پیش‌بینی تقاضا در سیستم‌های رزرواسیون دانشگاهی با هدف کاهش ضایعات مواد غذایی به‌کمک شبکه‌های عصبی با تابع خطای موزون

هدف: یکی از دغدغه‌های مهم در رزرواسیون غذای دانشگاهی، مراجعه‌نکردن بسیاری از دانشجویان است که با توجه به دریافت یارانه دولتی و قیمت ارزان غذا، انبوهی از مواد غذایی هدر رفته و به ضایعات تبدیل می‌شود. هدف اصلی این پژوهش، جلوگیری از تولید ضایعات مواد غذایی در دانشگاه‌ها، به‌کمک پیش‌بینی تقاضای واقعی است.روش: برای مدل‌سازی و حل مسئله، از شبکه عصبی مصنوعی با تابع خطای موزونی که به‌کمک جست‌وجوی الگوی تعمیم‌یافته جهت‌دهی می‌شود، استفاده شد. شاخص‌های مجموع رزرو، روز هفته، سطح قیمت وعده، مجموع تعداد رزرو، تعداد رزرو به‌تفکیک مقطع تحصیلی، تعداد رزرو به‌تفکیک وضعیت اسکان و غذای مجاور به‌عنوان متغیرهای ورودی و تعداد تقاضای واقعی غذا نیز شاخص خروجی در نظر گرفته شد.یافته‌ها: داده‌های هفت سال اخیر سامانه رزرواسیون سلف مرکزی یکی از دانشگاه‌های بزرگ کشور که سالانه به‌طور متوسط پتانسیل تولید 56 هزار پرس غذای مازاد (بیش از 23 هزار تن مواد غذایی) را دارد، بررسی شد. با آموزش یک شبکه عصبی مصنوعی توام با بهینه‌سازی gps، الگوریتم ترکیبی با تابع خطای موزون متناسبی به‌دست آمد که قادر است تولید روزانه غذای مازاد را بیش از 80درصد کاهش دهد.نتیجه‌گیری: با استفاده از مدل ارائه شده، می‌توان تقاضای واقعی را به‌طور دقیق‌تر تخمین زد. مدل پیشنهادی، ضمن معرفی شاخص‌های موثر بر تخمین تقاضا، قادر است که در سطوح ریسک مختلف مورد انتظار دانشگاه، تقاضاهای واقعی را برآورد کند. این رویکرد پیشگیرانه، وعده‌های غذایی کنترل شده را فقط به اندازه احتیاج تولید و توزیع خواهد کرد تا از ضایعات مواد غذایی یا اتلاف بودجه عمومی کشور جلوگیری شود.

Demand Prediction in University Booking Systems to Reduce Food Waste Using Neural Networks Including Weighted Error Function

Objective: A significant challenge in the university meal booking is the high NoShow 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 sevenyear 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.