kaz29Вестник Казахстанско-Британского технического университетаHerald of the Kazakh-British Technical University1998-66882959-8109Казахстанско-Британский Технический Университет10.55452/1998-6688-2021-18-3-36-41kaz29-99Research ArticleФИЗИКО-МАТЕМАТИЧЕСКИЕ И ТЕХНИЧЕСКИЕ НАУКИPHYSICAL, MATHEMATICAL AND TECHNICAL SCIENCESПРОГНОЗИРОВАНИЕ СПРОСА В РЕСТОРАННОМ БИЗНЕСЕ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯPREDICTING FUTURE VISITORS IN THE RESTAURANT BUSINESS USING MACHINE LEARNINGБортанА. Е.BortanA. Y.

05000, Алматы

Bortan Aygerim Yesengeldikyzy - Master's student of the Faculty of Information Technology

050000, Almaty

aigerim.bortan@gmail.comБайсаковБ. М.BaisakovB. M.

05000, Алматы

Baisakov Beisenbek Miyatbekovich - Ph.D., professor

050000, Almaty

beysenbek@gmail.comКазахстанско-Британский технический университетКазахстанKazakh-British Technical universityKazakhstan2021051120211833641Copyright © Бортан А.Е., Байсаков Б.М., 20212021Бортан А.Е., Байсаков Б.М.Bortan A.Y., Baisakov B.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.kbtu.edu.kz/jour/article/view/99

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.

Restaurant owners must reliably assess restaurant customers in order to function effectively and productively to enhance the restaurant's service. It is important to have a successful forecast in order to prevent losses and boost service and market optimization. There are a variety of machine learning (ML) approaches that can be used to make these predictions, but each visitor is unique and will act in a unique way. As a result, we want to estimate how many guests a restaurant may expect in the future using big data and supervised training in this study. We used three different machine learning methods in a real dataset from supervised training to predict how many visitors a restaurant dataset "Recruit restaurant visitor forecasting" will receive: Neural Network, XGBoost and Random Forest regressor. The predicted values were compared to the real data after the simulation. Basically, algorithms used had mean errors of less than 9.5278, but the Random Forest regressor exceeded, with mean errors of 9.2902.

прогнозмашинное обучениебольшие данныеконтролируемое обучениенабор данныхXGBoostрегрессор случайного лесанейронная сетьpredictionmachine learningbig datasupervised trainingdatasetXGBoostRandom Forest regressorNeural NetworkReferencesXin 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.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.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.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.Cho.Vincent, ”A comparison of three different approaches to tourist arrival forecasting”, Tourism management, Vol 24, no. 3, pp. 323-330, 2003.Cho.Vincent, ”A comparison of three different approaches to tourist arrival forecasting”, Tourism management, Vol 24, no. 3, pp. 323-330, 2003.Usep Suhud, and Arifin Wibowo, ”Predicting Customers Intention to Revisit A Vintage-Concept Restaurant”, Journal of Consumer Sciences, Vol 1, no. 2 (2016).Usep Suhud, and Arifin Wibowo, ”Predicting Customers Intention to Revisit A Vintage-Concept Restaurant”, Journal of Consumer Sciences, Vol 1, no. 2 (2016).Shanshan Feng, Gao Cong, Bo An, and Yeow Meng Chee, ”POI2Vec: Geographical Latent Representation for Predicting Future Visitors”, In AAAI, pp. 102-108, 2017.Shanshan Feng, Gao Cong, Bo An, and Yeow Meng Chee, ”POI2Vec: Geographical Latent Representation for Predicting Future Visitors”, In AAAI, pp. 102-108, 2017.Corinna Cortes, and Vladimir Vapnik, ”Support-vector networks”, Machine learning, Vol 20, no. 3, pp. 273-297, 1995.Corinna Cortes, and Vladimir Vapnik, ”Support-vector networks”, Machine learning, Vol 20, no. 3, pp. 273-297, 1995.Leo Breiman, ”Random forests”, Machine learning, Vol 45, no. 1, pp. 5-32, 2001.Leo Breiman, ”Random forests”, Machine learning, Vol 45, no. 1, pp. 5-32, 2001.Yann LeCun, Yoshua Bengio, and Geoffrey Hinton, ”Deep learning”, nature, Vol 521, no. 7553, pp. 436, 2015.Yann LeCun, Yoshua Bengio, and Geoffrey Hinton, ”Deep learning”, nature, Vol 521, no. 7553, pp. 436, 2015.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.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.XGBoost DocumentationXGBoost Documentationhttps://xgboost.readthedocs.io/en/latest/https://xgboost.readthedocs.io/en/latest/MICROSOFT, Machine Learning studio. https://docs.microsoft.com/en-us/azure/machinelearning/studio-module-reference/decision-forest-regression. last accessed 2019/10/12.MICROSOFT, Machine Learning studio. https://docs.microsoft.com/en-us/azure/machinelearning/studio-module-reference/decision-forest-regression. last accessed 2019/10/12.MICROSOFT, Machine Learning studio. https://docs.microsoft.com/en-us/azure/machinelearning/studio-module-reference/neural-network-regression. last accessed 2019/10/12MICROSOFT, Machine Learning studio. https://docs.microsoft.com/en-us/azure/machinelearning/studio-module-reference/neural-network-regression. last accessed 2019/10/12SKYMIND website. last accessed 2019/10/12.SKYMIND website. last accessed 2019/10/12.AirREGI. https://air-regi.com/AirREGI. https://air-regi.com/

The authors declare that there are no conflicts of interest present.