Utilização de redes neurais artificiais para a determinação do número de refeições diárias de um restaurante universitário
Carregando...
Data
2011-10-01
Autores
Rocha, José Celso [UNESP]
Matos, Felipe Delestro [UNESP]
Frei, Fernando [UNESP]
Título da Revista
ISSN da Revista
Título de Volume
Editor
Pontifícia Universidade Católica de Campinas
Resumo
OBJETIVO: Construir uma rede neural artificial para auxiliar os gestores de restaurantes universitários na previsão de refeições diárias. MÉTODOS: O estudo foi desenvolvido a partir do levantamento de oito variáveis que influenciam o número de refeições diárias servidas no restaurante universitário. Utiliza-se o algoritmo de treinamento Backpropagation. Os resultados por meio da rede são comparados com os da série estudada e com resultados da estimação por média aritmética simples. RESULTADOS: A rede proposta acompanha as inúmeras alterações que ocorrem no número de refeições diárias do restaurante universitário. em 73% dos dias analisados, o método das redes neurais artificiais apresenta uma taxa de acerto maior do que o método da média aritmética simples. CONCLUSÃO: A rede neural artificial mostrou-se mais adequada para a previsão do número de refeições do que a metodologia de média simples ou quando a decisão do número de refeições é feita de forma subjetiva, sem critérios científicos.
OBJECTIVE: This study aimed to build an artificial neural network to help the managers of university cafeterias to predict the number of daily meals. METHODS: This study was based on a survey of eight variables that influence the number of daily meals served by a university cafeteria. Backpropagation training algorithm was used and the results obtained by the network are compared with results of the studied series and the results estimated by simple arithmetic average. RESULTS: The proposed network follows the numerous changes that occur in the number of daily meals of the university cafeteria. In 73% of the analyzed days, the artificial neural networks method presented a greater success rate than the simple arithmetic average method. CONCLUSION: Artificial neural network predicted the number of meals better than the simple average method or than decisions made subjectively.
OBJECTIVE: This study aimed to build an artificial neural network to help the managers of university cafeterias to predict the number of daily meals. METHODS: This study was based on a survey of eight variables that influence the number of daily meals served by a university cafeteria. Backpropagation training algorithm was used and the results obtained by the network are compared with results of the studied series and the results estimated by simple arithmetic average. RESULTS: The proposed network follows the numerous changes that occur in the number of daily meals of the university cafeteria. In 73% of the analyzed days, the artificial neural networks method presented a greater success rate than the simple arithmetic average method. CONCLUSION: Artificial neural network predicted the number of meals better than the simple average method or than decisions made subjectively.
Descrição
Palavras-chave
Desperdícios de alimentos, Redes neurais artificiais, Serviços de alimentação, Food wasterfoulness, Artificial neural networks, Food services
Como citar
Revista de Nutrição. Pontifícia Universidade Católica de Campinas, v. 24, n. 5, p. 735-742, 2011.