Прогнозирование посещаемости кафе методами машинного обучения

При развитии сферы обслуживания каждому владельцу ресторана, важно максимизировать свой доход. Для этого нужно правильно распределять трудовые ресурсы и производить закупки. Чтобы это сделать, необходимо производить оценку потока, покупателей. В данной работе было произведено исследование для предсказаний количества, посетителей методами машинного обучения.

2.    Постановка задачи и методы

Рассматривается задача, прогнозирования числа, посетителей в ресторане по ежедневным данным о количестве реализованных чеков. Цель — разработка, модели, позволяющей оценить число посетителей на месяц вперед. Прогноз осуществляется на основании информации:

• •    о посещения в предыдущий день;

• •    о погоде;

• •    о праздниках;

• •    о бронирование столов и предзаказах.

Прогнозная точноств определяется по формуле МАРЕ (Mean Absolute Percentage Error) [1]:

1 ⁿ

A_t - F t

A t

МАРЕ = n t=i n - количество наблюдений, At - реальные значения, Ft - предсказанное значение.

Так как в модели участвуют лаги, то при предсказаниях на будущее нужно пользоваться «методом цепного предсказания» - делать предсказание на один день вперед и использовать это значение в дальнейшем.

3.    Модели

В качестве первой модели рассматриваем модель из библиотеки Prophet. Библиотека Prophet [2] - это библиотека с открытым исходным кодом, предназначенная для прогнозирования одномерных наборов данных временных рядов. Он прост в использовании и предназначен для автоматического поиска хорошего набора гиперпараметров для модели, чтобы делать точные прогнозы для данных с тенденциями и сезонной структурой по умолчанию. Математическое уравнение [2], лежащее в основе модели Prophet, определяется как

W) = 9(t + s(t) + ^(t) + e(t), где g(t) представляет тренд; s(t) - периодические изменения (еженедельно, ежемесячно, ежегодно); h(t) - влияние праздников и e(t) - член ошибки. Модель Prophet строится только на данных о дате и целевой переменной.

Результаты подсчета метрик (табл. 1):

Таблица 1

Результаты Prophet

	R2	MSE	МАЕ	МАРЕ
Train	0.517	1387.575	26.404	0.937
Test	-0.069	1255.269	30.728	0.152

На основе модели были сделаны предсказания потока клиентов и построен график, изображенный на рис. 1, где непрерывная линия является предсказанием модели, точками отмечены реальные значения данных.

Рис. 1. График реальных и предсказанных значений

Вторая рассмотренная модель CatBoostRegression - это модель градиентного бустинга. Для работы с данной моделью произведено OneHot encoding для категориальных величин и произведена работа по замене «плохих значений». Для работы сформированы три да-тасета: два кафе находятся в одном и том же городе, но на разных улицах, а одно кафе располагается в другом городе. Это было сделано для того, чтобы показать, что расположение кафе влияет на предсказания для целевой характеристики, нельзя использовать одну модель без изменений для всех кафе.

Далее были проведены эксперименты. На основе модели CatBoost сделаны подсчеты основных характеристик при условии, что производится препроцесенг с вязанный с целевой характеристикой. Это значит, что были убраны все значения, которые меньше, чем 10%-quantile от данной характеристики. Данные пропуски насчитывают небольшое количество и заменены с помощью линейной регрессии. Далее на основе данного датасета производились эксперименты по подбору гиперпараметров, при дополнительном присутствии MinMaxScaler на целевой характеристике. Далее приведены данные экспериментов для одного из ресторанов (табл. 2).

Результаты CatBoostRegerssion

Таблица 2

	Grid Search	Grid Search scaler	Hyperopt	Hyperopt scaler	CatBoost Regression model	Scaler model
МАРЕ train	0.069163	0.579511	0.118369	0.914706	0.001616	0.021274
МАРЕ test	0.130993	1.144692	0.141661	0.993262	0.127677	1.421219
МАЕ train	6.641845	0.407208	11.326168	0.736196	0.153733	0.005740
МАЕ test	11.838631	0.691044	12.545031	0.730116	11.524332	0.641509
R2 train	0.777266	0.740106	0.378887	0.183957	0.999887	0.999955
R2 test	0.142150	0.098998	0.072012	0.037930	0.199771	0.198759

4.    Выводы

По результатам получается, что лучше всего использовать модель CatBoost без MinMaxScaler с добавленными данными о предзаказах. При работе было выявлено большое влияние праздников и появилась необходимость составления списка праздников по городу, так как от праздников часто зависят ограничения на продажу алкогольных напитков.