عنوان مقاله :
پيش بيني تقاضا در سيستم‌هاي رزرواسيون دانشگاهي با هدف كاهش ضايعات مواد غذايي به كمك شبكه‌هاي عصبي با تابع خطاي موزون
عنوان به زبان ديگر :
Demand Prediction in University Booking Systems to Reduce Food Waste Using Neural Networks Including Weighted Error Function
پديد آورندگان :
فائضي راد، محمدعلي دانشگاه فردوسي مشهد - دانشكده علوم اداري و اقتصادي - گروه مديريت، مشهد، ايران , پويا، عليرضا دانشگاه فردوسي مشهد - دانشكده علوم اداري و اقتصادي - گروه مديريت، مشهد، ايران , ناجي عظيمي، زهرا دانشگاه فردوسي مشهد - دانشكده علوم اداري و اقتصادي - گروه مديريت، مشهد، ايران , امير حائري، مريم دانشگاه توئنته - گروه يادگيري، تحليل داده و فناوري، انسخده، هلند
كليدواژه :
رزرواسيون غذا , ضايعات مواد غذايي , شبكه عصبي مصنوعي , تابع خطاي موزون , الگوريتم جست و جوي الگو
چكيده فارسي :
هدف: يكي از دغدغه‌هاي مهم در رزرواسيون غذاي دانشگاهي، مراجعه‌نكردن بسياري از دانشجويان است كه با توجه به دريافت يارانه دولتي و قيمت ارزان غذا، انبوهي از مواد غذايي هدر رفته و به ضايعات تبديل مي‌شود. هدف اصلي اين پژوهش، جلوگيري از توليد ضايعات مواد غذايي در دانشگاه‌ها، به‌كمك پيش‌بيني تقاضاي واقعي است.
روش: براي مدل‌سازي و حل مسئله، از شبكه عصبي مصنوعي با تابع خطاي موزوني كه به‌كمك جست‌وجوي الگوي تعميم‌يافته جهت‌دهي مي‌شود، استفاده شد. شاخص‌هاي مجموع رزرو، روز هفته، سطح قيمت وعده، مجموع تعداد رزرو، تعداد رزرو به‌تفكيك مقطع تحصيلي، تعداد رزرو به‌تفكيك وضعيت اسكان و غذاي مجاور به‌عنوان متغيرهاي ورودي و تعداد تقاضاي واقعي غذا نيز شاخص خروجي در نظر گرفته شد.
يافته‌ها: داده‌هاي هفت سال اخير سامانه رزرواسيون سلف مركزي يكي از دانشگاه‌هاي بزرگ كشور كه سالانه به‌طور متوسط پتانسيل توليد 56 هزار پرس غذاي مازاد (بيش از 23 هزار تن مواد غذايي) را دارد، بررسي شد. با آموزش يك شبكه عصبي مصنوعي توأم با بهينه‌سازي GPS، الگوريتم تركيبي با تابع خطاي موزون متناسبي به‌دست آمد كه قادر است توليد روزانه غذاي مازاد را بيش از 80درصد كاهش دهد.
نتيجه‌گيري: با استفاده از مدل ارائه شده، مي‌توان تقاضاي واقعي را به‌طور دقيق‌تر تخمين زد. مدل پيشنهادي، ضمن معرفي شاخص‌هاي مؤثر بر تخمين تقاضا، قادر است كه در سطوح ريسك مختلف مورد انتظار دانشگاه، تقاضاهاي واقعي را برآورد كند. اين رويكرد پيشگيرانه، وعده‌هاي غذايي كنترل شده را فقط به اندازه احتياج توليد و توزيع خواهد كرد تا از ضايعات مواد غذايي يا اتلاف بودجه عمومي كشور جلوگيري شود.
چكيده لاتين :
Objective: A significant challenge in the university meal booking is the high No- Show rate that leads to considerable food waste in consequence of facing low
price of nutrition system and government subsidizing. This study aims to prevent
food waste in university dining halls via predicting actual demand.
Methods: To model and solve the problem, an Artificial Neural Network has
been used that was performed by weighting the error function with Generalized
Pattern Search (GPS). Date, the day of the week, the price level of Food, total
number of reservations, total number of reservations by undergraduate students,
Masters' students, PhD students and dormitory students and the parallel food have
been considered as inputs of the model. The output is the actual demands based on
Show's number.
Results: The seven-year data of the meal booking system of a large university in
Iran has been examined. This data demonstrated that the food waste rate is close
to 10% of the total food reservations. An artificial neural network including
weighted error function under GPS optimization was obtained to predict actual
demand. Finally, the results of training indicated over 80% waste reduction in
surplus daily food production. Conclusion: The proposed model has the potential to provide an estimation of
actual demand. Although adding indicators that influence demand estimation, the
proposed model is able to change the actual demand prediction at various levels of
risk expected by the university. To avoid food waste and prevent the loss of
government subsidies, this precautionary approach can control overproduction.
عنوان نشريه :
مديريت صنعتي - دانشگاه تهران
