CN108364092A - 一种基于深度学习的餐饮业菜品销量预测方法 - Google Patents
一种基于深度学习的餐饮业菜品销量预测方法 Download PDFInfo
- Publication number
- CN108364092A CN108364092A CN201810082707.XA CN201810082707A CN108364092A CN 108364092 A CN108364092 A CN 108364092A CN 201810082707 A CN201810082707 A CN 201810082707A CN 108364092 A CN108364092 A CN 108364092A
- Authority
- CN
- China
- Prior art keywords
- holidays
- festivals
- sales volume
- vegetable
- day
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 95
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000003203 everyday effect Effects 0.000 claims abstract description 25
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000003442 weekly effect Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 7
- 239000007787 solid Substances 0.000 abstract 1
- 235000013305 food Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的餐饮业菜品销量预测方法，该方法将销量数据按销量所属日期进行数据划分，分别建立了普通工作日和节假日销量预测模型。当对菜品销量进行预测时，采用普通工作日销量预测模型进行未来普通工作日销量的预测，而节假日期间菜品销量采用节假日销量预测模型来预测。本发明方法在非线性数据与节假日期间预测均表现良好，有更为精确的预测能力和较强的鲁棒性，能够更为全面的反映出菜品销量的规律与特征。该预测模型能够为企业采购者采购物料提供有力的参考依据，有很强的应用价值。
Description
技术领域
本发明涉及餐饮管理领域，尤其涉及一种基于深度学习对餐饮业的菜品销量进行预测的方法。
背景技术
随着世界经济的逐渐繁荣，餐饮业在近几十年也飞速发展，各种连锁店、餐厅层出不穷。同时，科技的发展使得餐饮业的智能化转型已是大势所趋。智能点餐、菜品推荐、线上支付等智能化工具的出现，让餐饮行业的竞争已不再局限于价格竞争与产品质量竞争，“智能化”也成为餐饮业竞争的重要因素。近年来，互联网和信息技术的飞速发展，使得各个领域的运营数据急剧增加，在商业领域表现尤为明显。商业智能的提出，使得企业运营数据具有很高的商业价值，企业可以从海量数据中挖掘潜在有用信息，为客户提供更好的服务，为企业创造更大的利润。
销量预测是指根据以往的销售情况以及使用系统内部内置或用户自定义的销售预测模型获得对未来销售情况的预测。销量的准确预测与企业利润息息相关。在餐饮行业门店经营过程中，物料的准备至关重要，对于物料保鲜性要求较高的餐饮企业尤甚。食品销量预测少于客户需求，会影响客户消费体验，造成企业潜在利润损失。而过多的预测会造成食品积压。而目前多数企业采用人工采购方式，库管人员依据自身经验采购物料，难免造成物料储备不当而导致企业的经营损失。由此可见，物料的准确储备，能够降低企业的盈利损失，节约经营成本。因此，利用企业历史营业数据，准确的预测未来短期内物料的消耗，能够为采购人员储备物料提供有力的依据，助其做出正确决策。餐饮菜品销量数据具有明显的时序特征，对于时序数据的准确预测一直是研究人员关注的对象。时间序列的预测方法有多种，传统的预测方
法包括回归方法，指数平滑法、自回归滑动平均模型(ARMA)等。机器学习作为常用的分析算法，也被应用于销量预测的研究中。近年，深度学习技术不断发展，已出现了多种神经网络结构用于序列数据的研究中，如循环神经网络(RNN)及其变体长短期记忆网络(LSTM)等。
传统的预测模型能够较为准确的预测线性序列，而对于非线性序列拟合不佳。同时，将节假日与普通工作日等同对待，致使在节假日期间，菜品销量预测数据低于节假日销量的真实数据，预测精度下降。
发明内容
本发明的目的在于提供一种基于深度学习对餐饮业的菜品销量预测方法，解决了传统方法对于非线性序列数据拟合不佳，同时对节假日数据与普通工作日数据无区别对待，以以往与节假日日期相同工作日的历史数据对节假日期间菜品销量进行预测导致预测精度下降的问题。
为实现上述目的本发明采用以下技术方案：
基于深度学习对餐饮业的菜品销量进行预测，包括如下步骤：
原始数据序列为菜品每天销量数据，根据销量日期所属工作日，将原始数据序列划分为普通工作日销量序列和节假日销量序列；其中普通工作日序列包含了周一销量数据至周天销量数据7个序列数据，节假日销量数据包含了14个节假日数据序列；
对于普通工作日销量的预测采用了深度学习中的长短期记忆网络(LSTM)模型，模型包含输入层、隐藏层与输出层，隐藏层由2个LSTM层组成，均采用tanh作为层级激活函数，输出层为全连接层，采用sigmoid激活函数，模型的输入为一个工作日菜品销量的历史数据，输出为下一个相同工作日的销量预测值；
由于不同节假日销量数据变化幅度不满足相同规律，根据节假日统计信息，对各个节假日进行了细致分析，按照节假日假期天数将节假日分为3类：
A：元旦节、清明节、劳动节、端午节；
B：春节、国庆节；
C：非法定节假日。
由于时间节点较近的节假日可能有假期的重叠，并且节假日数据量较少，节假日期间，菜品销量波动较大，但是相同节假日期间菜品总销量较为稳定，因此预测A、B两类节假日菜品销量分为两部分：首先预测节假日期间菜品销售总量，利用节假日前夕的数据与节假日期间总销量的关系进行预测，MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元，模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例，相同节假日销售总量共有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，第二步根据历史节假日销售数据，为假期中的每一天分配权重，可得到假期中每天销量预测值；
C类节假日的销量预测也包含两个过程；第一步将C类节假日作为普通工作日进行销量预测，预测方法采用普通工作日菜品销量预测方法；第二步是根据历史节假日销量数据与节假日相同工作日的销量数据预测销量增幅，两者相加得到C类节假日的预测值。
作为本案发明进一步方案，普通工作日销量的具体实施方法为：假定有菜品D在时间段2015-01-01(周四)至2017-01-01(周天)的销售数据O＝(s1,s2,s3,……,sn)；
其中si代表菜品D在该时间段内第i天的销量，根据销量所属日期的工作日和节假日日期进行数据划分，菜品销量s1所属日期为星期四，则s1属于星期四菜品销量序列，s2则属于星期五菜品销量序列，当销量所属日期在节假日期间时，不将该销量数据添加进对应的普通工作日序列中，而将其添加到对应的节假日序列；
经划分后普通工作日历史销量数据如下：
周一销量数据：Mon_S＝(s5,s12,……,s5+7×j)；
周二销量数据：Tue_S＝(s6,s13,……,s6+7×j)；
周三销量数据：Wed_S＝(s7,s14,……,s7+7×j)；
周四销量数据：Thu_S＝(s1,s8,……,thu1+7×j)；
周五销量数据：Fri_S＝(s2,s9,……,s2+7×j)；
周六销量数据：Sat_S＝(s3,s10,……,s3+7×j)；
周天销量数据：Sun_S＝(s4,s11,……,s4+7×j)；
将上述不同工作日的历史销量数据作为普通工作日销量模型的输入，通过反向传播算法训练模型，每一个工作日都能得到一组模型参数，当销量预测日期为周一时，采用周一销量数据训练出来的模型参数，以此类推。
作为本案发明进一步方案，对于3类节假日销量预测均包含两个过程，A、B类节假日利用节假日前夕的数据与节假日期间总销量的关系进行预测；取节假日前夕多周销量S＝(Wi,Wi+1,…,Wi+t)，其中t代表所取周数量，Wi表示完整周销量；模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例；MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元；利用S作为模型输入采用反向传播算法不断训练；相同节假日销售总量共有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，记为Po；然后根据节假日期间历史销量数据，对于节假日期间每一天分配不同的权重(w1,w2,…,wN)，最终可根据：
(P1,P2,…,PN)＝Po×(w1,w2,…,wN)
得到节假日期间每一天的菜品销量预测值，其中N代表节假日假期天数；当待预测日期属于A、B类节假日时，采用上述过程获得预测销量数据；
C类节假日首先采用上述普通工作日预测方法将C类节假日作为普通工作日进行销量预测，记预测值为Po；C类节假日中销量增幅预测采用MLP模型进行预测，训练方法亦采用反向传播算法；记节假日当天菜品销量为Sh，
模型的输入向量为与C类节假日相同工作日的销量值S，输出向量为销量(Sh-S)增幅占销量S的百分比a；则预测值为：
P＝Po+(S+a)。
与现有技术相比，本发明具有以下优点：1)在菜品销量预测中，菜品种类多样，同时包含线性数据与非线性数据。普通工作日菜品销量预测倘若使用传统的线性预测模型对于非线性数据的预测不佳，而我们的模型不仅能够在线性数据中有颇好的预测能力，同时也能够满足对销量数据呈现非线性趋势的菜品的预测要求，相较传统的回归方法、ARMA和Xgboost模型，预测准确率也有显著提高。
2)将节假日销量从原始数据序列中分割出来，对不同种类的节假日进行细致分析并采用不同的模型进行预测，能够弥补以往在销量预测中对于节假日销量数据处理不合理的缺陷，完整的挖掘销量数据的趋势特征，提高节假日菜品销量预测的准确率。
3)本方法适用于某些餐饮企业销售预测中，可以为企业库管人员提供采购依据，能够解决采购人员仅依靠自身经验备货不当的问题，从而降低企业的经营损失。
附图说明
图1是本发明方法实例在普通工作日期间，采用本发明方法与ARMA和Xgboost方法9种菜品的预测结果对比图。
图2是本发明方法实例在A、B类节假日期间，采用本发明方法与ARMA和Xgboost方法10种菜品的预测结果对比图。
图3是本发明方法实例在C类节假日期间，采用本发明方法与ARMA和Xgboost方法9种菜品的预测结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细阐述。
一种基于深度学习对餐饮业的菜品销量进行预测的方法，包括如下步骤：
原始数据序列为菜品每天销量数据，根据销量日期所属工作日，将原始数据序列划分为普通工作日销量序列和节假日销量序列；其中普通工作日序列包含了周一销量数据至周天销量数据7个序列数据，节假日销量数据包含了14个节假日数据序列；
对于普通工作日销量的预测采用了深度学习中的长短期记忆网络(LSTM)模型，模型包含输入层、隐藏层与输出层，隐藏层由2个LSTM层组成，均采用tanh作为层级激活函数，输出层为全连接层，采用sigmoid激活函数，模型的输入为一个工作日菜品销量的历史数据，输出为下一个相同工作日的销量预测值；
由于不同节假日销量数据变化幅度不满足相同规律，根据节假日统计信息，对各个节假日进行了细致分析，按照节假日假期天数将节假日分为3类：
A：元旦节、清明节、劳动节、端午节；
B：春节、国庆节；
C：非法定节假日。
由于时间节点较近的节假日可能有假期的重叠，并且节假日数据量较少，节假日期间，菜品销量波动较大，但是相同节假日期间菜品总销量较为稳定，因此预测A、B两类节假日菜品销量分为两部分：首先预测节假日期间菜品销售总量，利用节假日前夕的数据与节假日期间总销量的关系进行预测，MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元，模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例，相同节假日销售总量共有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，第二步根据历史节假日销售数据，为假期中的每一天分配权重，可得到假期中每天销量预测值；
C类节假日的销量预测也包含两个过程；第一步将C类节假日作为普通工作日进行销量预测，预测方法采用普通工作日菜品销量预测方法；第二步是根据历史节假日销量数据与节假日相同工作日的销量数据预测销量增幅，两者相加得到C类节假日的预测值。
普通工作日销量的具体实施方法为：假定有菜品D在时间段2015-01-01(周四)至2017-01-01(周天)的销售数据O＝(s1,s2,s3,……,sn)；
其中si代表菜品D在该时间段内第i天的销量，根据销量所属日期的工作日和节假日日期进行数据划分，菜品销量s1所属日期为星期四，则s1属于星期四菜品销量序列，s2则属于星期五菜品销量序列，当销量所属日期在节假日期间时，不将该销量数据添加进对应的普通工作日序列中，而将其添加到对应的节假日序列；
经划分后普通工作日历史销量数据如下：
周一销量数据：Mon_S＝(s5,s12,……,s5+7×j)；
周二销量数据：Tue_S＝(s6,s13,……,s6+7×j)；
周三销量数据：Wed_S＝(s7,s14,……,s7+7×j)；
周四销量数据：Thu_S＝(s1,s8,……,thu1+7×j)；
周五销量数据：Fri_S＝(s2,s9,……,s2+7×j)；
周六销量数据：Sat_S＝(s3,s10,……,s3+7×j)；
周天销量数据：Sun_S＝(s4,s11,……,s4+7×j)；
将上述不同工作日的历史销量数据作为普通工作日销量模型的输入，通过反向传播算法训练模型，每一个工作日都能得到一组模型参数，当销量预测日期为周一时，采用周一销量数据训练出来的模型参数，以此类推。
对于3类节假日销量预测均包含两个过程，A、B类节假日利用节假日前夕的数据与节假日期间总销量的关系进行预测；取节假日前夕多周销量S＝(Wi,Wi+1,…,Wi+t)，其中t代表所取周数量，Wi表示完整周销量；模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例；MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元；利用S作为模型输入采用反向传播算法不断训练；相同节假日销售总量共有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，记为Po；然后根据节假日期间历史销量数据，对于节假日期间每一天分配不同的权重(w1,w2,…,wN)，最终可根据：
(P1,P2,…,PN)＝Po×(w1,w2,…,wN)；
得到节假日期间每一天的菜品销量预测值，其中N代表节假日假期天数；当待预测日期属于A、B类节假日时，采用上述过程获得预测销量数据；
C类节假日首先采用上述普通工作日预测方法将C类节假日作为普通工作日进行销量预测，记预测值为Po；C类节假日中销量增幅预测采用MLP模型进行预测，训练方法亦采用反向传播算法；记节假日当天菜品销量为Sh，模型的输入向量为与C类节假日相同工作日的销量值S，输出向量为销量(Sh-S)增幅占销量S的百分比a；则预测值为：
P＝Po+(S+a)。
从上述过程可以看出，本发明在销量预测过程中，依预测日期的不同情况，使用不同的预测方法。在普通工作日的销量预测中，采用了深度学习中的长短期记忆网络(LSTM)模型，预测准确率较高。在节假日销量预测中，节假日数据量较少且节假日期间菜品销量变化幅度较大，我们根据历史数据首先对节假日期间菜品总销量进行预测，然后根据节假日期间每一天特征进行权重分配，规避了直接进行单天预测精度低的问题。因此本发明基于深度学习的短期菜品销量预测方法满足对预测精度的要求。
图1为普通工作日销量预测结果所示，由于菜品较多，在每一类菜品中分别随机选取一些菜品进行预测结果的展示。图中的数据点只包含普通工作日数据，不包含节假日数据。图1中展示了我们的模型与ARMA、Xgboost的普通工作日销量预测对比结果。从折线图中可以明显看出，我们的模型对销量的预测更加精确。这不仅仅体现在图中的9个菜品，对于所有菜品基本都呈现这一趋势。
图2与图3分别展示了从所有菜品中随机选取的3个菜品在A、B类节假日和C类节假日的预测结果。从图2中可以看出，A、B类节假日菜品销量与相同工作日销量相比有明显的上升趋势，使用ARMA与Xgboost方法的预测结果较真实销量明显偏低。图3中虽然并非所有C类节假日销量都呈现上升趋势，而且不同菜品在相同节假日所呈现出升降趋势也有所不同，但是从两图中看出对于大多数菜品而言，采用我们的方法进行节假日销量预测，其准确率显著提高。
本发明方法详细考虑了菜品销量与其所属日期之间的关系，将原始序列数据根据日期特性划分为不同的销量数据并采用不同的方法进行销量的预测。使用本发明方法做菜品销量的预测有更强的适用性，并且能得到更加精确的预测结果。
以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (3)
1.一种基于深度学习对餐饮业菜品销量进行预测的方法，其特征在于，包括如下步骤：
原始数据序列为菜品每天销量数据，根据销量日期所属工作日，将原始数据序列划分为普通工作日销量序列和节假日销量序列；其中普通工作日序列包含了周一销量数据至周天销量数据7个序列数据，节假日销量数据包含了14个节假日数据序列；
对于普通工作日销量的预测采用了深度学习中的长短期记忆网络(LSTM)模型，模型包含输入层、隐藏层与输出层，隐藏层由2个LSTM层组成，均采用tanh作为层级激活函数，输出层为全连接层，采用sigmoid激活函数，模型的输入为一个工作日菜品销量的历史数据，输出为下一个相同工作日的销量预测值；
由于不同节假日销量数据变化幅度不满足相同规律，根据节假日统计信息，对各个节假日进行了细致分析，按照节假日假期天数将节假日分为3类：
A：元旦节、清明节、劳动节、端午节；
B：春节、国庆节；
C：非法定节假日。
由于时间节点较近的节假日可能有假期的重叠，并且节假日数据量较少，节假日期间，菜品销量波动较大，但是相同节假日期间菜品总销量较为稳定，因此预测A、B两类节假日菜品销量分为两部分：首先预测节假日期间菜品销售总量，利用节假日前夕的数据与节假日期间总销量的关系进行预测，MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元，模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例，相同节假日销售总量共
有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，第二步根据历史节假日销售数据，为假期中的每一天分配权重，可得到假期中每天销量预测值；
C类节假日的销量预测也包含两个过程；第一步将C类节假日作为普通工作日进行销量预测，预测方法采用普通工作日菜品销量预测方法；第二步是根据历史节假日销量数据与节假日相同工作日的销量数据预测销量增幅，两者相加得到C类节假日的预测值。
2.根据权利要求1所述的一种基于深度学习对餐饮业的菜品销量预测方法，其特征在于，普通工作日销量的具体实施方法为：假定有菜品D在时间段2015-01-01(周四)至2017-01-01(周天)的销售数据O＝(s1,s2,s3,……,sn)；
其中si代表菜品D在该时间段内第i天的销量，根据销量所属日期的工作日和节假日日期进行数据划分，菜品销量s1所属日期为星期四，则s1属于星期四菜品销量序列，s2则属于星期五菜品销量序列，当销量所属日期在节假日期间时，不将该销量数据添加进对应的普通工作日序列中，而将其添加到对应的节假日序列；
经划分后普通工作日历史销量数据如下：
周一销量数据：Mon_S＝(s5,s12,……,s5+7×j)；
周二销量数据：Tue_S＝(s6,s13,……,s6+7×j)；
周三销量数据：Wed_S＝(s7,s14,……,s7+7×j)；
周四销量数据：Thu_S＝(s1,s8,……,thu1+7×j)；
周五销量数据：Fri_S＝(s2,s9,……,s2+7×j)；
周六销量数据：Sat_S＝(s3,s10,……,s3+7×j)；
周天销量数据：Sun_S＝(s4,s11,……,s4+7×j)；
将上述不同工作日的历史销量数据作为普通工作日销量模型的
输入，通过反向传播算法训练模型，每一个工作日都能得到一组模型参数，当销量预测日期为周一时，采用周一销量数据训练出来的模型参数，以此类推。
3.根据权利要求2所述的一种基于深度学习对餐饮业的菜品销量预测方法，其特征在于，对于3类节假日销量预测均包含两个过程，A、B类节假日利用节假日前夕的数据与节假日期间总销量的关系进行预测；取节假日前夕多周销量S＝(Wi,Wi+1,…,Wi+t)，其中t代表所取周数量，Wi表示完整周销量；模型的输入采用节假日前夕菜品每周销量，输出为菜品节假日总销量占输入比例；MLP输入层包含7个神经元，有2个隐藏层，输出层有1个神经元；利用S作为模型输入采用反向传播算法不断训练；相同节假日销售总量共有多个预测值，再对预测值取均值作为节假日期间菜品销售总量，记为Po；然后根据节假日期间历史销量数据，对于节假日期间每一天分配不同的权重(w1,w2,…,wN)，最终可根据：
(P1,P2,…,PN)＝Po×(w1,w2,…,wN)；
得到节假日期间每一天的菜品销量预测值，其中N代表节假日假期天数；当待预测日期属于A、B类节假日时，采用上述过程获得预测销量数据；
C类节假日首先采用上述普通工作日预测方法将C类节假日作为普通工作日进行销量预测，记预测值为Po；C类节假日中销量增幅预测采用MLP模型进行预测，训练方法亦采用反向传播算法；记节假日当天菜品销量为Sh，模型的输入向量为与C类节假日相同工作日的销量值S，输出向量为销量(Sh-S)增幅占销量S的百分比a；则预测值为：
P＝Po+(S+a)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810082707.XA CN108364092A (zh) | 2018-01-29 | 2018-01-29 | 一种基于深度学习的餐饮业菜品销量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810082707.XA CN108364092A (zh) | 2018-01-29 | 2018-01-29 | 一种基于深度学习的餐饮业菜品销量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108364092A true CN108364092A (zh) | 2018-08-03 |
Family
ID=63007229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810082707.XA Pending CN108364092A (zh) | 2018-01-29 | 2018-01-29 | 一种基于深度学习的餐饮业菜品销量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108364092A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360625A (zh) * | 2018-11-12 | 2019-02-19 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
| CN109559163A (zh) * | 2018-11-16 | 2019-04-02 | 广州麦优网络科技有限公司 | 一种基于机器学习的模型构建方法及销售预测方法 |
| CN109658154A (zh) * | 2018-12-25 | 2019-04-19 | 广州裕琪凌贸易有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
| CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易（杭州）网络有限公司 | 销量预测方法、介质、装置和计算设备 |
| CN109919710A (zh) * | 2019-01-25 | 2019-06-21 | 广州富港万嘉智能科技有限公司 | 一种自动生成商品采购清单的方法、电子设备及存储介质 |
| CN109978597A (zh) * | 2019-01-22 | 2019-07-05 | 广东工业大学 | 一种节假日效应下的商品销量预测方法 |
| CN110490635A (zh) * | 2019-07-12 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 商户菜品交易预测及备餐方法及装置 |
| CN110689163A (zh) * | 2019-08-16 | 2020-01-14 | 深圳市跨越新科技有限公司 | 一种节假日期间货量智能预测方法和系统 |
| CN111047067A (zh) * | 2018-10-12 | 2020-04-21 | 国家电投集团信息技术有限公司 | 一种实时日利润预测方法和系统 |
| CN111861303A (zh) * | 2020-06-09 | 2020-10-30 | 山东浪潮新世纪科技有限公司 | 一种彩票热敏纸分配方法、系统、终端及存储介质 |
| CN112132498A (zh) * | 2019-06-25 | 2020-12-25 | 北京沃东天骏信息技术有限公司 | 库存管理方法、装置、设备及存储介质 |
| CN112949886A (zh) * | 2019-12-11 | 2021-06-11 | 顺丰科技有限公司 | 业务量预测方法、装置、电子设备及存储介质 |
| CN113128932A (zh) * | 2021-04-16 | 2021-07-16 | 北京京东振世信息技术有限公司 | 仓库备货处理方法、装置、存储介质与电子设备 |
| CN115994785A (zh) * | 2023-01-09 | 2023-04-21 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
| CN117557289A (zh) * | 2023-11-20 | 2024-02-13 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及系统 |
-
2018
- 2018-01-29 CN CN201810082707.XA patent/CN108364092A/zh active Pending
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047067A (zh) * | 2018-10-12 | 2020-04-21 | 国家电投集团信息技术有限公司 | 一种实时日利润预测方法和系统 |
| CN109360625B (zh) * | 2018-11-12 | 2021-11-23 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
| CN109360625A (zh) * | 2018-11-12 | 2019-02-19 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
| CN109559163A (zh) * | 2018-11-16 | 2019-04-02 | 广州麦优网络科技有限公司 | 一种基于机器学习的模型构建方法及销售预测方法 |
| CN109658154A (zh) * | 2018-12-25 | 2019-04-19 | 广州裕琪凌贸易有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
| CN109658154B (zh) * | 2018-12-25 | 2022-10-14 | 山东浪潮新世纪科技有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
| CN109978597A (zh) * | 2019-01-22 | 2019-07-05 | 广东工业大学 | 一种节假日效应下的商品销量预测方法 |
| CN109919710A (zh) * | 2019-01-25 | 2019-06-21 | 广州富港万嘉智能科技有限公司 | 一种自动生成商品采购清单的方法、电子设备及存储介质 |
| CN109886747A (zh) * | 2019-02-22 | 2019-06-14 | 网易（杭州）网络有限公司 | 销量预测方法、介质、装置和计算设备 |
| CN112132498A (zh) * | 2019-06-25 | 2020-12-25 | 北京沃东天骏信息技术有限公司 | 库存管理方法、装置、设备及存储介质 |
| CN110490635A (zh) * | 2019-07-12 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 商户菜品交易预测及备餐方法及装置 |
| CN110689163A (zh) * | 2019-08-16 | 2020-01-14 | 深圳市跨越新科技有限公司 | 一种节假日期间货量智能预测方法和系统 |
| CN110689163B (zh) * | 2019-08-16 | 2022-06-17 | 深圳市跨越新科技有限公司 | 一种节假日期间货量智能预测方法和系统 |
| CN112949886A (zh) * | 2019-12-11 | 2021-06-11 | 顺丰科技有限公司 | 业务量预测方法、装置、电子设备及存储介质 |
| CN111861303A (zh) * | 2020-06-09 | 2020-10-30 | 山东浪潮新世纪科技有限公司 | 一种彩票热敏纸分配方法、系统、终端及存储介质 |
| CN113128932A (zh) * | 2021-04-16 | 2021-07-16 | 北京京东振世信息技术有限公司 | 仓库备货处理方法、装置、存储介质与电子设备 |
| CN113128932B (zh) * | 2021-04-16 | 2024-04-16 | 北京京东振世信息技术有限公司 | 仓库备货处理方法、装置、存储介质与电子设备 |
| CN115994785A (zh) * | 2023-01-09 | 2023-04-21 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
| CN115994785B (zh) * | 2023-01-09 | 2023-09-29 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
| CN117557289A (zh) * | 2023-11-20 | 2024-02-13 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及系统 |
| CN117557289B (zh) * | 2023-11-20 | 2024-04-16 | 大头(广州)软件技术有限公司 | 一种基于智能营销场景的餐饮数据建模方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108364092A (zh) | 一种基于深度学习的餐饮业菜品销量预测方法 | |
| Bapna et al. | Price formation and its dynamics in online auctions | |
| Dorich et al. | ToTEM II: An updated version of the Bank of Canada’s quarterly projection model | |
| Chen et al. | Sales forecasting using deep neural network and SHAP techniques | |
| Anisimov et al. | The model for determining rational inventory in occasional demand supply chains | |
| Indulkar | Time series analysis of cryptocurrencies using deep learning & fbprophet | |
| Aguilar-Palacios et al. | Causal quantification of cannibalization during promotional sales in grocery retail | |
| Mihajlović et al. | The importance of marketing instruments for market approach and operation of export companies | |
| Zvirgzdiņa et al. | Efficient consumer response (ECR) principles and their application in retail trade enterprises in Latvia | |
| Zhang et al. | Operational decisions and game analysis in the agricultural supply chain: invest or not? | |
| Pramongkit et al. | Productivity growth and learning potentials of Thai industry | |
| Li et al. | Diversification of activity as a component of adaptive strategic management of construction enterprise | |
| Filimonova et al. | Structural and Dynamic Modelling of the Regions’ Foreign Trade Profile Based on Graph Cluster Analysis | |
| Ur-Rehman et al. | Dcnn and lda-rf-rfe based short-term electricity load and price forecasting | |
| Nalbandyan | Internationalization strategies of Russian non-energy companies | |
| Guo et al. | Automatic Pricing and Replenishment Strategy for Vegetable Products Based on XGBoost and LSTM Prediction Models | |
| Xu et al. | Forecasting for products with short life cycle based on improved BASS model | |
| Liu et al. | Intelligent modeling of abnormal demand forecasting for medical consumables in smart city | |
| Rakhmanov et al. | Development of a customised model of integrated marketing communications for the economic well-being of the enterprise | |
| Sviderska et al. | Evaluation of innovation projects for cosmetics industry with multi-criteria methods | |
| Kavitha et al. | Sales Demand Forecasting for Retail Marketing Using XGBoost Algorithm | |
| Batkovskiy et al. | Dynamic model of optimal production control in a hysteretic behaviour of economic agents | |
| Liu et al. | Demand forecasting for footwear products using wavelet transform and Artificial Bee Colony algorithm optimized Polynomial Fitting | |
| Yoga et al. | ANALYSIS OF THE EFFECT OF PRACTICE AND SUPPLY CHAIN INTEGRATION ON OPERATIONAL PERFORMANCE OF SMEs IN MALANG CITY | |
| Yoga et al. | ANALYSIS OF THE EFFECT OF PRACTICE AND |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180803 |
|
| RJ01 | Rejection of invention patent application after publication |