Yemekhane için Yapay Zeka Teknikleri Kullanımı ile Günlük Talep Tahmini

Öz

Günümüzde birçok kurum personel yemek hizmetlerini dış alım metoduyla profesyonel yemek şirketlerden temin etmektedir. Bu hizmet karşılığı yemek şirketlerine talep ettikleri yemek miktarı kadar ücret ödemektedirler. Yemeklerin cinsine, çıktığı güne, şirket çalışanlarının davranışlarına ve çalışan sayısına göre günlük tüketim miktarı değişmesine rağmen çoğu kurum kişisel tahminlerle karar vermekte ve israf oluşmaktadır. Bu çalışmada bir üniversite yemekhane sisteminden alınan veriler WEKA açık kaynak kodlu yazılımı vasıtasıyla Yapay Sinir Ağı, Destek Vektör Makinası ve Regresyon analizi metotları kullanımı ile günlük talep miktarının tahmini yapılmış ve ilgili metotların performans karşılaştırılması sunulmuştur. Yapılan çalışma ile üniversite gibi farklı davranışlara sahip tüketici tipine göre farklı metotların baskın olduğu ve seçilecek metot ile atık yemek miktarının minimize edilebileceği önerilmiştir. 

Anahtar Kelimeler

• Yapay Sinir Ağları,Destek Vektör Makinası,Talep Tahmini,Regresyon Analizi

Daily Demand Forecast Using Artificial Intelligence Techniques for Refectory

Abstract

Nowadays many organizations outsource food services from a professional catering company. They pay the bill for catering services as the amount their food demand. Despite changing daily consumption amount according to types of the food, day, behaviors of company employees and a number of employees, a decision which is about the amount of food demand is made by the personal judgment in the most organization and thus serviced foods are run to waste. In this study, the data of a university’s refectory is obtained and artificial neural networks, support vector machine and linear regression methods in WEKA tool are used to predict the amount of daily food consumption. Also, the performance of the prediction methods is presented in this study. This paper proposes that different methods are dominant according to the type of consumer with different behaviors such as the university has a student, lecturer, and another staff and selected method by artificial intelligence techniques provides that the amount of waste food can be minimized.

Keywords

• Artificial Neural Networks,Support Vector Machine,Demand Forecast,Regression analysis

Kaynakça

1. M. Tayar, C. Hecer, Hazır Yemek Sistemleri, 2. Baskı, DORA Basım-Yayın Dağıtım Ltd. Şti. Bursa, 2016.
2. J. Parfitt, M. Barthel, S. Macnaughton, “Food waste within food supply chain: quantification and potential for change to 2050”, Phil. Trans. R. Soc., vol. 365, pp. 3065-3081, 2010.
3. J. Gustavsson, C. Cedeberg, U. Sonesson, ”Global food losses and food waste”, Food and Agriculture Organisation of the United Nations, Roma, 2011.
4. N. Artık, T. Şireli, M. Türkyılmaz, “Gıda israfı, açlık sorunu ve sürdürülebilir gıda projeksiyonları”, Ankara Halk Ekmek ve Un Fabrikası A.Ş. Ekmek Dergisi, s. 111-125, 2016.
5. C.Ö. Dölekoğlu, S. Gün, F.H. Giray, “Yoksulluk ve Gıda İsrafı Sarmalı”, XI. Ulusal Tarım Ekonomisi Kongresi, Samsun, 3-5 Eylül 2014.
6. G. Pekcan, E. Köksal, Ö. Küçükerdönmez, H. Özel, “Household Food Wastage in Turkey”. Statistics Division, Working Paper Series, No: ESS/ESSA/006e, FAO, 2006.
7. TMO. 2013. "Türkiye'de Ekmek İsrafı Araştırması". Toprak Mahsulleri Ofisi Genel Müdürlüğü, Ankara.
8. G. Kılıç, Yapay sinir ağları ile yemekhane günlük talep tahmini, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, 2015.

9. H. Ergün, Su Ürünleri Tüketimi ve Tanıtımı, SÜMAE YUNUS Araştırma Bülteni, 9:2, Haziran 2009.
10. S. S. Baboo, I.K. Shereef, 2010, “An Efficient Weather Forecasting System using Artificial Neural Network”, International Journal of Environmental Science and Development, Vol. 1, No. 4, 2010
11. O. ŞENKAL, , “Solar Radiation Modeling for Turkey Using Atmospheric Parameters with Artificial Neural Networks”, Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 31(2), ss. 179-185, 2016
12. O. Kaynar, S. Taştan, F. Demirkoparan, “Yapay Sinir Ağları ile Doğalgaz Tüketim Tahmini”, Atatürk Ü. İİBF Dergisi, 10. Ekonometri ve İstatistik Sempozyumu Özel Sayısı, 2011.
13. S. Benkachcha, J. Benhra, El Hassani.H,”Causal Method and Time Series Forecasting model based on Artificial Neural Network”, International Journal of Computer Applications (0975 – 8887) Volume 75– No.7, 2013
14. H. Özkişi, M. Topaloğlu, “Fotovoltaik Hücrenin Verimliliğinin Yapay Sinir Ağı ile Tahmini”, Bilişim Teknolojileri Dergisi, Cilt:10, Sayı:3, 2017
15. Ş. U. ULADİ, A. İ. ULADİ ,”Osmaniye İli Genelinde Konut Özellikleri ile Konut Fiyatları Arasındaki İlişkinin Belirlenmesi”, International Journal of Academic Value Studies, Vol: 3, Issue: 16, pp. 475-480, 2017.
16. M.T. Bilişik ,”Destek Vektör Makinesi, Çoklu Regresyon ve Doğrusal Olmayan Programlama ile Prekendecilik Sektöründe Gelir Yöntemi İçin Dinamik Fiyatlandırma”, XI. Üretim Araştırmaları Sempozyumu, 23-24 Haziran 2011
17. V. Vapnik, “The Nature of Statistical Learning Theory”, Newyork: Springer. 1995.
18. V. Vapnik, “Statistical Learning Theory. Newyork”, John Wiley & Sons, 1998.
19. F. Başer, A. Apaydın, “Sınıflandırma Amaçlı Destek Vektör MAkinelerinin Lojistig Regresyon ile Karşılaştırması”, Anadolu Üniversitesi Bilim ve Teknoloji Dergisi B-Teorik Bilimler, Cilt: 3 Sayı: 2 - 2015 Sayfa: 53 – 65, 2015
20. WEKA, https://www.cs.waikato.ac.nz/ml/index.html, 27.11.2017