Project Overview

The project aims to predict weekly demand for resort restaurant menu items using advanced machine learning techniques developed for the LG Aimers Hackathon.

Final Performance

Private Score: 0.51864 (Top 16.7%)

👥 Team Members

김재원	박예진	신동우	홍성인

🏗️ Technical Implementation

📊 Data Structure

• Training Data: Historical sales data for 9 resort venues with menu-specific demand patterns
• Test Data: 10 test files (TEST_00 ~ TEST_09) requiring 7-day forecasts
• Venues: 담하, 미라시아, 화담숲주막, 라그로타, 느티나무 셀프BBQ, 연회장, 카페테리아, 포레스트릿, 화담숲카페

🧠 Model Architecture

1. Direct Multi-Horizon Forecasting

• 7개의 개별 모델을 각 예측 기간(1~7일)에 대해 훈련
• 각 모델은 해당 기간의 수요 패턴에 특화
• MLJAR AutoML을 사용하여 LightGBM과 CatBoost 알고리즘 자동 선택

2. Feature Engineering

시간 관련 특성:

• 기본 시간 특성: year, month, day, dayofweek, quarter, weekofyear
• 순환 인코딩: month_sin/cos, dow_sin/cos, weekofyear_sin/cos
• One-hot 인코딩: 요일별, 월별 더미 변수
• 공휴일 특성: 공휴일 여부, 전후일 공휴일 효과

시계열 특성:

• 지연 특성: lag_1, lag_7, lag_14, lag_21, lag_28
• 이동평균: ma_7, ma_14, ma_28 (전체 및 양수값만)
• 지수이동평균: ewm_7, ewm_14
• 동일 요일 평균: dow_ma_4 (최근 4주)
• 추세 특성: trend_7, change_rate_7
• 희소성 특성: nonzero_rate_28, days_since_last_sale

정적 특성:

• 메뉴 라이프사이클: first_sale_month, peak_month, is_new_menu, is_discontinued
• 영업장별 가중치 적용

3. Ensemble Strategy

메타 블렌딩:

yhat = w_model * yhat_model + w_dow * dow_avg + w_ma7 * ma7

• 모델 예측값 (70%)
• 동일 요일 평균 (20%)
• 최근 7일 평균 (10%)

기간별 가중치 조정:

• 단기 예측(1-3일): 모델 가중치 ≥ 65%
• 중기 예측(4-5일): 모델 가중치 ≥ 60%
• 장기 예측(6-7일): 모델 가중치 ≥ 55%

🎯 Business Logic & Constraints

1. 하한선 (Floor) 설정

• 음료류: 최근 14일 내 판매 이력이 있거나 요일 평균 ≥ 1인 경우 최소 1개 보장
• 기타 품목: 최근 평균의 15%를 하한선으로 설정

2. 상한선 (Cap) 설정

• 기본: 과거 95백분위수 × 1.15
• 변동계수 > 1.5인 경우: 90백분위수 × 1.15
• 최대값: 과거 최대값 × 1.20

3. 품목별 특화 규칙

• 희소 품목: 대여료, 단체식 등은 과대 예측 방지 (90% 수축)
• 카페테리아 고위험 메뉴: 짜장면, 돈까스 등은 희소하거나 요일 평균이 0인 경우 93% 수축
• 브런치: 평일에는 92% 보수적 예측
• 연회장 시설: Conference/Convention Hall은 최대 1개, Grand Ballroom/OPUS는 최대 2개

📈 Training Strategy

1. 샘플 가중치

• 영업장별 가중치 적용 (미라시아: 36.3%, 담하: 18.2% 등)
• 매출수량이 0인 샘플은 가중치 0으로 설정
• 훈련 시 최소 가중치 0.05 보장

2. 목표 변수 변환

• log1p 변환으로 안정적인 훈련
• 예측 시 expm1으로 역변환

3. 검증 전략

• 시간순 분할 (shuffle=False)
• 훈련:검증 = 9:1 비율
• 최근 56일 데이터로 블렌딩 가중치 학습

🔧 Key Features

1. 메뉴 라이프사이클 분석: 신메뉴, 단종 메뉴 식별
2. 계절성 패턴 캡처: 순환 인코딩과 One-hot 인코딩 조합
3. 공휴일 효과 모델링: 공휴일 전후 영향 고려
4. 동적 블렌딩: 기간별 최적 가중치 학습
5. 비즈니스 규칙 통합: 도메인 지식을 통한 예측 보정

📁 File Structure

script/dongwoo/0824_mljar_05263_copy.py  # 메인 모델링 코드
data/
├── train/train.csv                      # 훈련 데이터
├── test/TEST_*.csv                      # 테스트 데이터
└── sample_submission.csv                # 제출 형식

🚀 Usage

# 의존성 설치
pip install mljar-supervised pandas numpy

# 모델 훈련 및 예측 실행
python script/dongwoo/0824_mljar_05263_copy.py