CN109978198B - 一种基于大数据及ai技术的候餐时长实时预估系统 - Google Patents

一种基于大数据及ai技术的候餐时长实时预估系统 Download PDF

Info

Publication number
CN109978198B
CN109978198B CN201910252658.4A CN201910252658A CN109978198B CN 109978198 B CN109978198 B CN 109978198B CN 201910252658 A CN201910252658 A CN 201910252658A CN 109978198 B CN109978198 B CN 109978198B
Authority
CN
China
Prior art keywords
time
module
data
queuing
wireless communication
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.)
Active
Application number
CN201910252658.4A
Other languages
English (en)
Other versions
CN109978198A (zh
Inventor
刘胜涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shishi Tongyun Technology (Chengdu) Co., Ltd.
Original Assignee
Shishi Tongyun Technology Chengdu Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shishi Tongyun Technology Chengdu Co ltd filed Critical Shishi Tongyun Technology Chengdu Co ltd
Priority to CN201910252658.4A priority Critical patent/CN109978198B/zh
Publication of CN109978198A publication Critical patent/CN109978198A/zh
Priority to PCT/CN2020/080717 priority patent/WO2020199961A1/zh
Application granted granted Critical
Publication of CN109978198B publication Critical patent/CN109978198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems

Abstract

本发明涉及时长预估技术领域，尤其涉及一种基于大数据及AI技术的候餐时长实时预估系统，包括用于数据存储与传输的云数据库，与云数据库通过第一无线通信模块进行无线通信的用于构件顾客就餐特征向量的特征数据构件模块，与云数据库通过第二无线通信模块进行无线通信的用于训练店铺排队等待时长预估算法的模型训练模块，与云数据库通过第三无线通信模块进行无线通信的用于将预估时间传达给客户的预估时间传达模块，与特征数据构件模块相连的用于采集数据的数据采集模块；本发明所提供的技术方案能够有效克服现有技术所存在的不具有特征数据构建分析功能，预估结果不准确，实时性较差，且预估结果传达方式较为单一的缺陷。

Description

一种基于大数据及AI技术的候餐时长实时预估系统
技术领域
本发明涉及时长预估技术领域，尤其涉及一种基于大数据及AI技术的候餐时长实时预估系统。
背景技术
随着社会经济的发展和人们生活水平的提高，越来越多的人乐于去餐厅和饭店就餐，但是长期以来一直困扰大家的一个问题就是，当我们去比较火爆的餐厅就餐时，往往需要排队，但又不能准确的知道还需要等多久，以至于排队体验很差，如果在开始排队的时候就能够准确的知道还需要等多久的话，那么排队的人就可以先去做自己想做的事，等到到了自己用餐的时候再过来就餐，而不必一直在那等着，而传统的等待时长预估方法不具有特征数据构建分析功能，预估结果不准确，实时性较差，且预估结果传达方式较为单一，因此，研发一种基于大数据及AI技术的候餐时长实时预估系统是解决上述问题的关键所在。
在申请公布号为CN 103473345 A，申请公布日为2013.12.25的发明专利中公开了一种预估时长的方法，包括：获取分布式系统中待执行任务的等待时长和执行待执行任务的执行时长；一个任务的等待时长为当前时间与一个任务的执行开始时间之间的间隔时长，一个任务的执行时长为一个任务的执行开始时间与执行结束时间之间的间隔时长；根据待执行任务的等待时长和待执行任务的执行时长，获得待执行任务的剩余时长，一个任务的剩余时长为当前时间与一个任务的执行结束时间之间的间隔时长。应用该发明方法可以获得待执行任务的剩余时长，即获得当前时间与待执行任务的执行结束时间之间的间隔时长，从而能够方便后续的资源调度或其他任务的安排。
但这种预估时长的方法不具有特征数据构建分析功能，预估结果不准确，实时性较差，且预估结果传达方式较为单一。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种基于大数据及AI技术的候餐时长实时预估系统，能够有效克服现有技术所存在的不具有特征数据构建分析功能，预估结果不准确，实时性较差，且预估结果传达方式较为单一的缺陷。
(二)技术方案
为了实现上述目的，本发明通过以下技术方案予以实现：
一种基于大数据及AI技术的候餐时长实时预估系统，包括用于数据存储与传输的云数据库，与所述云数据库通过第一无线通信模块进行无线通信的用于构件顾客就餐特征向量的特征数据构件模块，与所述云数据库通过第二无线通信模块进行无线通信的用于训练店铺排队等待时长预估算法的模型训练模块，与所述云数据库通过第三无线通信模块进行无线通信的用于将预估时间传达给客户的预估时间传达模块，与所述特征数据构件模块相连的用于采集数据的数据采集模块。
优选的，所述第一无线通信模块、第二无线通信模块、第三无线通信模块均采用GPRS模块。
优选的，所述特征数据构件模块包括排在前面的人数n、排在当天之前的店铺顾客平均等待时长t1、排在当天的店铺顾客平均排队等待时长t2、店铺历史平均就餐时长t3、当前就餐顾客平均就餐时长t4。
优选的，所述预估时间传达模块包括网络查询模块、屏幕显示模块、短信发送模块。
优选的，所述数据采集模块包括顾客开始排队的时间节点、顾客排队结束的时间节点、顾客开始就餐的时间节点、顾客就餐结束的时间节点。
优选的，所述模型训练模块使用的算法选择xgboost算法。
(三)有益效果
与现有技术相比，本发明提供了一种基于大数据及AI技术的候餐时长实时预估系统，具有以下有益效果：
第一，可以利用数据采集模块采集对于构建排队等待时长预估系统有用的数据，具体包括顾客开始排队的时间节点、顾客排队结束的时间节点、顾客开始就餐的时间节点、顾客就餐结束的时间节点，并根据采集到的数据构建每个顾客的一下特征数据，使得数据更新具有实时性，从而使得基于大数据及AI技术的候餐时长实时预估系统具有实时性，提高了预估时间的准确性；
第二，利用特征数据构件模块构件顾客就餐的特征向量，特征数据构件模块包括排在前面的人数n、排在当天之前的店铺顾客平均等待时长t1、排在当天的店铺顾客平均排队等待时长t2、店铺历史平均就餐时长t3、当前就餐顾客平均就餐时长t4，对于任意已经排过队的顾客我们可以构建他们在对应餐厅的特征向量为(n,t1,t2,t3,t4)以及他们对应的排队等待时长t，也可以根据实际情况增加或者减少特征，使得基于大数据及AI技术的候餐时长实时预估系统具有构件顾客就餐的特征向量的功能，进一步提高了预估时间的准确性；
第三，利用模型训练模块训练店铺排队等待时长预估算法，当一个店铺的历史排队数据超过一定量初步定为300条，也可根据实际使用效果确定，便可以使用这些排队数据，具体为构建的特征及对应的等待时长来训练该店铺的排队等待时长预估算法，根据实际情况选择使用xgboost算法，使得基于大数据及AI技术的候餐时长实时预估系统具有训练店铺排队等待时长预估算法的功能，使得模型更加精确；
第四，不停的实时采集数据来计算排在前面的人数n，排在当天的店铺顾客平均排队等待时长t2,当前就餐顾客平均就餐时长t4这三个特征数据，并与t1、t3一起重新输入到训练好的xgboost模型中得出新的预测时长；使得基于大数据及AI技术的候餐时长实时预估系统实时性进一步提高，预估数据更加精确；
第五，排队等待时长预估时间传达给顾客，包括网络查询模块、屏幕显示模块、短信发送模块，可以通过每隔五分钟给顾客发一次短信的形式将实时预测出的数据传达给用户，也可以通过电子显示屏的形式将实时预测数据在显示屏上边滚动播放，且可以让顾客通过店铺网页查询实时预估时间数据，使得基于大数据及AI技术的候餐时长实时预估系统的数据传达方式更加多样化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明系统结构示意图；
图2为本发明的特征数据构件模块的结构示意图；
图3为本发明的预估时间传达模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于大数据及AI技术的候餐时长实时预估系统，如图1至图3所示，包括用于数据存储与传输的云数据库，与云数据库通过第一无线通信模块进行无线通信的用于构件顾客就餐特征向量的特征数据构件模块，与云数据库通过第二无线通信模块进行无线通信的用于训练店铺排队等待时长预估算法的模型训练模块，与云数据库通过第三无线通信模块进行无线通信的用于将预估时间传达给客户的预估时间传达模块，与特征数据构件模块相连的用于采集数据的数据采集模块。
具体的，第一无线通信模块、第二无线通信模块、第三无线通信模块均采用GPRS模块；特征数据构件模块包括排在前面的人数n、排在当天之前的店铺顾客平均等待时长t1、排在当天的店铺顾客平均排队等待时长t2、店铺历史平均就餐时长t3、当前就餐顾客平均就餐时长t4；预估时间传达模块包括网络查询模块、屏幕显示模块、短信发送模块；数据采集模块包括顾客开始排队的时间节点、顾客排队结束的时间节点、顾客开始就餐的时间节点、顾客就餐结束的时间节点；模型训练模块使用的算法选择xgboost算法。
使用时，可以将基于大数据及AI技术的候餐时长实时预估系统分为五步进行，分别为：
第一步，数据采集，可以利用数据采集模块采集对于构建排队等待时长预估系统有用的数据，具体包括顾客开始排队的时间节点、顾客排队结束的时间节点、顾客开始就餐的时间节点、顾客就餐结束的时间节点，并根据采集到的数据构建每个顾客的一下特征数据，使得数据更新具有实时性，从而使得基于大数据及AI技术的候餐时长实时预估系统具有实时性，提高了预估时间的准确性；
第二步，特征构建，利用特征数据构件模块构件顾客就餐的特征向量，特征数据构件模块包括排在前面的人数n、排在当天之前的店铺顾客平均等待时长t1、排在当天的店铺顾客平均排队等待时长t2、店铺历史平均就餐时长t3、当前就餐顾客平均就餐时长t4；排在当天之前的店铺顾客平均等待时长t1,即为根据排队当天之前历史数据计算出来的在此商户排队过的顾客的平均排队等待时长t1，如果历史数据中有三个顾客曾在此店铺排过队，而他们的排队等待时长分别为t11、t12、t13，则排在当天之前的店铺顾客平均等待时长t1可表示为(t11+t12+t13)/3；排在当天的店铺顾客平均排队等待时长t2，即为根据排队当天商户排队数据计算出来的当天顾客平均排队等待时长，如果一个顾客过来排队时，当天在他之前曾有三个顾客在此店铺排过队，而他们的排队等待时长分别为t21、t22、t23，则排在当天的店铺顾客平均排队等待时长t2可表示为(t21+t22+t23)/3；店铺历史平均就餐时长t3，即为排队当天之前所有在此店铺就过餐的人的平均就餐时长，假如排队当天之前有三个人曾在此店铺就过餐，他们的就餐时长分别为t31、t32、t33，则店铺历史平均就餐时长t3可表示为(t31+t32+t33)/3；当前就餐顾客平均就餐时长t4，即为当某一顾客到达排队时，当前正在就餐的顾客目前已经用餐的平均时长，假如当一个顾客到达一个店铺排队时，此时正在用餐的顾客有三个人，他们分别已经用餐时长为t41、t42、t43，则当前就餐顾客平均就餐时长t4可表示为(t41+t42+t43)/3；则对于任意已经排过队的顾客我们可以构建他们在对应餐厅的特征向量为(n,t1,t2,t3,t4)以及他们对应的排队等待时长t，也可以根据实际情况增加或者减少特征，使得基于大数据及AI技术的候餐时长实时预估系统具有构件顾客就餐的特征向量的功能，进一步提高了预估时间的准确性；
第三步，模型训练，利用模型训练模块训练店铺排队等待时长预估算法，当一个店铺的历史排队数据超过一定量初步定为300条，也可根据实际使用效果确定，便可以使用这些排队数据，具体为构建的特征及对应的等待时长来训练该店铺的排队等待时长预估算法，根据实际情况选择使用xgboost算法，使得基于大数据及AI技术的候餐时长实时预估系统具有训练店铺排队等待时长预估算法的功能，使得模型更加精确；
第四步，数据的实时采集及排队等待时长的预估，当一个顾客到该店铺来排队时我们便可以立即计算出该顾客的特征数据(n,t1,t2,t3,t4)并输入到训练好的xgboost模型中计算出该顾客需要等待时间；但此时并没有结束，因为此时预估出来的只是该顾客在当时正常情况下可能需要等待的时长，但并不知道后面是否会有突发情况，如果后面排在前边的人突然有事离开或者当时就餐的人突然离开或吃的比平常快等这些情况都会大大减少此排队的人可能需要等待的时长，从而导致我们根据先前特征数据预测的等待时长不准；因此需要不停的实时采集数据来计算排在前面的人数n，排在当天的店铺顾客平均排队等待时长t2,当前就餐顾客平均就餐时长t4这三个特征数据，并与t1、t3一起重新输入到训练好的xgboost模型中得出新的预测时长；使得基于大数据及AI技术的候餐时长实时预估系统实时性进一步提高，预估数据更加精确；
第五步，排队等待时长预估时间传达给顾客，包括网络查询模块、屏幕显示模块、短信发送模块，可以通过每隔五分钟给顾客发一次短信的形式将实时预测出的数据传达给用户，也可以通过电子显示屏的形式将实时预测数据在显示屏上边滚动播放，且可以让顾客通过店铺网页查询实时预估时间数据，使得基于大数据及AI技术的候餐时长实时预估系统的数据传达方式更加多样化。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于大数据及AI技术的候餐时长实时预估系统，其特征在于：包括用于数据存储与传输的云数据库，与所述云数据库通过第一无线通信模块进行无线通信的用于构件顾客就餐特征向量的特征数据构件模块，与所述云数据库通过第二无线通信模块进行无线通信的用于训练店铺排队等待时长预估算法的模型训练模块，与所述云数据库通过第三无线通信模块进行无线通信的用于将实时预测得到的预估时间传达给客户的预估时间传达模块，与所述特征数据构件模块相连的用于采集数据的数据采集模块；
所述特征数据构件模块包括排在前面的人数n、排在当天之前的店铺顾客平均等待时长t1、排在当天的店铺顾客平均排队等待时长t2、店铺历史平均就餐时长t3、当前就餐顾客平均就餐时长t4；
其中，t1为根据排队当天之前历史数据计算出的在商户排队过的顾客的平均排队等待时长，t2为根据排队当天商户排队数据计算出的当天顾客平均排队等待时长；
在排队过程中，实时采集数据计算n、t2和t4，并与t1和t3一起重新输入至训练后的店铺排队等待时长预估算法中得到新的预估时间。
2.根据权利要求1所述的基于大数据及AI技术的候餐时长实时预估系统，其特征在于：所述第一无线通信模块、第二无线通信模块、第三无线通信模块均采用GPRS模块。
3.根据权利要求1所述的基于大数据及AI技术的候餐时长实时预估系统，其特征在于：所述预估时间传达模块包括网络查询模块、屏幕显示模块、短信发送模块。
4.根据权利要求1所述的基于大数据及AI技术的候餐时长实时预估系统，其特征在于：所述数据采集模块包括顾客开始排队的时间节点、顾客排队结束的时间节点、顾客开始就餐的时间节点、顾客就餐结束的时间节点。
5.根据权利要求1所述的基于大数据及AI技术的候餐时长实时预估系统，其特征在于：所述模型训练模块使用的算法选择xgboost算法。
CN201910252658.4A 2019-03-29 2019-03-29 一种基于大数据及ai技术的候餐时长实时预估系统 Active CN109978198B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910252658.4A CN109978198B (zh) 2019-03-29 2019-03-29 一种基于大数据及ai技术的候餐时长实时预估系统
PCT/CN2020/080717 WO2020199961A1 (zh) 2019-03-29 2020-03-23 候餐时长实时预估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910252658.4A CN109978198B (zh) 2019-03-29 2019-03-29 一种基于大数据及ai技术的候餐时长实时预估系统

Publications (2)

Publication Number Publication Date
CN109978198A CN109978198A (zh) 2019-07-05
CN109978198B true CN109978198B (zh) 2021-11-26

Family

ID=67081917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910252658.4A Active CN109978198B (zh) 2019-03-29 2019-03-29 一种基于大数据及ai技术的候餐时长实时预估系统

Country Status (2)

Country Link
CN (1) CN109978198B (zh)
WO (1) WO2020199961A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978198B (zh) * 2019-03-29 2021-11-26 时时同云科技(成都)有限责任公司 一种基于大数据及ai技术的候餐时长实时预估系统
CN111369326B (zh) * 2020-03-16 2023-05-23 湖南大学 “拼时间”餐饮管理系统
CN111862438B (zh) * 2020-07-03 2022-02-25 美味不用等（上海）信息科技股份有限公司 餐厅智能叫号排队方法与系统
CN113489851A (zh) * 2021-07-02 2021-10-08 拉卡拉支付股份有限公司 信息提示方法、装置、电子设备、存储介质及程序产品
CN114051057B (zh) * 2021-11-01 2023-11-03 北京百度网讯科技有限公司 云设备排队时长的确定方法、装置、电子设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110136A (zh) * 2007-04-24 2008-01-23 暨南大学 一种智能排队叫号系统
CN105303019A (zh) * 2014-07-14 2016-02-03 富士通株式会社 事件预测方法和事件预测设备
CN108647827A (zh) * 2018-05-15 2018-10-12 北京三快在线科技有限公司 商户排队时长的预测方法、装置、电子设备及存储介质
CN109087435A (zh) * 2018-08-13 2018-12-25 中国联合网络通信集团有限公司 排队时间的预测方法及排队系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102479400A (zh) * 2010-11-24 2012-05-30 王军 一种用餐排队系统
CN103985186B (zh) * 2014-05-28 2016-10-19 南京亿栋信息科技有限公司 一种用于排队机的等待时间预测方法
US20180121875A1 (en) * 2015-01-05 2018-05-03 Amazon Technologies, Inc. Delivery prediction automation and risk mitigation
CN105184944A (zh) * 2015-08-19 2015-12-23 吴昊 一种餐馆排队信息查询方法、装置及系统
JP7080578B2 (ja) * 2016-11-18 2022-06-06 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
CN108091029A (zh) * 2017-11-27 2018-05-29 深圳市赛亿科技开发有限公司 餐厅排号管理方法及系统
CN109242152A (zh) * 2018-08-16 2019-01-18 重阳健康数据技术（深圳）有限责任公司 一种智能就诊方法及系统
CN109214612A (zh) * 2018-11-20 2019-01-15 广东机场白云信息科技有限公司 一种基于xgboost机场客流量时空分布预测方法
CN109978198B (zh) * 2019-03-29 2021-11-26 时时同云科技(成都)有限责任公司 一种基于大数据及ai技术的候餐时长实时预估系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110136A (zh) * 2007-04-24 2008-01-23 暨南大学 一种智能排队叫号系统
CN105303019A (zh) * 2014-07-14 2016-02-03 富士通株式会社 事件预测方法和事件预测设备
CN108647827A (zh) * 2018-05-15 2018-10-12 北京三快在线科技有限公司 商户排队时长的预测方法、装置、电子设备及存储介质
CN109087435A (zh) * 2018-08-13 2018-12-25 中国联合网络通信集团有限公司 排队时间的预测方法及排队系统

Also Published As

Publication number Publication date
CN109978198A (zh) 2019-07-05
WO2020199961A1 (zh) 2020-10-08

Similar Documents

Publication Publication Date Title
CN109978198B (zh) 一种基于大数据及ai技术的候餐时长实时预估系统
TWI615792B (zh) 會話內容合倂方法和系統
CN104008594B (zh) 一种排队方法及服务器
CN102300012A (zh) 呼叫中心中的一对一匹配
CN101441660A (zh) 问答社区内知识评价系统及方法
CN102223453A (zh) 高性能无队列呼叫中心
CN105300398B (zh) 获取地点信息的方法、装置和系统
CA3126927A1 (en) Selectively prompting matched individuals to initiate an in-person meeting
CN111639988A (zh) 经纪人推荐方法、装置、电子设备和存储介质
CN107659627B (zh) 健身数据同步方法、装置、终端、器材、服务器及存储介质
CN101465752A (zh) 一种联系人排序方法及系统
CN111080234A (zh) 启发式对话招聘方法及系统
CN108320205A (zh) 一种适用于餐厅的智能调度系统及方法
WO2021129531A1 (zh) 一种资源分配方法、装置、设备、存储介质及计算机程序
CN104917812B (zh) 一种应用于群智计算的服务节点选择方法
CN108319722B (zh) 数据访问方法、装置、电子设备及计算机可读存储介质
CN112163686B (zh) 一种g/g/1排队系统的等待响应时间置信区间预测方法和装置
CN113627972A (zh) 数据处理方法、装置、电子设备及可读存储介质
CN109740071B (zh) 一种基于时空约束的位置搜索与推荐方法
Li et al. When user interest meets data quality: A novel user filter scheme for mobile crowd sensing
CN106528849B (zh) 面向完整历史记录的图查询开销方法
CN110232459A (zh) 基于云计算的服务预约系统
CN111291957A (zh) 生成客服调度信息的方法及装置、电子设备、存储介质
Mo et al. A framework of fine-grained mobile sensing data collection and behavior analysis in an energy-configurable way
CN110943875A (zh) 用户网络关系确定方法、基于网络的用户相互关系确定方法及相关装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190919

Address after: 610000 Sichuan Province Chengdu High-tech Zone Tianfu Avenue Middle Section 1268 1 Building 4 Floor 24

Applicant after: Shishi Tongyun Technology (Chengdu) Co., Ltd.

Address before: 610000 Chengdu China (Sichuan) Free Trade Pilot Area, Chengdu, Sichuan Province, 1268 Tianfu Avenue Middle Section, Chengdu High-tech Zone, 1 Building, 3 Floors, 18-21

Applicant before: Keruyun Technology (Chengdu) Co., Ltd.

GR01 Patent grant
GR01 Patent grant