과의 인접성 등에 따라 다수의 특성값(또는 속성값)으로 구분된다. 이를 날짜 특성이라고 부르기로 한다. 또한, 날씨도 맑음, 흐림, 비, 눈 등의 다수의 특성값(속성값)으로 구분된다.
다음으로, 방문확률 연산부(32)는 각 구성원별로 메뉴 구성에 대하여 방문할 예측값을 구한다. 특히, 특정 날짜와 날씨, 메뉴의 구성에 대하여, 나이브 베이지안 확률, 및, 딥러닝 등 뉴럴네트워크 방식의 확률(예측값)을 구하고, 구한 2개의 예측값을 합하여, 최종적인 각 구성원별 방문 예측값(확률)을 산출한다.
즉, 어떤 구성원의 어떤 구내 식당에 대한 방문 확률을 예측한다. 구내 식당은 보통 식단이 매일 변경된다. 어떤 구성원이 어떤 구내 식당에 방문할 확률은 크게 세 가지 요인, 즉, 식사 메뉴, 날짜, 날씨에 의해서 결정된다. 여기서는 날짜, 날씨, 메뉴만 요인으로 설정하였으나, 요인(Factor)은 더 늘어날 수 있다.
앞서 설명한 바와 같이, 식사 메뉴는 다수의 음식들의 조합으로 구성된다. 또한, 날짜는 요일, 연휴의 인접성 등 여부에 의해 다수의 날짜 특성으로 구분된다. 날씨도 맑음, 흐림, 비, 눈 등의 다수의 특성으로 구분된다.
따라서, (메뉴, 날짜, 날씨)의 조합이 주어질 때, 임의의 구성원이 구내 식당에 방문했는지를 알 수 있다면, (메뉴, 날짜, 날씨)가 주어질 때 임의의 구성원이 해당 식당에 방문할 확률을 계산할 수 있다.
예를 들어, 식단의 경우 오늘은 1+2+5+6+8번 메뉴의 조합으로 구성되어 있을 수도 있고, 4+3+5+9번 메뉴의 조합으로 구성되어 있을 수 있다. 뉴럴네트워크(Neural Network)의 경우 입력노드(input nodes)에는 i번 메뉴의 존재 유무와 요일(요일 특성값), 날씨(날씨 특성값)를 넣어주고 출력 노드(output nodes)는 식당의 방문 여부로 해당 네트워크를 러닝한다.
(메뉴, 날짜, 날씨) 데이터가 주어질 때 확률을 계산하는 방식은 크게 두 가지 방식이 있다. 이때, 메뉴는 다수의 음식1, 음식2, ..., 음식n으로 구성된다.
먼저, 나이브 베이지안 방식을 설명한다.
나이브 베이지안 방식은 가장 간단한 방식이다. 날짜, 날씨, 음식1, 음식2, ..., 음식n이 독립이라고 가정하고 확률을 계산한다. 특정 날짜, 특정 날씨, 해당 메뉴(음식1, 음식2, ..., 음식n으로 구성된 메뉴)일 때 어떤 구성원이 방문 가능한 횟수 대비 실제 방문한 횟수의 비율로 산출한다. 이를 수식으로 표현하면 다음과 같다.
[수학식 1]
나이브 베이지안 확률 = 실제 방문한 횟수 / 방문 가능한 횟수
메뉴 i가 등장할 경우 어떤 구성원 u가 방문했을 확률을 비슷한 방식으로 계산할 수 있다. 날씨에 대해서도 같은 방법으로 계산할 수 있다.
다음으로, 뉴럴네트워크 방식에 대하여 설명한다.
뉴럴네트워크 네트워크의 입력 노드(input nodes)와 출력 노드(output nodes)로 구성되며, 이하에서 구체적으로 설명한다. 입력 노드(input nodes)는 월, 화, ... , 일, 맑음, 흐림, 비, 눈, 음식1, 음식2, …, 음식n 등으로 구성된다. 즉, 입력 노드는 11 + n개의 노드로 구성된다. n은 메뉴의 음식들의 구성 개수이다. 이때, 바람직하게는, 각 노드의 입력은 0(No), 1(Yes)의 이진값으로 입력된다.
출력 노드(output nodes)는 구내 식당의 개수 m 만큼 구성된다. 즉, 각각의 출력 노드는 각 구내 식당의 방문여부에 대한 예측값이다. 각 구성원 u의 과거 식당 방문기록(요일, 날씨, 메뉴, 방문한 식당)의 리스트를 이용하여 러닝한다. 이 데이터를 러닝시키 위해서, 해당 식당의 인덱스(index)를 2라고 하면 (0, 1, 0, 0, …. , 0) 을 출력 노드(output nodes)에서 백 프로파게이션 시킨다. 이러한 방식으로 과거 리스트를 모두 학습시킨다.
상기와 같이 네트워크를 학습시킨 후, 학습된 네트워크의 입력(input)에 알고자 하는 메뉴 데이터(메뉴, 날짜, 날씨)를 넣으면 각 출력 노드(output nodes) m개에는 각 식당에 방문할 확률(또는 예측값)이 출력된다. 만약 qu1 + qu2 + ... + qum 이 1이 아닐 경우 1로 정규화(normalizing)해서 어떤 식당에 방문할 확률을 계산한다. 여기서, quk는 어떤 구성원 u가 식당 k를 방문할 예측값을 나타낸다. 뉴럴네트워크에서 출력 노드(output nodes) 값의 합이 1로 나올 수도 1이 아닐수도 있다. 바람직하게는, 전체 출력의 합이 1이 되도록 정규화(normalizing)한다.
다음으로, 나이브 베이지안 방식과 뉴럴네트워크 방식의 각 예측값들을 다음과 같이 합하여, 최종적인 각 구성원별 방문 확률 또는 방문 예측값을 산출한다.
앞서 나이브 베이지안 방식으로 구한 어떤 구성원 i의 방문 예측값(방문 확률)을 ra라 하고, 뉴럴네트워크 방식에 의해 구한 어떤 구성원 i의 방문 예측값을 rb라 하면, 다음 수식과 같이 어떤 구성원 i의 방문 확률 pi 을 구한다.
[수학식 2]
Figure pat00008
pi = raλa + rbλb
이때, 계수 λa, λb 는 사전에 정해진 값으로, 다음과 같이 구한다.
먼저, 구성원의 데이터 전체 개수가 N이라고 가정한다.
이때, 계수에 대한 컬럼 벡터를 다음과 같이 정의한다.
[수학식 3]
Figure pat00009
그리고 행렬 A는 N×2의 행렬이다. 행렬 A의 행은 각 데이터(또는 구성원)를 나타내고, 열은 각 예측 방식을 나타낸다. 즉, 행렬 A의 원소(i,j)는 구성원 데이터 datai 에 대한 j번째 방식을 통해 나온 예측값이다. N은 구성원(user)의 수를 말한다.
또한, 컬럼 벡터 y는 N×1의 컬럼벡터로서, 실제로 방문했는지 여부의 결과를 나타낸다. 각 원소는 datai 에 대해 실제 방문하였으면 1, 방문하지 않았으면 0이라고 한다.
따라서 다음 수식을 잘 설명해주는 x를 구하면, 앞서 계수 λa, λb 를 구할 수 있다.
[수학식 4]
Figure pat00010
행렬 A, 벡터 y가 주어져 있기 때문에, 벡터 x는 다음 수식에 의해 구할 수 있다.
[수학식 5]
Figure pat00011
여기서, A+는 pinv(A)로서, 행렬 A의 의사역행렬(pseudo inverse) 함수이다.
상기와 같은 방법으로, 과거 데이터를 이용하여, 계수 λa, λb 를 사전에 추정하여 구해둔다.
다음으로, 방문자수 예측부(33)는 배식할 메뉴가 설정되면 배식 메뉴에 대하여 방문할 구성원의 수를 산출한다. 즉, 구내 식당에서 몇 명이 식사를 할지 예측한다.
앞서, 방문확률 연산부(32)의 결과인 각 구성원의 방문 확률을 이용하여, 어떤 구내 식당에서 오늘 몇 명이 식사를 할지 예측을 할 수 있다. 구성원(user) i의 식당에 대한 방문 확률을 pi라고 하면, 기댓값(Expectation)을 계산할 수 있다. 분산 및 99%의 확률로 부족하지 않게 준비하려면 몇 인분을 준비해야 하는지 예측할 수 있다.
앞서, 방문확률 연산부(32)에 의하여, 각 구성원이 어떤 식당에 방문할 확률을 계산할 수 있다. 단순히 이 확률들을 더하면, 어떤 식당에 오늘 방문하는 사용자의 기댓값이 나온다. 분산도 구할 수 있다. 각 구성원에 대해 오늘 몇 명이 방문하는지를 알 수 있기 때문에, 오늘 몇 명 이상 방문할 확률이 몇 % 인지를 계산할 수 있다.
구체적으로, 어떤 식당에 방문할 사용자의 수를 확률변수 X라고 하면, 다음 수식에 의해 계산된다.
[수학식 6]
Figure pat00012
여기서, N은 식당을 이용할 전체 구성원의 수를 말한다.
또한, Xi는 이항확률변수이다. 다음 수식과 같다.
[수학식 7]
Figure pat00013
여기서, pi는 구성원 i가 해당 식당에 방문할 확률이고, B는 이항분포함수를 나타낸다.
다음으로, 확률보정부(34)는 앞서 예측하여 산출한 방문자수 결과에 대하여 보정한다. 즉, 앞서 방문자 수의 예측값의 기댓값을 더 잘 예측하기 위한 것이다.
구내 식당에서 오늘 몇 명이 식사했는지를 제공하면, 앞서 방문자수 예측부(33)에서 예측한 식수 인원을 더 정확하게 보정할 수 있다. 즉, 실제로 어떤 메뉴에 대해서 몇 명이 소비했는지에 대한 데이터를 추가적으로 제공해줄 경우를 보정할 수 있다.
먼저, 식당으로부터 컬럼벡터(column vector) r에 대한 데이터를 수신한다. 이때, 컬럼벡터(column vector) r은 다음과 같이 정의된다. 벡터 r은 M×1의 사이즈를 갖고, 벡터 r의 각 원소는 다음과 같다.
[수학식 8]
ri = 메뉴 i의 실제 방문한 구성원의 수
여기서, M은 메뉴(또는 끼니)의 총 갯수이다. 메뉴가 같아도 끼니가 다르다면 다른 것으로 본다.
그리고 행렬 K를 다음과 같이 설정한다. 즉, 행이 각 메뉴이고 열이 해당 메뉴에 대해 구성원의 방문 확률을 나타내도록 정의한다. 행렬 K의 각 원소 kij는 다음과 같이 정의된다.
[수학식 9]
kij = 메뉴 i의 구성원 j의 방문 확률
단, 1≤i≤M, 1≤j≤N, M은 총 메뉴 갯수, N은 총 구성원 수이다.
메뉴 i의 구성원 j의 방문 확률은 해당 메뉴 i의 끼니일 때 각 구성원의 방문 확률로서, 앞서, 방문확률 연산부(32)에서 최종적으로 계산한 각 구성원별 방문확률을 사용한다.
다음으로, 다음 수학식 10을 잘 설명하는(또는 만족하는) 컬럼벡터 s를 구한다. 이때, 컬럼벡터 s의 사이즈는 N×1이다.
[수학식 10]
Figure pat00014
즉, 다음과 같은 수식에 의해 컬럼벡터 s를 연산한다.
[수학식 11]
Figure pat00015
여기서, 행렬 K+는 행렬 K의 의사역행렬(pseudo inverse)이다.
그러면 아직 방문자 수를 알 수 없는 때, 즉, 제공하기 전의 메뉴에 대한 예측은 다음과 같이 이루어질 것이다.
즉, 바람직하게는, 이미 제공된 메뉴(또는 끼니)에 대하여 실제 방문한 데이터를 활용하여, 컬럼벡터 s를 사전에 구해두거나, 실시간으로 반영하여 갱신해둔다.
그리고, 제공전 메뉴(또는 끼니)에 대한 각 구성원의 방문확률이 앞서 방문확률 연산부(32)로부터 계산되면, 각 구성원의 방문확률을 원소로하는 행벡터 k를 정의한다. 즉, 벡터 k는 1×N의 사이즈를 갖고, 각 원소는 각 구성원의 방문확률이다. 의미적으로는, 앞서 행렬 K의 하나의 행(row vector)으로 볼 수 있다.
상기 행벡터 k를 활용하여 실제 식수(방문자 수)를 다음과 같이 보정한다.
[수학식 12]
Figure pat00016
바람직하게는, 벡터 k의 원소는 앞서 구한 각 구성원의 방문확률 pi를 사용한다.
앞서 보정 과정은 식당에서 각 메뉴에 대한 실제 판매량을 알려줄 때 가능하고, 알려주지 않는다면, 벡터 s는 다음과 같은 N×1 컬럼벡터가 될 것이다.
[수학식 13]
Figure pat00017
한편, 바람직하게는, 앞서 컬럼벡터 s를 다음과 같이 보정하여 사용한다.
먼저, 벡터 I를 정의한다. 벡터 I는 N×1 컬럼벡터이다.
[수학식 14]
Figure pat00018
그리고 보정된 벡터 s'은 다음과 같이 연산된다.
[수학식 15]
Figure pat00019
여기서, δ는 사전에 정해진 상수로서, 바람직하게는, 0.5 에서 0.9 사이의 값을 사용한다.
이상, 본 발명자에 의해서 이루어진 발명을 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 구성원 단말 20 : 방문인식 단말
30 : 방문자수 예측 시스템 31 : 데이터 수집부
32 : 방문확률 연산부 33 : 방문자수 예측부
34 : 확률보정부 40 : 컴퓨터 단말

Claims (9)

  1. 구내식당 방문자수 예측 시스템에 있어서,
    구내식당의 각 끼니에 대하여, 각 끼니의 끼니 조건, 및, 각 끼니에 각 구성원의 방문 여부를 입력받는 데이터 수집부;
    배식할 특정 끼니에 대하여, 각 구성원별로 방문할 확률을 구하되, 해당 끼니의 끼니 조건을 이용하여 방문 확률을 연산하는 방문확률 연산부; 및,
    각 구성원별 방문 확률을 기댓값으로 계산하여, 배식할 해당 끼니에 대하여 방문할 구성원의 수를 예측하는 방문자수 예측부를 포함하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
  2. 제1항에 있어서, 상기 방문확률 연산부는,
    각 끼니의 끼니 조건들을 독립된 조건으로 하여, 방문 가능한 횟수 대비 실제 방문한 횟수의 비율로 계산되는 나이브 베이지안 확률 방식으로, 제1 방문 확률을 연산하고,
    각 끼니의 끼니 조건들을 입력으로 하고 방문여부를 출력으로 하는 뉴럴 네트워크를 학습시키고, 학습된 뉴럴 네트워크를 이용하여 제2 방문 확률을 산출하고,
    상기 제1 방문 확률과 상기 제2 방문 확률을 결합하여 각 구성원의 방문 확률을 연산하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
  3. 제1항에 있어서,
    상기 끼니 조건은, 다수의 음식으로 구성된 식사 메뉴, 및, 배식 날짜, 및, 배식되는 날의 날씨 중 어느 하나 이상으로 구성되고,
    상기 배식 날짜는 요일, 또는, 휴일의 인접성 여부로 다수의 날짜 특성값으로 구분하고, 구분된 날짜 특성값들 중 어느 하나의 값을 갖는 것으로 설정하고,
    상기 날씨는 맑음, 흐림, 비, 눈을 포함하는 다수의 날씨 특성값으로 구분하고, 구분된 날씨 특성값들 중 어느 하나의 값을 갖는 것으로 설정하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
  4. 제2항에 있어서,
    상기 방문확률 연산부는 구내식당이 다수인 경우 상기 뉴럴 네트워크의 출력 노드를 상기 구내식당의 수만큼 설정하고, 상기 뉴럴 네트워크를 학습시킬 때, 상기 뉴럴 네트워크의 출력 노드의 합이 1이 나오도록 정규화(normalizing)하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
  5. 제2항에 있어서,
    상기 방문확률 연산부는 다음 수식 1에 의하여 각 구성원 i의 방문 확률 pi 을 구하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
    [수식 1]
    Figure pat00020

    단, ra는 상기 나이브 베이지안 방식의 방문 확률이고, rb는 상기 뉴럴 네트워크 방식의 방문 확률이고, λa, λb 는 사전에 정해진 계수임.
  6. 제5항에 있어서,
    상기 방문확률 연산부는 다음 수식 2를 만족하는 벡터 x를 구하여, 상기 계수 λa, λb 를 구하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
    [수식 2]
    Figure pat00021

    단,
    Figure pat00022

    여기서, 행렬 A+는 행렬 A의 의사역행렬(pseudo inverse)이고, 행렬 A의 원소 ai,j는 구성원 i의 j번째 확률 연산 방식에 의한 방문 확률이고, 벡터 y는 실제 방문 여부를 나타내고, 1번째 확률 연산 방식은 나이브 베이지안 방식이고, 2번째 확률 연산 방식은 뉴럴 네트워크 방식임.
  7. 제1항에 있어서,
    상기 방문자수 예측부는 다음 수식 3에 의하여 방문할 구성원의 수 X를 구하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
    [수식 3]
    Figure pat00023
    ,
    Figure pat00024

    여기서, Xi는 이항확률변수이고, B는 이항분포함수이고, pi는 구성원 i가 방문할 확률임.
  8. 제1항에 있어서, 상기 시스템은,
    다수의 끼니에 대하여 실제로 방문한 구성원 수의 과거 기록을 이용하여, 예측하여 산출한 방문자수 결과에 대하여 보정하는 확률보정부를 더 포함하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
  9. 제8항에 있어서,
    상기 확률보정부는, 다음 수식 4에 의해 방문한 구성원 수를 보정하는 것을 특징으로 하는 구내식당 방문자수 예측 시스템.
    [수식 4]
    Figure pat00025

    단,
    Figure pat00026

    여기서, X'은 해당 끼니에 대하여 보정된 방문자 수이고, 벡터 k는 해당 끼니에 대하여 각 구성원별 방문확률을 나타내는 벡터이고, 행렬 K+는 행렬 K의 의사역행렬(pseudo inverse)이고, 행렬 K의 원소 ki,j는 과거 끼니 i에 대하여 구성원 j가 방문할 확률이고, 벡터 r은 과거 끼니 i에 대하여 실제로 방문한 구성원 수를 나타냄.
KR1020170030697A 2016-03-11 2017-03-10 구내식당 방문자수 예측 시스템 KR101890528B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160029653 2016-03-11
KR20160029653 2016-03-11

Publications (2)

Publication Number Publication Date
KR20170106242A true KR20170106242A (ko) 2017-09-20
KR101890528B1 KR101890528B1 (ko) 2018-09-28

Family

ID=60034007

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170030697A KR101890528B1 (ko) 2016-03-11 2017-03-10 구내식당 방문자수 예측 시스템

Country Status (1)

Country Link
KR (1) KR101890528B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200066928A (ko) * 2018-12-03 2020-06-11 전종식 식수 인원 예측을 수행하는 서버 및 이의 동작 방법
CN115375507A (zh) * 2022-10-26 2022-11-22 山东济宁烟草有限公司 一种基于数字孪生的智慧食堂管理方法及系统
KR20230149576A (ko) * 2022-04-20 2023-10-27 서성현 비대면 연대 사내 식당 운영 방법
WO2023239032A1 (ko) * 2022-06-07 2023-12-14 주식회사 에이비피 구내식당의 식수예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102523023B1 (ko) * 2020-11-30 2023-04-19 한국생산기술연구원 매출 tr 정보를 이용한 매장 내 고객의 방문 정보를 예측하는 방법과 이를 이용한 매장 내 계산원 인력을 스케줄링하는 방법
KR102504540B1 (ko) * 2021-07-23 2023-02-28 주식회사 와이캉 학습된 뉴럴 네트워크를 이용하여 음식을 주문하는 서버 및 그 동작 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11203348A (ja) * 1998-01-08 1999-07-30 Fujitsu Ltd 給食所要量予測装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6131201B2 (ja) * 2014-02-13 2017-05-17 日本電信電話株式会社 習慣度算出装置、行動予測装置、方法、及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11203348A (ja) * 1998-01-08 1999-07-30 Fujitsu Ltd 給食所要量予測装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
비특허문헌-논문 *
송근석 외 1인. "결합기법을 이용한 관광수요예측". 관광레저연구, 한국관광레저학회, 2009.02., 제21권, 제1호, pp.183-202. *
송근석 외 1인. "결합기법을 이용한 관광수요예측". 관광레저연구, 한국관광레저학회, 2009.02., 제21권, 제1호, pp.183-202. 1부. *
정서영 외 2인. "사용자 피드백을 반영한 베이지안 네트워크 기반 식단 추천 시스템". 한국지능시스템학회 학술발표 논문집, 2009.04., 제19권, 제1호, pp.319-320. *
정서영 외 2인. "사용자 피드백을 반영한 베이지안 네트워크 기반 식단 추천 시스템". 한국지능시스템학회 학술발표 논문집, 2009.04., 제19권, 제1호, pp.319-320. 1부. *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200066928A (ko) * 2018-12-03 2020-06-11 전종식 식수 인원 예측을 수행하는 서버 및 이의 동작 방법
KR20230149576A (ko) * 2022-04-20 2023-10-27 서성현 비대면 연대 사내 식당 운영 방법
WO2023239032A1 (ko) * 2022-06-07 2023-12-14 주식회사 에이비피 구내식당의 식수예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN115375507A (zh) * 2022-10-26 2022-11-22 山东济宁烟草有限公司 一种基于数字孪生的智慧食堂管理方法及系统

Also Published As

Publication number Publication date
KR101890528B1 (ko) 2018-09-28

Similar Documents

Publication Publication Date Title
KR101890528B1 (ko) 구내식당 방문자수 예측 시스템
WO2019236851A1 (en) Telecommunications network traffic metrics evaluation and prediction
Lasek et al. Restaurant sales and customer demand forecasting: Literature survey and categorization of methods
US10878520B2 (en) Waste analysis system and method
Dziuda et al. The euro changeover and its effects on price transparency and inflation
Hartje et al. Smartphones support smart labour
CN103793837A (zh) 推荐零售商、零售商产品或零售商服务
Chakraborty et al. India 2025: the public distribution system and national food security act 2013
Tsui et al. International arrivals forecasting for Australian airports and the impact of tourism marketing expenditure
Tan et al. A discrete-in-time deteriorating inventory model with time-varying demand, variable deterioration rate and waiting-time-dependent partial backlogging
CN105303418A (zh) 一种选址方法和装置
JPWO2016016934A1 (ja) 嗜好分析システム
Marcussen Determinants of spending by Danish travellers
Zamparini et al. Assessing the determinants of local tourism demand: A simultaneous equations model for the Italian provinces
Wilms et al. Multiclass vector auto-regressive models for multistore sales data
Srivastav et al. Multi-objective optimization of slow moving inventory system using cuckoo search
Motaghedi-Larijani et al. Optimizing the admission time of outbound trucks entering a cross-dock with uniform arrival time by considering a queuing model
Faezirad et al. Preventing food waste in subsidy-based university dining systems: An artificial neural network-aided model under uncertainty
Drakos et al. On the determinants of terrorism risk concern in Europe
Skrede et al. Cruise spillovers to hotels and restaurants
Roy et al. A nested semi-open queuing network model for analyzing dine-in restaurant performance
KR102182316B1 (ko) 식수 인원 예측을 수행하는 서버 및 이의 동작 방법
Kane et al. Analyzing accessibility using parcel data: is there still an access–space trade-off in long beach, California?
Volkova et al. Assessing the nonaviation performance of selected US airports
Kay et al. Estimating LTL rates using publicly available empirical data

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
GRNT Written decision to grant