[MID] Mid_02.Prediction of the number of cafeteria meals

Dacon_구내식당식수인원예측
https://dacon.io/competitions/official/235743/overview/description

구내식당 식수 인원 예측 AI 경진대회 - DACON

 

 

구내식당식수인원예측_날씨데이터활용
https://github.com/molybdenum-jo/Customer-Data/blob/main/number%20of%20cafeteria%20meals.ipynb

GitHub - molybdenum-jo/Customer-Data

 

 

 

  음식물 쓰레기를 20% 줄이면 온실가스 배출량이 177만 톤이 감소하며, 이는 소나무 3억 6천만 그루를 심는 것과 같은 효과를 낼 수 있다.

한국 쓰레기 중 음식물 쓰레기가 차지하는 비중은 약 29%로, 연간 570만 톤으로 중국과 미국에 이어 세번째로 높은 순위 차지

구내 식당과 같은 집단 급식소의 경우 전체 인원이 모두 이용하는 것이 아니기에 식품 구매나 배식 과정에서 많은 양의 잔반이 많이 발생한다. 

또한 담당자의 판단으로 식수를 예측하기 때문에 음식 품절 문제 발생 등 이를 해결하기 위하여 구내 식당 식수 인원을 예측하여 발생하는 음식물 쓰레기의 양 감소시키고 이에 따른 비용 절감과 소비자 만족도 높이고자 한다.

 

 

  단체 급식소에서 음식물 쓰레기를 줄일 수 있는 단계에는 식단계획, 식재료 구입, 조리, 배식, 퇴식 및 폐기 총 5 단계입니다.

그래서 우리는 머신러닝을 통해 요일별, 날씨별, 식단별 분석을 통해 식단계획 및 식재료 구입, 조리단계에서 

음식물 쓰레기를 최소화 할 수 있는 방안을 마련하고자 합니다. 이를 통해 비용절감과 소비자 만족도 상승 및 업무 효율화에 도움을 주고자 합니다.

 

 

  LightGBM을 통한 머신러닝 예측을 통해 식수인원을 예측하여 본 결과 출근인원과 야근자수, month가 높은 중요도를 보였다. 처음 예상했던 것과는 다르게 신메뉴가 나오는 날이나, 강수여부, 고기반찬 유무 등의 변수는 낮은 중요도를 보였다. 또한 점심보다 저녁의 예측 오류가 더 적었다. 

강수량을 기준으로 SMOTE로 oversampling 했을 때, 강수량의 중요도는 올라가고 MAE는 감소하였다.

 

내가 개인적으로 진행한 머신러닝은 gridsearch와 xgboost였는데 변수를 많이 만들 수록 예측점수가 낮아지기도 하였다. 적절한 파생변수와 피쳐엔지니어링이 중요한 것같다.