Development of Machine Learning-Based Predictive Models and a Web App for University Cafeteria Attendance
Gwangwon Jung, Keewon Kim · Journal of the Korea Society of Computer and Information · 2024
정확한 식사 인원 예측은 잔반 감소와 원가 절감 등 식당 운영에 긍정적인 영향을 미친다. 과거에는 사람의 경험에 의존하여 예측했으나, 현대에는 예측 모델을 개발하여 사용하고 있다. 이러한 예측 방법은 과거의 방식보다 적은 시간과 자원을 소모하는 등의 이점이 있다. 그러나 여러 어려움으로 인해 실제로 이를 시도하는 곳은 많지 않다. 이전 연구에서의 모델을 고도화하여 2018년, 2019년, 2023년 학기의 교내 식당 데이터와 기상청의 날씨 데이터를 사용하여 EDA 분석을 통해 변수를 선정하였다. 머신러닝 알고리즘을 사용하여 조식, 중식, 석식의 식사 인원을 예측하는 모델을 개발하였고, 전체 데이터의 90%로 학습하고 나머지 10%를 검증에 사용하였다. 가장 성능이 우수한 모델을 최종 모델로 선정하여 예측 프로그램을 개발하였다. 최종 모델은 조식 예측에 XGBoost(MAE 비율 12.97%), 중식과 석식 예측에 RandomForest(MAE 비율 각각 4.8%, 4.93%)를 사용하였다. 중식과 석식 예측 모델이 좋은 성능을 보였다. 향후 지속적인 데이터 수집, 새로운 파생 변수 추가, 하이퍼파라미터 튜닝, UI 개선을 통해 성능과 편의성을 더욱 향상시킬 예정이다.