Preview

Вестник Казахстанско-Британского технического университета

Расширенный поиск

ПРОГНОЗИРОВАНИЕ СПРОСА В РЕСТОРАННОМ БИЗНЕСЕ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

https://doi.org/10.55452/1998-6688-2021-18-3-36-41

Аннотация

Для экономичной и продуктивной работы, а также для улучшения обслуживания ресторана владельцам ресторана необходимо точно оценивать посетителей ресторана. Хороший прогноз необходим, чтобы избежать потерь и улучшить обслуживание и оптимизацию бизнеса. Есть много методов машинного обучения (МО), которые можно использовать в этих прогнозах; однако каждый посетитель индивидуален. Поэтому в этой работе, используя большие данные и контролируемое обучение, мы хотим предсказать, сколько посетителей ресторан может ожидать в будущем. Три различных метода машинного обучения были применены к реальному набору данных из контролируемого обучения, мы хотим предсказать, сколько посетителей в наборе данных «Прогнозирование посетителей ресторана»: XGBoost, регрессор случайного леса и нейронная сеть. После моделирования прогнозируемые значения сравнивались с реальными данными. В целом, все применяемые алгоритмы достигли средних ошибок ниже 9,5278, но регрессор случайного леса превзошел их со средними ошибками 9,2902.

Об авторах

А. Е. Бортан
Казахстанско-Британский технический университет
Казахстан

05000, Алматы



Б. М. Байсаков
Казахстанско-Британский технический университет
Казахстан

05000, Алматы



Список литературы

1. Xin Yang, Bing Pan, A. James, Evans, and Lv. Benfu, ”Forecasting Chinese tourist volume with search engine data”, Tourism Management, Vol 46, pp. 386-397, 2015.

2. Yang Yang, Bing Pan, and Haiyan Song, ”Predicting hotel demand using destination marketing organizations web traffic data”, Journal of Travel Research, Vol 53, no. 4, pp. 433-447, 2014.

3. Cho.Vincent, ”A comparison of three different approaches to tourist arrival forecasting”, Tourism management, Vol 24, no. 3, pp. 323-330, 2003.

4. Usep Suhud, and Arifin Wibowo, ”Predicting Customers Intention to Revisit A Vintage-Concept Restaurant”, Journal of Consumer Sciences, Vol 1, no. 2 (2016).

5. Shanshan Feng, Gao Cong, Bo An, and Yeow Meng Chee, ”POI2Vec: Geographical Latent Representation for Predicting Future Visitors”, In AAAI, pp. 102-108, 2017.

6. Corinna Cortes, and Vladimir Vapnik, ”Support-vector networks”, Machine learning, Vol 20, no. 3, pp. 273-297, 1995.

7. Leo Breiman, ”Random forests”, Machine learning, Vol 45, no. 1, pp. 5-32, 2001.

8. Yann LeCun, Yoshua Bengio, and Geoffrey Hinton, ”Deep learning”, nature, Vol 521, no. 7553, pp. 436, 2015.

9. Tianqi Chen, and Carlos Guestrin, ”Xgboost: A scalable tree boosting system”, In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pp. 785-794. ACM, 2016.

10. XGBoost Documentation

11. https://xgboost.readthedocs.io/en/latest/

12. MICROSOFT, Machine Learning studio. https://docs.microsoft.com/en-us/azure/machinelearning/studio-module-reference/decision-forest-regression. last accessed 2019/10/12.

13. MICROSOFT, Machine Learning studio. https://docs.microsoft.com/en-us/azure/machinelearning/studio-module-reference/neural-network-regression. last accessed 2019/10/12

14. SKYMIND website. last accessed 2019/10/12.

15. AirREGI. https://air-regi.com/


Рецензия

Для цитирования:


Бортан А.Е., Байсаков Б.М. ПРОГНОЗИРОВАНИЕ СПРОСА В РЕСТОРАННОМ БИЗНЕСЕ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ. Вестник Казахстанско-Британского технического университета. 2021;18(3):36-41. https://doi.org/10.55452/1998-6688-2021-18-3-36-41

For citation:


Bortan A.Y., Baisakov B.M. PREDICTING FUTURE VISITORS IN THE RESTAURANT BUSINESS USING MACHINE LEARNING. Herald of the Kazakh-British technical university. 2021;18(3):36-41. https://doi.org/10.55452/1998-6688-2021-18-3-36-41

Просмотров: 463


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1998-6688 (Print)
ISSN 2959-8109 (Online)