급식 업체에서 식수(食數)의 정확한 예측은 효율적인 급식 생산과 고객 만족을 위해 기본적으로 실행해야 하는 중요한 과정이며, 특히 잔반량 감소, 고객 불만 감소, 메뉴 품질 저하 방지, 비용 상승 예방에 필요하다.
집단 급식소에서 실시하던 기존의 식수 인원 예측은 주로 영양사가 본인의 경험을 토대로 한 직관에 의존하고 있는 상황이므로, 데이터 과학을 기반으로 한 식수 예측 모델링을 통해 예측력을 높여 집단 급식소의 잔반량 감소와 질 높은 ...
연구 배경
급식 업체에서 식수(食數)의 정확한 예측은 효율적인 급식 생산과 고객 만족을 위해 기본적으로 실행해야 하는 중요한 과정이며, 특히 잔반량 감소, 고객 불만 감소, 메뉴 품질 저하 방지, 비용 상승 예방에 필요하다.
집단 급식소에서 실시하던 기존의 식수 인원 예측은 주로 영양사가 본인의 경험을 토대로 한 직관에 의존하고 있는 상황이므로, 데이터 과학을 기반으로 한 식수 예측 모델링을 통해 예측력을 높여 집단 급식소의 잔반량 감소와 질 높은 고객 서비스 제공을 할 필요가 있었다.
연구의 필요성
잔반은 조리 과정에서 을 분류 기준으로 할 때 나오는 음식물 쓰레기로써, 음식을 만들기 위해 나오는 전처리 쓰레기, 미배식 음식, 먹고 남긴 음식 등 3가지로 나누어지며, 본 연구는 잔반을 줄이는데 초점을 두고 있다.
많은 집단 급식소의 식수 예측은 전문 인력의 부족, 그리고 제한된 예산 등의 이유로 거의 경험에 의한 예측이 주를 이루고 있다. 그러나 이러한 상황에도 불구하고 국내외 적으로 식수을 정확히 예측하여 수행하려는 연구가 많이 부족한 상황이고, 있다고 하더 라도 예측 모델이 비교적 단순하여 실무적으로 적용할 수 있는 정도의 성과가 나오는 식수 예측 모델과는 거리가 먼 실정이다.
식수 예측은 제공되는 음식의 메뉴가 다양하고 한 식단에도 여러 반찬 등이 포함되어 있으며, 메뉴 이외에도 예측시 고려할 대상이 다양하여 매우 어려운 문제이다. 이에 본 연구는 실제 현장에서 사용되고 있는 메뉴와 메뉴 이외에 고려할 수 있는 다양한 요인을 모두 고려한 식수 인원 수요 예측 모델을 수립하여 공공 기관 집단 급식소의 효율적 운영을 꾀하고자 한다.
연구 문제
연구 대상이 되는 S시청의 집단 급식소인 구내 식당에서는 연간 110,900L의 잔반, 일평균 485L의 음식물 쓰레기가 발생하고 있어, S시청의 구내 식당에서는 점심 식사 인원 1,200명을 기본으로 요일에 따라 추가하거나 또는 적게 경험적으로 식수 예측을 하고 있어 데이터 기반의 예측 모델이 필요한 상황이다. 이에 S시청의 실데이터를 기반으로 집단 급식소의 잔반량 감소를 위해 기계 학습을 활용한 식수 예측 모델을 개발하고자 한다
문헌 연구
기계 학습을 활용한 식수 예측 모델링을 위해 기계 학습 및 기계 학습을 적용한 예측과 관련한 문헌을 살펴보고, 음식 서비스 분야 및 집단 급식과 관련한 수요 예측을 실시한 문헌을 통해 식수 예측의 중요성과 의의 및 한계점을 살펴 본다. 또한 음식물 쓰레기의 문제점은 처리 비용 뿐만 아니라 악취 및 민원 등의 사회적 비용이 발생하고 있어 음식물 쓰레기를 줄이는 노력과 관련한 문헌도 살펴 본다.
분석 대상
식수 예측 모델링을 위해 본 연구는 S시 시청 구내 식당에서 제공한 메뉴, 식사 가능 인원 그리고 날씨 등에 대한 데이터 3년치 (2015년 5월 1일 ~ 2018년 4월 30일 기준) 를 대상으로 연구를 진행하였다.
한식 분류는 조리 재료와 조리 방식에 따라 기본적인 분류를 진행할 수 있으므로 이러한 분류와 듀이 십진법 분류법에 의한 수정 개정안을 큰 틀로 하여 조리 방법과 재료에 의한 음식 분류를 본 연구에 적용하였다.
본 연구에서는 듀이 십진법 분류법에 의한 수정 개정안을 바탕으로 메뉴를 크게 주식, 부식 및 밑반찬, 후식 및 간식 등으로 나누고, 메뉴에 있는 개별 음식을 조리 재료와 조리 방법에 2가지로 분류하여, 1차적으로 조리 방법에 의한 분류를 진행하였으며, 2차적으로는 재료에 의한 분류를 하여 진행을 하였다.
예측 모델
식사 인원 예측에 영향을 미치는 요인 및 변수로 식사가능 인원, 시계열 인원 변수, 메뉴 특성 변수, 연휴 연말 변수, 이벤트 여부 변수, 요일 및 계절 변수, 전날과 다음날 휴일 여부 변수, 날씨 및 기온 변수 등의 8개 카테고리의 63개의 변수들을 사용하여 기계 학습을 활용한 1차 모델링, 최종 모델링 등 식수 예측 모델링을 2단계로 진행하였다.
첫째, 1차 모델링으로써, 741개의 관측치 (2015년 5월 일 ~ 2018년 4월 30일)를 사용 하여 요일, 날씨, 기온, 메뉴 등 8가지 카테고리의 변수들을 대상으로 식수 인원 예측 모형을 개발했으며, 분석 기법은 다중 회귀 분석 중 Backwards Stepwise Regression, 능형 회귀, LASSO, Random Forest, Bagging, Boosting 등 회귀 분석 모델링과 기계 학습 기법을 적용하였다. 그리고 각 모델의 예측력을 비교 평가하여, 1차 모델링을 적용한 기법 중 오차율 상위 4개의 분석 기법을 선정하였다.
둘째, 최종 모델링을 진행하였다. 1차 모델링 단계에서 선정된 상위 4개의 모델링의 예측치 값들의 평균값을 최종 모델링의 예측 값으로 선정함으로써 데이터 예측의 안정성을 꾀했다.
결론적으로 하나의 기법에 의해 특정 모델링을 진행하는 경우 과적합 등의 사유로 향후 예측시 정확도가 낮아질 수 있는 경우가 발생할 수 있어, 1차 모델링의 결과를 기본으로 각각 개발된 모델에 대한 예측력을 비교 평가하고 평가된 모델을 기반으로 향후 미래의 데이터 예측의 안정성을 위해 예측력이 높은 최적의 모델을 생성 진행하였다.
결론
본 연구는 S시청 집단 급식소의 실데이터를 기반으로 식수 예측 정확도 향상에 유의한 영향을 미칠 수 있는 다양한 변수를 탐색하고 데이터 과학을 기반으로 머신 러닝 기법을 적용함으로써, 공공 기관 집단 급식소에 활용 가능한 새로운 식수 인원 예측 알고리즘을 국내 최초로 개발하여, 식수 예측 모델링을 제안하고 그 성능을 분석하였다.
본 연구는 2가지 측면에서 기존의 다른 논문들과 차별점이 있다고 본다.
첫째, 한식 메뉴 분류 체계를 학자와 기관 마다 다르게 사용하고 있는데, 이러한 한식 음식 메뉴 분류 체계의 통일되지 않고 복잡한 한식 분류 기법에서 탈피하여 본 연구에서 새로운 시각으로 적용한 한식 메뉴 분류 방법은 기존 연구에서 시도하지 않은 방법으로써 복잡한 한식 메뉴를 단순화하여 신뢰성과 확장성을 기반으로 다양한 식수 인원 예측의 모델링을 적용할 수 있었다.
둘째, S시의 집단 급식소를 대상으로 실데이터에 기계 학습 기법을 사용하여 여러 예측 모형들을 비교 및 결합함으로써 타 문헌에서는 보지 못한 실무에 적용할 수 있는 수준 까지 오차율을 낮출 수 있었다.
결론적으로 본 연구의 식수 인원 예측을 통해 식수 인원에 적합한 식재료의 사전 주문, 이에 따른 사전적인 식재료 처리, 그리고 더 나아가 적합한 식수 예측 인원에 따른 조리 및 운영을 할 수 있도록 함으로써 미배식 잔반량을 줄이고 이에 따른 적합한 식수 예측의 비용 절감을 통해 식사의 질을 개선하는데 사용하여 이용자의 만족도를 높이고 음식물 쓰레기를 줄여 환경적 사회적 비용을 줄일 수 있는 선순환 구조의 기틀을 마련해줄 수 있는 모델링을 제시할 수 있었다.
또한 본 연구를 통해 앞으로 주로 현장 실무자들의 경험치를 기반으로 식수 예측을 하고 있는 학교, 관공서, 지자체 등의 집단 급식소에서 데이터 과학 기반의 적정 식수 예측 방법 및 기법의 확산에 기여할 수 있으며, 이번 식수 예측 모델링 연구를 기반으로 집단 급식소에서의 식수 인원 예측 관련하여 실무적인 향후 활용도를 높일 수 있는 기틀을 마련하였다고 할 수 있다.
연구 배경
급식 업체에서 식수(食數)의 정확한 예측은 효율적인 급식 생산과 고객 만족을 위해 기본적으로 실행해야 하는 중요한 과정이며, 특히 잔반량 감소, 고객 불만 감소, 메뉴 품질 저하 방지, 비용 상승 예방에 필요하다.
집단 급식소에서 실시하던 기존의 식수 인원 예측은 주로 영양사가 본인의 경험을 토대로 한 직관에 의존하고 있는 상황이므로, 데이터 과학을 기반으로 한 식수 예측 모델링을 통해 예측력을 높여 집단 급식소의 잔반량 감소와 질 높은 고객 서비스 제공을 할 필요가 있었다.
연구의 필요성
잔반은 조리 과정에서 을 분류 기준으로 할 때 나오는 음식물 쓰레기로써, 음식을 만들기 위해 나오는 전처리 쓰레기, 미배식 음식, 먹고 남긴 음식 등 3가지로 나누어지며, 본 연구는 잔반을 줄이는데 초점을 두고 있다.
많은 집단 급식소의 식수 예측은 전문 인력의 부족, 그리고 제한된 예산 등의 이유로 거의 경험에 의한 예측이 주를 이루고 있다. 그러나 이러한 상황에도 불구하고 국내외 적으로 식수을 정확히 예측하여 수행하려는 연구가 많이 부족한 상황이고, 있다고 하더 라도 예측 모델이 비교적 단순하여 실무적으로 적용할 수 있는 정도의 성과가 나오는 식수 예측 모델과는 거리가 먼 실정이다.
식수 예측은 제공되는 음식의 메뉴가 다양하고 한 식단에도 여러 반찬 등이 포함되어 있으며, 메뉴 이외에도 예측시 고려할 대상이 다양하여 매우 어려운 문제이다. 이에 본 연구는 실제 현장에서 사용되고 있는 메뉴와 메뉴 이외에 고려할 수 있는 다양한 요인을 모두 고려한 식수 인원 수요 예측 모델을 수립하여 공공 기관 집단 급식소의 효율적 운영을 꾀하고자 한다.
연구 문제
연구 대상이 되는 S시청의 집단 급식소인 구내 식당에서는 연간 110,900L의 잔반, 일평균 485L의 음식물 쓰레기가 발생하고 있어, S시청의 구내 식당에서는 점심 식사 인원 1,200명을 기본으로 요일에 따라 추가하거나 또는 적게 경험적으로 식수 예측을 하고 있어 데이터 기반의 예측 모델이 필요한 상황이다. 이에 S시청의 실데이터를 기반으로 집단 급식소의 잔반량 감소를 위해 기계 학습을 활용한 식수 예측 모델을 개발하고자 한다
문헌 연구
기계 학습을 활용한 식수 예측 모델링을 위해 기계 학습 및 기계 학습을 적용한 예측과 관련한 문헌을 살펴보고, 음식 서비스 분야 및 집단 급식과 관련한 수요 예측을 실시한 문헌을 통해 식수 예측의 중요성과 의의 및 한계점을 살펴 본다. 또한 음식물 쓰레기의 문제점은 처리 비용 뿐만 아니라 악취 및 민원 등의 사회적 비용이 발생하고 있어 음식물 쓰레기를 줄이는 노력과 관련한 문헌도 살펴 본다.
분석 대상
식수 예측 모델링을 위해 본 연구는 S시 시청 구내 식당에서 제공한 메뉴, 식사 가능 인원 그리고 날씨 등에 대한 데이터 3년치 (2015년 5월 1일 ~ 2018년 4월 30일 기준) 를 대상으로 연구를 진행하였다.
한식 분류는 조리 재료와 조리 방식에 따라 기본적인 분류를 진행할 수 있으므로 이러한 분류와 듀이 십진법 분류법에 의한 수정 개정안을 큰 틀로 하여 조리 방법과 재료에 의한 음식 분류를 본 연구에 적용하였다.
본 연구에서는 듀이 십진법 분류법에 의한 수정 개정안을 바탕으로 메뉴를 크게 주식, 부식 및 밑반찬, 후식 및 간식 등으로 나누고, 메뉴에 있는 개별 음식을 조리 재료와 조리 방법에 2가지로 분류하여, 1차적으로 조리 방법에 의한 분류를 진행하였으며, 2차적으로는 재료에 의한 분류를 하여 진행을 하였다.
예측 모델
식사 인원 예측에 영향을 미치는 요인 및 변수로 식사가능 인원, 시계열 인원 변수, 메뉴 특성 변수, 연휴 연말 변수, 이벤트 여부 변수, 요일 및 계절 변수, 전날과 다음날 휴일 여부 변수, 날씨 및 기온 변수 등의 8개 카테고리의 63개의 변수들을 사용하여 기계 학습을 활용한 1차 모델링, 최종 모델링 등 식수 예측 모델링을 2단계로 진행하였다.
첫째, 1차 모델링으로써, 741개의 관측치 (2015년 5월 일 ~ 2018년 4월 30일)를 사용 하여 요일, 날씨, 기온, 메뉴 등 8가지 카테고리의 변수들을 대상으로 식수 인원 예측 모형을 개발했으며, 분석 기법은 다중 회귀 분석 중 Backwards Stepwise Regression, 능형 회귀, LASSO, Random Forest, Bagging, Boosting 등 회귀 분석 모델링과 기계 학습 기법을 적용하였다. 그리고 각 모델의 예측력을 비교 평가하여, 1차 모델링을 적용한 기법 중 오차율 상위 4개의 분석 기법을 선정하였다.
둘째, 최종 모델링을 진행하였다. 1차 모델링 단계에서 선정된 상위 4개의 모델링의 예측치 값들의 평균값을 최종 모델링의 예측 값으로 선정함으로써 데이터 예측의 안정성을 꾀했다.
결론적으로 하나의 기법에 의해 특정 모델링을 진행하는 경우 과적합 등의 사유로 향후 예측시 정확도가 낮아질 수 있는 경우가 발생할 수 있어, 1차 모델링의 결과를 기본으로 각각 개발된 모델에 대한 예측력을 비교 평가하고 평가된 모델을 기반으로 향후 미래의 데이터 예측의 안정성을 위해 예측력이 높은 최적의 모델을 생성 진행하였다.
결론
본 연구는 S시청 집단 급식소의 실데이터를 기반으로 식수 예측 정확도 향상에 유의한 영향을 미칠 수 있는 다양한 변수를 탐색하고 데이터 과학을 기반으로 머신 러닝 기법을 적용함으로써, 공공 기관 집단 급식소에 활용 가능한 새로운 식수 인원 예측 알고리즘을 국내 최초로 개발하여, 식수 예측 모델링을 제안하고 그 성능을 분석하였다.
본 연구는 2가지 측면에서 기존의 다른 논문들과 차별점이 있다고 본다.
첫째, 한식 메뉴 분류 체계를 학자와 기관 마다 다르게 사용하고 있는데, 이러한 한식 음식 메뉴 분류 체계의 통일되지 않고 복잡한 한식 분류 기법에서 탈피하여 본 연구에서 새로운 시각으로 적용한 한식 메뉴 분류 방법은 기존 연구에서 시도하지 않은 방법으로써 복잡한 한식 메뉴를 단순화하여 신뢰성과 확장성을 기반으로 다양한 식수 인원 예측의 모델링을 적용할 수 있었다.
둘째, S시의 집단 급식소를 대상으로 실데이터에 기계 학습 기법을 사용하여 여러 예측 모형들을 비교 및 결합함으로써 타 문헌에서는 보지 못한 실무에 적용할 수 있는 수준 까지 오차율을 낮출 수 있었다.
결론적으로 본 연구의 식수 인원 예측을 통해 식수 인원에 적합한 식재료의 사전 주문, 이에 따른 사전적인 식재료 처리, 그리고 더 나아가 적합한 식수 예측 인원에 따른 조리 및 운영을 할 수 있도록 함으로써 미배식 잔반량을 줄이고 이에 따른 적합한 식수 예측의 비용 절감을 통해 식사의 질을 개선하는데 사용하여 이용자의 만족도를 높이고 음식물 쓰레기를 줄여 환경적 사회적 비용을 줄일 수 있는 선순환 구조의 기틀을 마련해줄 수 있는 모델링을 제시할 수 있었다.
또한 본 연구를 통해 앞으로 주로 현장 실무자들의 경험치를 기반으로 식수 예측을 하고 있는 학교, 관공서, 지자체 등의 집단 급식소에서 데이터 과학 기반의 적정 식수 예측 방법 및 기법의 확산에 기여할 수 있으며, 이번 식수 예측 모델링 연구를 기반으로 집단 급식소에서의 식수 인원 예측 관련하여 실무적인 향후 활용도를 높일 수 있는 기틀을 마련하였다고 할 수 있다.
Forecasting in food service is crucial because food is made just before eating and the food that remains is perishable. In order to validate the forecasting models for the numbers of the meals provided, selecting the relevant variables that affect these models is important.
This service was...
Forecasting in food service is crucial because food is made just before eating and the food that remains is perishable. In order to validate the forecasting models for the numbers of the meals provided, selecting the relevant variables that affect these models is important.
This service was started in order to reduce the leftovers of the large cafeteria in Seoul City Hall. The main factors for leftovers were as follows: the leftovers before making the food, the leftovers after eating the food, and the non-distributed remaining food. Among these factors, the most influential factor was non-distributed remaining food. Leftovers before making the food and the leftovers after eating the food are controllable with the support of the employees of Seoul Metropolitan City, which would result in the total leftovers of Seoul City cafeteria being relatively limited.
The non-distributed remaining food, however, was what caused a large gap between the number of expected persons and the number of actual meals served, with the number of actual meals served being much lower than expected.
The variables for forecasting the numbers of the actual meals served consisted of two kinds of factors: internal factors such as the daily menu, the number of available persons (number of persons in attendance, the number of persons on a business trip, and the number of persons off-duty), the daily number of actual meals served, the characteristics of the employees, officers, staff, etc.; and external factors such as weather, temperature, holidays, seasonal factors, etc.
The data for this study consisted of 3 years of available actual data on the Seoul Metropolitan City cafeteria (the details of use) from May 01, 2015 to April 30, 2018. This data included the daily number of the actual persons provided with meals, the daily amount of leftovers, the daily menu details, the daily available number of persons for the meals (the number of people in attendance, the number of person on a business trip, and the number of persons off-duty), the daily weather and temperature conditions, etc.
Data manipulation for the daily menu is important, and the assortment and grouping method of the menu follows the Dewey Decimal Classification for Korean foods through which hundreds of dishes are classified, grouped, and programmed.
The applicable modeling method is multi regression analysis and machine learning method, from which we will select the best forecasting results.
The objective of this study is to make a forecasting model for the number of meals served at the Seoul Metropolitan Cafeteria in order to reduce leftovers.
Forecasting in food service is crucial because food is made just before eating and the food that remains is perishable. In order to validate the forecasting models for the numbers of the meals provided, selecting the relevant variables that affect these models is important.
This service was started in order to reduce the leftovers of the large cafeteria in Seoul City Hall. The main factors for leftovers were as follows: the leftovers before making the food, the leftovers after eating the food, and the non-distributed remaining food. Among these factors, the most influential factor was non-distributed remaining food. Leftovers before making the food and the leftovers after eating the food are controllable with the support of the employees of Seoul Metropolitan City, which would result in the total leftovers of Seoul City cafeteria being relatively limited.
The non-distributed remaining food, however, was what caused a large gap between the number of expected persons and the number of actual meals served, with the number of actual meals served being much lower than expected.
The variables for forecasting the numbers of the actual meals served consisted of two kinds of factors: internal factors such as the daily menu, the number of available persons (number of persons in attendance, the number of persons on a business trip, and the number of persons off-duty), the daily number of actual meals served, the characteristics of the employees, officers, staff, etc.; and external factors such as weather, temperature, holidays, seasonal factors, etc.
The data for this study consisted of 3 years of available actual data on the Seoul Metropolitan City cafeteria (the details of use) from May 01, 2015 to April 30, 2018. This data included the daily number of the actual persons provided with meals, the daily amount of leftovers, the daily menu details, the daily available number of persons for the meals (the number of people in attendance, the number of person on a business trip, and the number of persons off-duty), the daily weather and temperature conditions, etc.
Data manipulation for the daily menu is important, and the assortment and grouping method of the menu follows the Dewey Decimal Classification for Korean foods through which hundreds of dishes are classified, grouped, and programmed.
The applicable modeling method is multi regression analysis and machine learning method, from which we will select the best forecasting results.
The objective of this study is to make a forecasting model for the number of meals served at the Seoul Metropolitan Cafeteria in order to reduce leftovers.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.