МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНА ОТЫРЫП МЕЙРАМХАНА БИЗНЕСІНДЕГІ СҰРАНЫСТЫ БОЛЖАУ

Экономикалық және өнімді жұмыс жасау, мейрамхана қызметін жақсарту үшін мейрамхана иелері мейрамхана клиенттерін дәл бағалауы керек. Жақсы болжам ысырапшылдыққа жол бермеу және қызмет көрсету мен бизнесті оңтайландыру үшін қажет. Бұл болжамдарда қолдануға болатын көптеген машиналық оқыту әдістері бар; дегенмен, әр келуші сан түрлі. Сондықтан осы жұмыста үлкен деректерді және бақыланатын оқытуды қолдана отырып, мейрамхана болашақта қанша келуші күтетінін болжағымыз келеді. Бақыланатын оқытудың нақты деректер жиынтығында үш түрлі машиналық оқыту әдістері қолданылды. «Мейрамханаға келушілерді болжау» деректер жинағында қанша келуші бар екенін болжағымыз келеді: XGBoost, кездейсоқ орман регрессоры және нейрондық желі. Симуляциядан кейін болжамды мәндер нақты деректермен салыстырылды. Жалпы алғанда, қолданылған барлық алгоритмдер 9.5278-ден төмен орташа қателіктерге қол жеткізді, бірақ кездейсоқ орман регрессоры 9.2902 орташа қателіктерінен асып түсті.

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/