論文の概要: A Machine Learning Framework for Predicting Restaurant Food Waste to Support Sustainable Food Management
- arxiv url: http://arxiv.org/abs/2609.08078v1
- Date: Tue, 08 Sep 2026 00:43:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.53856
- Title: A Machine Learning Framework for Predicting Restaurant Food Waste to Support Sustainable Food Management
- Title（参考訳）: 持続可能な食品管理を支援するレストラン食品廃棄物予測のための機械学習フレームワーク
- Authors: Md Mehedi Hasan Naeem, Md Ashraful Islam, Moumita Barua, Ishtiyak Ahmmad Araf, Md. Arefin Haque Mahir,
- Abstract要約: レストラン部門における食品廃棄物は、環境の持続可能性と経済効率に重大な課題をもたらす。
本稿では,日常の食材廃棄物量を,運用的・文脈的特徴から推定するための探索的機械学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.9573380763700712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Food waste in the restaurant sector poses a substantial challenge to environmental sustainability and economic efficiency. This paper presents an exploratory machine learning framework for estimating daily restaurant food waste quantities from operational and contextual features. A structured dataset was constructed by integrating restaurant demand records, meteorological data and temporal event indicators, yielding 77,980 records across 27 features. Because large-scale ground-truth food waste measurements are not publicly available, the target variable was derived from operationally justified assumptions, with the complete construction formula and controlled stochastic variability disclosed for full reproducibility. Four supervised regression models, namely Linear Regression, Decision Tree, Random Forest and Gradient Boosting, were evaluated under a chronological 70-30 train-test split that respects the temporal ordering of restaurant operations, augmented by 5-fold time-series cross-validation. All reported metrics are explicitly scoped to performance against the constructed target and do not imply validation against measured food waste. Ensemble methods consistently outperformed linear baselines. Random Forest attained an MAE of 6.19 kg, RMSE of 8.36 kg and $R^2$ of 0.817 on the realistic feature subset following systematic exclusion of algebraically leakage-prone variables. Feature importance analysis identified menu diversity, operational area and temporal activity patterns as the primary predictive drivers. The full dataset, target construction formula, codebase and experimental configurations are publicly released to support reproducibility and future extension to empirically measured waste data.
- Abstract（参考訳）: レストラン部門における食品廃棄物は、環境の持続可能性と経済効率に重大な課題をもたらす。
本稿では,日常の食材廃棄物量を,運用的・文脈的特徴から推定するための探索的機械学習フレームワークを提案する。
構造化されたデータセットは、レストランの需要記録、気象データ、時間的イベントインジケータを統合することで構築され、27の項目で77,980件の記録が得られた。
大規模土木食品廃棄物の測定は一般には行われていないため, 目的変数は, 完全な建設公式と, 完全再現性を有する確率的変動を定式化して, 運用上妥当な仮定から導かれた。
リニア回帰, 決定木, ランダムフォレスト, グラディエントブースティングの4つの教師付き回帰モデルについて, レストラン営業の時間的順序を考慮し, 5倍の時系列クロスバリデーションにより評価した。
報告されたすべての指標は、構築された目標に対するパフォーマンスに明示的にスコープされ、測定済み食品廃棄物に対する検証は含まない。
アンサンブル法は一貫して線形ベースラインより優れていた。
ランダムフォレストのMAEは6.19kg、RMSEは8.36kg、R^2$は0.817に達した。
特徴重要度分析では, メニューの多様性, 操作領域, 時間的活動パターンを主要因とした。
完全なデータセット、ターゲット構築公式、コードベース、実験的な構成は、再現性をサポートし、実験的に測定された廃棄物データに対する将来の拡張をサポートするために、公開されている。
関連論文リスト
- Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。
このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。
合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
論文 参考訳（メタデータ） (2026-03-04T06:52:37Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Artificial Intelligence in the Food Industry: Food Waste Estimation based on Computer Vision, a Brief Case Study in a University Dining Hall [1.864621482724548]
本研究は,プレートレベルの食品廃棄物を推定する費用対効果のコンピュータビジョンフレームワークを提案する。
4つの完全に教師されたモデルが、キャップ付き動的逆周波数損失とAdamWメトリクスを使用して訓練された。
全てのモデルが満足な性能を達成し、食品の種類ごとに、少なくとも1つのモデルがDPAに近づいたか、90%を超えた。
論文 参考訳（メタデータ） (2025-07-19T15:21:29Z) - Food Delivery Time Prediction in Indian Cities Using Machine Learning Models [0.4893345190925178]
本研究では,実時間文脈変数を予測モデルに組み込むことでギャップを解消する。
我々は,線形回帰,決定木,バグング,ランダムフォレスト,XGBoost,LightGBMなどの機械学習アルゴリズムを体系的に比較した。
実験の結果、LightGBMモデルの方が予測精度が良く、R2スコアは0.76、Mean Squared Error(MSE)は20.59で、従来のベースラインモデルよりも優れていた。
論文 参考訳（メタデータ） (2025-03-19T13:02:23Z) - Leveraging LLMs for Predictive Insights in Food Policy and Behavioral Interventions [1.979158763744267]
食料消費と生産は温室効果ガスの排出に大きく貢献する。
食品政策のイニシアチブは、生産と消費のパターンを再構築するための介入を探求してきた。
本稿では,微調整された大言語モデル(LLM)が結果の方向を正確に予測できることを実証する。
論文 参考訳（メタデータ） (2024-11-13T12:21:13Z) - RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。
Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。
本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
論文 参考訳（メタデータ） (2024-07-17T16:49:34Z) - Forecasting trends in food security with real time data [0.0]
我々は,マリ,ナイジェリア,シリア,イエメンの4カ国で,60日間連続して食料消費の水準を予測する定量的手法を提案する。
この手法は、World Food Programmeのグローバルな飢餓モニタリングシステムから入手可能なデータに基づいて構築されている。
論文 参考訳（メタデータ） (2023-12-01T14:42:37Z) - Dish detection in food platters: A framework for automated diet logging
and nutrition management [1.7855867849530096]
食品プラッターからのディッシュ検出は、視覚的に複雑な食品レイアウトのために難しい問題である。
本稿では,データコンパイル,アノテーション,最先端モデル同定など,ダイエット管理のためのエンドツーエンドの計算フレームワークを提案する。
このフレームワークは、複雑なプレゼンテーションで知られるインド料理の皿の文脈で実装されている。
論文 参考訳（メタデータ） (2023-05-12T15:25:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。