当前位置: X-MOL 学术Waste Manag. Res. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Preventing food waste in subsidy-based university dining systems: An artificial neural network-aided model under uncertainty
Waste Management & Research ( IF 3.9 ) Pub Date : 2021-05-10 , DOI: 10.1177/0734242x211017974
Mohammadali Faezirad 1 , Alireza Pooya 1 , Zahra Naji-Azimi 1 , Maryam Amir Haeri 2, 3
Affiliation  

Food waste planning at universities is often a complex matter due to the large volume of food and variety of services. A major portion of university food waste arises from dining systems including meal booking and distribution. Although dining systems have a significant role in generating food wastes, few studies have designed prediction models that could control such wastes based on reservation data and behavior of students at meal delivery times. To fill this gap, analyzing meal booking systems at universities, the present study proposed a new model based on machine learning to reduce the food waste generated at major universities that provide food subsidies. Students’ reservation and their presence or absence at the dining hall (show/no-show rate) at mealtime were incorporated in data analysis. Given the complexity of the relationship between the attributes and the uncertainty observed in user behavior, a model was designed to analyze definite and random components of demand. An artificial neural network-based model designed for demand prediction provided a two-step prediction approach to dealing with uncertainty in actual demand. In order to estimate the lowest total cost based on the cost of waste and the shortage penalty cost, an uncertainty-based analysis was conducted at the final step of the research. This study formed a framework that could reduce the food waste volume by up to 79% and control the penalty and waste cost in the case study. The model was investigated with cost analysis and the results proved its efficiency in reducing total cost.



中文翻译:

在基于补贴的大学餐饮系统中防止食物浪费:不确定性下的人工神经网络辅助模型

由于大量的食物和各种服务,大学的食物浪费计划通常是一个复杂的问题。大学食物浪费的很大一部分来自餐饮系统,包括膳食预订和分发。尽管餐饮系统在产生食物浪费方面发挥着重要作用,但很少有研究设计了预测模型,可以根据预订数据和学生在送餐时间的行为来控制此类浪费。为了填补这一空白,本研究分析了大学的膳食预订系统,提出了一种基于机器学习的新模型,以减少提供食品补贴的主要大学产生的食物浪费。学生在用餐时间的预订和他们在餐厅的存在或缺席(出现/不出现率)被纳入数据分析。鉴于属性之间关系的复杂性以及在用户行为中观察到的不确定性,设计了一个模型来分析需求的确定和随机组成部分。为需求预测而设计的基于人工神经网络的模型提供了一种两步预测方法来处理实际需求中的不确定性。为了根据浪费成本和短缺惩罚成本估算最低总成本,在研究的最后一步进行了基于不确定性的分析。本研究形成了一个框架,可以将食物浪费量减少多达 79%,并控制案例研究中的罚款和浪费成本。对该模型进行了成本分析,结果证明了其在降低总成本方面的有效性。设计了一个模型来分析需求的确定和随机组成部分。为需求预测而设计的基于人工神经网络的模型提供了一种两步预测方法来处理实际需求中的不确定性。为了根据浪费成本和短缺惩罚成本估算最低总成本,在研究的最后一步进行了基于不确定性的分析。本研究形成了一个框架,可以将食物浪费量减少多达 79%,并控制案例研究中的罚款和浪费成本。对该模型进行了成本分析,结果证明了其在降低总成本方面的有效性。设计了一个模型来分析需求的确定和随机组成部分。为需求预测而设计的基于人工神经网络的模型提供了一种两步预测方法来处理实际需求中的不确定性。为了根据浪费成本和短缺惩罚成本估算最低总成本,在研究的最后一步进行了基于不确定性的分析。本研究形成了一个框架,可以将食物浪费量减少多达 79%,并控制案例研究中的罚款和浪费成本。对该模型进行了成本分析,结果证明了其在降低总成本方面的有效性。为需求预测而设计的基于人工神经网络的模型提供了一种两步预测方法来处理实际需求中的不确定性。为了根据浪费成本和短缺惩罚成本估算最低总成本,在研究的最后一步进行了基于不确定性的分析。本研究形成了一个框架,可以将食物浪费量减少多达 79%,并控制案例研究中的罚款和浪费成本。对该模型进行了成本分析,结果证明了其在降低总成本方面的有效性。为需求预测而设计的基于人工神经网络的模型提供了一种两步预测方法来处理实际需求中的不确定性。为了根据浪费成本和短缺惩罚成本估算最低总成本,在研究的最后一步进行了基于不确定性的分析。本研究形成了一个框架,可以将食物浪费量减少多达 79%,并控制案例研究中的罚款和浪费成本。对该模型进行了成本分析,结果证明了其在降低总成本方面的有效性。本研究形成了一个框架,可以将食物浪费量减少多达 79%,并控制案例研究中的罚款和浪费成本。对该模型进行了成本分析,结果证明了其在降低总成本方面的有效性。这项研究形成了一个框架,可以将案例研究中的食物浪费量减少多达 79%,并控制罚款和浪费成本。对该模型进行了成本分析,结果证明了其在降低总成本方面的有效性。

更新日期:2021-05-11
down
wechat
bug