Other/Unknown Material
การจัดการวัตถุดิบคงคลังของร้านอาหาร โดยใช้ Porximal policy optimization ; Porximal policy optimization on casual restaurant raw material stock
| Τίτλος: | การจัดการวัตถุดิบคงคลังของร้านอาหาร โดยใช้ Porximal policy optimization ; Porximal policy optimization on casual restaurant raw material stock |
|---|---|
| Συγγραφείς: | ณัฐวัฒน์ เอกธรรมนิตย์ |
| Συνεισφορές: | วรพล พงษ์เพ็ชร |
| Στοιχεία εκδότη: | สถาบันบัณฑิตพัฒนบริหารศาสตร์ |
| Έτος έκδοσης: | 2020 |
| Συλλογή: | NIDA (National Institute of Development Administration): Wisdom Repository / สถาบันบัณฑิตพัฒนบริหารศาสตร์ |
| Θεματικοί όροι: | e-Thesis, วัตถุดิบคงคลัง, Machine learning -- Computer simulation, การเรียนรู้ของเครื่อง |
| Περιγραφή: | วิทยานิพนธ์ (วท.ม. (การวิเคราะห์ข้อมูลและวิทยาการข้อมูล))--สถาบันบัณฑิตพัฒนบริหารศาสตร์, 2563 ; งานวิจัยนี้มีวัตถุประสงค์ในการจัดทำขึ้นเพื่อศึกษาหลักการ Proximal Policy Optimization ของกระบวนการ Reinforcement Learning ในการสร้างแบบจำลองการพยากรณ์จำนวนการสั่งวัตถุดิบของร้านอาหาร เนื่องมาจากปัญหาการสั่งวัตถุดิบของร้านอาหารในแต่ละวัน เกิดความคลาดเคลื่อนจากจำนวนการใช้วัตถุดิบจริงสูง วัตถุดิบที่เหลือจึงกลายเป็นขยะอาหาร ทำให้เกิดการหมักและก่อตัวเป็นก๊าซมีเทนลอยขึ้นไปทำลายโอโซนในชั้นบรรยากาศ โดยแบ่งการศึกษาออกเป็น 2 รูปแบบหลักๆ คือ 1. แบบจำลองแบบหนึ่งแอตทริบิวต์ 2. แบบจำลองแบบหลายแอตทริบิวต์ และชุดข้อมูลจำลองที่ใช้มาจากการจำลองโดยอาศัยหลักการจำลองข้อมูลแบบแจกแจงปกติ ส่วนการประเมินประสิทธิภาพของแบบจำลองจะใช้เครื่องมือ 3 อย่าง คือ F-Statistics ,R-Square และRMSE ในการศึกษาครั้งนี้แต่ละแบบจำลองจะมีการเรียนรู้ทั้งหมด 12 ล้านไทม์สเต็ป ผลจากการศึกษาในงานวิจัยนี้ พบว่า ในการเรียนรู้ของแบบจำลองทั้งหมด 12 ล้านไทม์สเต็ป แบบจำลองแบบหลายแอตทริบิวต์ จะเกิดการลู่เข้าหาค่าที่เหมาะสมของแบบจำลอง ได้เร็วกว่าแบบจำลองแบบหนึ่งแอตทริบิวต์ และประสิทธิภาพของค่าความถูกต้องในการพยากรณ์จำนวนการสั่งวัตถุดิบ อยู่ที่ร้อยละ 82 ของค่าการพยากรณ์ทั้งหมด จากงานวิจัยนี้ทำให้ทราบถึงแนวทางในการนำหลักการ Proximal Policy Optimization ไปสร้างแบบจำลองการพยากรณ์จำนวนการสั่งวัตถุดิบ ให้สามารถพยากรณ์จำนวนวัตถุดิบที่จะสั่ง ได้ใกล้เคียงกับจำนวนวัตถุดิบที่ใช้จริงมากที่สุด และสามารถลดจำนวนขยะอาหารให้มีจำนวนเหลือน้อยลง ; This research focuses on the Proximal Policy Optimization Algorithm (PPO) of Reinforcement Learning to make a forecasting model of raw material stock in restaurants. The restaurant's daily raw material stock ordered and the number of raw material stock used fluctuates daily. The unused raw material stock is left as wasted material. It caused fermentation and produced methane gas that rises to destroy ozone into the atmosphere. This research investigated a One-Attribute Model and a Multi-Attribute Model. The dataset used in this research is synthetic data that use the normal distribution theory to make it. The model's performance was assessed using ... |
| Τύπος εγγράφου: | other/unknown material |
| Περιγραφή αρχείου: | 62 แผ่น; application/pdf |
| Γλώσσα: | Thai |
| Relation: | b212263; https://repository.nida.ac.th/handle/662723737/5539 |
| DOI: | 10.14457/NIDA.the.2020.32 |
| Διαθεσιμότητα: | https://repository.nida.ac.th/handle/662723737/5539 https://doi.org/10.14457/NIDA.the.2020.32 |
| Rights: | ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0) |
| Αριθμός Καταχώρησης: | edsbas.47F74138 |
| Βάση Δεδομένων: | BASE |
| FullText | Text: Availability: 0 CustomLinks: – Url: https://repository.nida.ac.th/handle/662723737/5539# Name: EDS - BASE (ns324271) Category: fullText Text: View record from BASE |
|---|---|
| Header | DbId: edsbas DbLabel: BASE An: edsbas.47F74138 RelevancyScore: 816 AccessLevel: 3 PubType: Other/Unknown Material PubTypeId: unknown PreciseRelevancyScore: 815.994262695313 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: การจัดการวัตถุดิบคงคลังของร้านอาหาร โดยใช้ Porximal policy optimization ; Porximal policy optimization on casual restaurant raw material stock – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22ณัฐวัฒน์+เอกธรรมนิตย์%22">ณัฐวัฒน์ เอกธรรมนิตย์</searchLink> – Name: Author Label: Contributors Group: Au Data: วรพล พงษ์เพ็ชร – Name: Publisher Label: Publisher Information Group: PubInfo Data: สถาบันบัณฑิตพัฒนบริหารศาสตร์ – Name: DatePubCY Label: Publication Year Group: Date Data: 2020 – Name: Subset Label: Collection Group: HoldingsInfo Data: NIDA (National Institute of Development Administration): Wisdom Repository / สถาบันบัณฑิตพัฒนบริหารศาสตร์ – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22e-Thesis%22">e-Thesis</searchLink><br /><searchLink fieldCode="DE" term="%22วัตถุดิบคงคลัง%22">วัตถุดิบคงคลัง</searchLink><br /><searchLink fieldCode="DE" term="%22Machine+learning+--+Computer+simulation%22">Machine learning -- Computer simulation</searchLink><br /><searchLink fieldCode="DE" term="%22การเรียนรู้ของเครื่อง%22">การเรียนรู้ของเครื่อง</searchLink> – Name: Abstract Label: Description Group: Ab Data: วิทยานิพนธ์ (วท.ม. (การวิเคราะห์ข้อมูลและวิทยาการข้อมูล))--สถาบันบัณฑิตพัฒนบริหารศาสตร์, 2563 ; งานวิจัยนี้มีวัตถุประสงค์ในการจัดทำขึ้นเพื่อศึกษาหลักการ Proximal Policy Optimization ของกระบวนการ Reinforcement Learning ในการสร้างแบบจำลองการพยากรณ์จำนวนการสั่งวัตถุดิบของร้านอาหาร เนื่องมาจากปัญหาการสั่งวัตถุดิบของร้านอาหารในแต่ละวัน เกิดความคลาดเคลื่อนจากจำนวนการใช้วัตถุดิบจริงสูง วัตถุดิบที่เหลือจึงกลายเป็นขยะอาหาร ทำให้เกิดการหมักและก่อตัวเป็นก๊าซมีเทนลอยขึ้นไปทำลายโอโซนในชั้นบรรยากาศ โดยแบ่งการศึกษาออกเป็น 2 รูปแบบหลักๆ คือ 1. แบบจำลองแบบหนึ่งแอตทริบิวต์ 2. แบบจำลองแบบหลายแอตทริบิวต์ และชุดข้อมูลจำลองที่ใช้มาจากการจำลองโดยอาศัยหลักการจำลองข้อมูลแบบแจกแจงปกติ ส่วนการประเมินประสิทธิภาพของแบบจำลองจะใช้เครื่องมือ 3 อย่าง คือ F-Statistics ,R-Square และRMSE ในการศึกษาครั้งนี้แต่ละแบบจำลองจะมีการเรียนรู้ทั้งหมด 12 ล้านไทม์สเต็ป ผลจากการศึกษาในงานวิจัยนี้ พบว่า ในการเรียนรู้ของแบบจำลองทั้งหมด 12 ล้านไทม์สเต็ป แบบจำลองแบบหลายแอตทริบิวต์ จะเกิดการลู่เข้าหาค่าที่เหมาะสมของแบบจำลอง ได้เร็วกว่าแบบจำลองแบบหนึ่งแอตทริบิวต์ และประสิทธิภาพของค่าความถูกต้องในการพยากรณ์จำนวนการสั่งวัตถุดิบ อยู่ที่ร้อยละ 82 ของค่าการพยากรณ์ทั้งหมด จากงานวิจัยนี้ทำให้ทราบถึงแนวทางในการนำหลักการ Proximal Policy Optimization ไปสร้างแบบจำลองการพยากรณ์จำนวนการสั่งวัตถุดิบ ให้สามารถพยากรณ์จำนวนวัตถุดิบที่จะสั่ง ได้ใกล้เคียงกับจำนวนวัตถุดิบที่ใช้จริงมากที่สุด และสามารถลดจำนวนขยะอาหารให้มีจำนวนเหลือน้อยลง ; This research focuses on the Proximal Policy Optimization Algorithm (PPO) of Reinforcement Learning to make a forecasting model of raw material stock in restaurants. The restaurant's daily raw material stock ordered and the number of raw material stock used fluctuates daily. The unused raw material stock is left as wasted material. It caused fermentation and produced methane gas that rises to destroy ozone into the atmosphere. This research investigated a One-Attribute Model and a Multi-Attribute Model. The dataset used in this research is synthetic data that use the normal distribution theory to make it. The model's performance was assessed using ... – Name: TypeDocument Label: Document Type Group: TypDoc Data: other/unknown material – Name: Format Label: File Description Group: SrcInfo Data: 62 แผ่น; application/pdf – Name: Language Label: Language Group: Lang Data: Thai – Name: NoteTitleSource Label: Relation Group: SrcInfo Data: b212263; https://repository.nida.ac.th/handle/662723737/5539 – Name: DOI Label: DOI Group: ID Data: 10.14457/NIDA.the.2020.32 – Name: URL Label: Availability Group: URL Data: https://repository.nida.ac.th/handle/662723737/5539<br />https://doi.org/10.14457/NIDA.the.2020.32 – Name: Copyright Label: Rights Group: Cpyrght Data: ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0) – Name: AN Label: Accession Number Group: ID Data: edsbas.47F74138 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.47F74138 |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.14457/NIDA.the.2020.32 Languages: – Text: Thai Subjects: – SubjectFull: e-Thesis Type: general – SubjectFull: วัตถุดิบคงคลัง Type: general – SubjectFull: Machine learning -- Computer simulation Type: general – SubjectFull: การเรียนรู้ของเครื่อง Type: general Titles: – TitleFull: การจัดการวัตถุดิบคงคลังของร้านอาหาร โดยใช้ Porximal policy optimization ; Porximal policy optimization on casual restaurant raw material stock Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: ณัฐวัฒน์ เอกธรรมนิตย์ – PersonEntity: Name: NameFull: วรพล พงษ์เพ็ชร IsPartOfRelationships: – BibEntity: Dates: – D: 01 M: 01 Type: published Y: 2020 Identifiers: – Type: issn-locals Value: edsbas – Type: issn-locals Value: edsbas.oa |
| ResultId | 1 |