CN112288530B - 资源共享智能就餐方法、装置、系统、介质和设备 - Google Patents

资源共享智能就餐方法、装置、系统、介质和设备 Download PDF

Info

Publication number
CN112288530B
CN112288530B CN202011192408.5A CN202011192408A CN112288530B CN 112288530 B CN112288530 B CN 112288530B CN 202011192408 A CN202011192408 A CN 202011192408A CN 112288530 B CN112288530 B CN 112288530B
Authority
CN
China
Prior art keywords
dining
user
dish
restaurant
sample data
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
CN202011192408.5A
Other languages
English (en)
Other versions
CN112288530A (zh
Inventor
卢旭
陈可洲
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202011192408.5A priority Critical patent/CN112288530B/zh
Publication of CN112288530A publication Critical patent/CN112288530A/zh
Application granted granted Critical
Publication of CN112288530B publication Critical patent/CN112288530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种资源共享智能就餐方法、装置、系统、介质和设备，包括：针对各餐厅各就餐位和菜品分别配置唯一编码，得到位置样本数据特征集和菜品样本数据特征集；接收用户的点餐指令；当用户的点餐指令为指定就餐位本店的点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择；向用户展示本店菜品信息，针对于用户所选择的他店菜品，基于指定就餐位的位置样本数据特征集和他店菜品的菜品样本数据特征集的相似度，确定就餐位是否可点他店的相应菜品。本发明能够有效提高顾客就餐效率和就餐公共资源利用率，并且能够给顾客提高更优质服务，有利于提高整个商业中心或商业片区餐厅的经营效率。

Description

资源共享智能就餐方法、装置、系统、介质和设备
技术领域
本发明涉及智能就餐技术领域，特别涉及一种资源共享智能就餐方法、装置、系统、介质和设备。
背景技术
随着社会的进步、计算机技术的飞速发展，信息技术的发展使得一切应用变的越来越有效率,用计算机代替手工的操作越来越多。随着经济的迅速发展,国民生活水平及质量迅速提高,餐饮行业也同样发展迅猛。但是随着信息自动化技术的普及,传统餐饮行业的点单模式的缺点日益凸显，例如：管理成本高、服务员工作效率低、漏单错单情况严重等。这些问题严重因想到了餐饮行业的整体形象并限制了其发展前景。智能点餐系统为造就了更好的就餐环境，提高顾客的满意程度，吸引更多顾客创造了条件，提高了餐饮业的自动化、信息化水平。
目前市面上的智能就餐系统的局限性比较高，研究的热点都集中在无人点单、快速结账和智能排号等几个方面，但顾客花费大量时间寻找空闲就餐位置或排队等号的现象并没有获得改善，而更多顾客在选择就餐地点时通常都带有目的性，故而宁愿选择等候也不愿选择人员较少的餐厅，这就导致了在就餐高峰期很多商业中心的热门餐厅门口都会挤满等待就餐位置的顾客，但同样也有一些餐厅的就餐位置是空闲的，这不仅浪费就顾客的时间也浪费了公共资源。漫长的等待也会影响顾客的就餐心情，甚至造成客源的流失。而就餐高峰期，目的性并不强的客户往往也需要花费大量时间寻找理想的就餐位置。此外，目前市面上存在软件的就餐推荐功能针对性不强，普遍都存在推荐“不合理”现象，就餐客户需要花费大量时间查找喜欢的就餐地点和菜色。
因此，如何提供一种灵活性高、提高顾客就餐效率和公共资源利用率、能给顾客提供更合理的个性化推荐及更优质服务、提高餐厅营业额的就餐系统，是智能就餐领域亟待解决的问题
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种灵活性高的资源共享智能就餐方法，该方法突破性的采取信息共享与就餐资源共享的方式，最大化地增加资源的有效利用率，显著节省顾客的排队等待就餐时间，同时为客户提供高质量的服务。
本发明的第二目的在于提供一种资源共享智能就餐装置。
本发明的第三目的在于提供一种资源共享智能就餐系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种资源共享智能就餐方法，该方法包括：
针对于各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；
针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述位置样本数据特征集中各个特征值的排放顺序以及菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
接收用户的点餐指令；
当用户的点餐指令为本店指定就餐位的本店点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，向用户展示他店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征是否相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
优选的，所述方法还包括：
在接收到用户的点餐指令后，根据各餐厅各就餐位的状态信息确定各就餐位是否处于空闲状态，将处于空闲状态的就餐位展示给客户，供客户选择或预订就餐位，同时将处于空闲状态的就餐位所配置的本店菜品信息展示给用户，供用户选择菜品；
针对用户所选择的各就餐位，根据各就餐位中顾客的他店点菜记录和/或用户自身的就餐记录，为用户推荐他店以及他店的菜品信息。
优选的，所述方法还包括：当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，判定该菜品是否为本店拒绝外点的菜品，若是，则直接确定在该指定就餐位不可点他店的该菜品，若否，则计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品；
所述方法还包括：当用户的点餐指令为指定就餐位他店的点餐时，先检测该用户在指定就餐位本店的消费金额是否满足条件，若是，则允许他店点餐，否则不允许他店点餐。
优选的，就餐位的位置样本数据特征集和菜品的菜品样本数据特征集的相似度计算公式如下：
Figure GDA0004195217230000031
其中，菜品样本数据特征集Xi为：Xi＝{x1,x2,…,xn}；位置样本数据特征集Yi为：Yi＝{y1,y2,…,yn}；Ai是Xi和Yi中第i个样本特征的权值，n为菜品样本数据特征集和位置样本数据特征集中样本特征的个数；x1至xn是指菜品样本数据特征集中的各元素，表示菜品样本的各个特征值；y1至yn是指位置样本数据特征集中的各元素，表示就餐位置样本的各个特征值；
判定上述相似度p(XY)是否大于等于第一阈值；
若否，则判定位置样本数据特征集和菜品样本数据特征集不匹配，在对应指定就餐位不可点他店的对应菜品；
若是，则判定位置样本数据特征集和菜品样本数据特征集的必要特征是否相同；若是，则判定位置样本数据特征集和菜品样本数据特征集相匹配，在对应指定就餐位可点他店的对应菜品；若否，则判定位置样本数据特征集和菜品样本数据特征集不匹配，在对应指定就餐位不可点他店的对应菜品。
优选的，所述方法还包括：基于有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子向用户推荐就餐的过程，具体如下：
获取用户在天气出现拐点的就餐日，并且计算拐点判断因子s：
Figure GDA0004195217230000032
其中，X1至XM为用户在天气拐点k出现前1天至前M天的就餐特征集；p(XM-1XM)表示XM和XM-1的相似度；
判定拐点判断因子s是否大于阈值；
若是，则判定该拐点为有效拐点，那么计算有效天气影响因子p(W)：
Figure GDA0004195217230000041
其中，Xk为拐点k当天的就餐特征集；
若否，则判定该拐点为无效拐点；
计算节日影响因子R为：
Figure GDA0004195217230000042
其中，D′＝[d′1,d′2,...,d′I]为狄克逊检验法提取的用户异常消费日期数据集，D＝[d1,d2,...,dr]为节日日期数据集，r为节日日期的总天数，I为用户异常消费日期总天数；
就餐环境影响因子，包括划分成的多个档位就餐环境影响因子：
Figure GDA0004195217230000043
其中，hf为第f档位就餐环境影响因子，Tf为用户在第f档位就餐的餐厅数量，Gf,t为用户在属于第f档位餐厅所就餐的餐厅t的就餐环境特征向量；F表示就餐环境档位的总数；
Figure GDA0004195217230000044
Gm表示用户在所有就餐的餐厅中第m天就餐餐厅的就餐环境特征向量，
计算尝鲜影响因子h为：
Figure GDA0004195217230000045
其中T为采样周期；D”为采样周期内，用户所选餐厅口味相似度低于第二阈值的天数统计；
基于上述用户的有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子，构建用户就餐推荐模型，具体为：
Figure GDA0004195217230000046
其中，a1为有效天气影响因子均值的归一化值；
当用户的有效拐点的个数为一个时，a1＝g(p(W))；
当用户的有效拐点的个数为多个时，
Figure GDA0004195217230000047
p(Wi)为第i个拐点下计算的有效天气影响因子，I1为有效拐点的总数；
函数g()表示归一化操作；
Figure GDA0004195217230000048
为各拐点出现当天用户就餐餐厅的集合；其中，/>
Figure GDA0004195217230000049
Figure GDA00041952172300000410
至/>
Figure GDA00041952172300000411
分别对应表示用户在天气第1至I1个拐点出现当天选择就餐的餐厅；a1定义为集合/>
Figure GDA0004195217230000051
中各餐厅的权值，
a2为节日影响因子的归一化值，即a2＝R；
Figure GDA0004195217230000052
表示用户各节日进行就餐的餐厅集合；其中，/>
Figure GDA0004195217230000053
Figure GDA0004195217230000054
至/>
Figure GDA0004195217230000055
分别对应表示用户在第1至I2个节假日选择就餐的餐厅，I2为节日的总天数，集合/>
Figure GDA00041952172300000515
中各餐厅的权值；a2定义为集合/>
Figure GDA0004195217230000056
中各餐厅的权值；
a3为尝鲜影响因子，即a3＝g(h)；
Figure GDA0004195217230000057
表示采样周期T内用户所选就餐口味相似度低于第二阈值的餐厅；/>
Figure GDA0004195217230000058
Figure GDA0004195217230000059
至/>
Figure GDA00041952172300000510
分别对应表示采样周期T内用户所选择的口味相似度低于第二阈值的第1至I3个餐厅，I3为采样周期T内用户所选择的口味相似度低于第二阈值的餐厅数量；a3定义为集合/>
Figure GDA00041952172300000511
中各餐厅的权值；
H1至HF分别表示第1至F档位餐厅就餐环境影响因子，其中hf＝g(Hf)；Xf表示用户所选择第f档位就餐餐厅的集合，f＝1,2,3,...F；
Figure GDA00041952172300000512
其中/>
Figure GDA00041952172300000513
至/>
Figure GDA00041952172300000514
分别对应表示用户所选择的第f档位的第1至If个餐厅，If表示用户所选择的第f档位的餐厅的数量；H1至HF分别定义为集合X1至XF中各餐厅的权值；
T＝slect()表示挑选出的对应权值之和大于第三阈值的餐厅；
按照T＝slect()模型所选择出的餐厅，将这些餐厅进行口味的分类，选择餐厅数量最多的口味类进行推荐，构成的集合定义为T口味，
按照T＝slect()模型所选择出的餐厅，将这些餐厅进行就餐环境档位的分类，选择餐厅数量最多的就餐环境餐厅档位进行推荐，构成的集合定义为T环境；
最终推荐餐厅为：T推荐＝T口味∩T环境。
优选的，所述方法还包括：位置导航过程，具体包括：
获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；
其中，用户坐标的确定过程如下：
首先通过无线网络信号覆盖整个商业中心或规定商业区域，在用户终端接收到对应的无线网络信号后，利用混合滤波算法计算用户的RSSI值，再利用线性回归的方法优化信号传播模型参数，进行用户的粗定位；
在通过无线网络对用户进行粗定位后，调度对应区域的各摄像头节点，通过各摄像头节点所获取到的信息确定用户的精准位置；
其中，用户RSSI值的计算过程如下：
S1、在用户终端连接上对应商业中心或规定商业区域的WIFI信号后，针对于同一用户节点，分别采集n个RSSI的测量值，并且按照从小到大的顺序进行排列，得到RSSI的集合{RSSI1,RSSI2,...,RSSIn}；根据狄克逊统计公式有：
当n＝3～7时检验公式为：
Figure GDA0004195217230000061
Figure GDA0004195217230000062
当n＝8～10时检验公式为：
Figure GDA0004195217230000063
Figure GDA0004195217230000064
当n＝11～13时检验公式为：
Figure GDA0004195217230000065
Figure GDA0004195217230000066
当n＝14～30时检验公式为：
Figure GDA0004195217230000067
Figure GDA0004195217230000068
S2、确定一个检出水平α，并且根据检出水平α查找对应的临界值D(α,n)；
S3、针对当前RSSI集合进行剔除处理：在当前RSSI集合下，根据n所属的范围，通过上述狄克逊统计公式计算rij，i＝1或2，j为0、1或2；其中：
当
Figure GDA0004195217230000069
且rij＞D(α,n)时，RSSIn为离群值，将当前RSSI集合中RSSIn剔除；
当
Figure GDA00041952172300000610
且/>
Figure GDA00041952172300000611
时，RSSI1为离群值，将当前RSSI集合中RSSI1剔除；
S4、当前RSSI集合进行剔除处理后，针对集合中留下的各RSSI值，根据从小到大的顺序进行重新排序，得到新的RSSI集合{RSSI1,RSSI2,...,RSSIn}作为当前RSSI集合，然后重复执行上述剔除处理的过程，直到得到的新的RSSI集合还剩下K个RSSI值，此时n为K；
S5、针对于剔除离群值后剩下K个RSSI值的最终RSSI集合，将最终RSSI集合中的RSSI值以vdBm的间距划分区间，根据各区间内RSSI值的个数确定每个RSSI值的权值；其中：
针对于各区间的RSSI值，通过以下公式计算该区间内各RSSI值的权值为：
Figure GDA0004195217230000071
其中，RSSIm为该区间内排名第一的RSSI值，对应为最终RSSI集合中第m个RSSI值，其中该区间内各RSSI值的权值均用P(RSSIm)表示；即P(RSSIm)＝P(RSSIm+1)＝P(RSSIm+2)＝,...,P(RSSIM′)，M′表示该区间内RSSI值的总数；
S6、得到最终的RSSI值为：
Figure GDA0004195217230000072
上述通过摄像头节点所获取的信息确定用户精准位置的过程如下：
S7、根据无线网络信号对用户的粗定位，确定出用户所在区域，并且寻求该区域内活跃摄像头节点子集，使得作为目标的用户均能被该区域内活跃摄像头节点所覆盖，在满足目标跟踪的前提下，从活跃摄像头节点子集中选择出摄像头节点数最少的活跃摄像头节点子集；
S8、在满足目标跟踪要求的前提下，从上述选择出的活跃摄像头节点子集中寻求出监测方向调节次数小于一定阈值的摄像头节点；
S9、针对于上述获取到的摄像头节点，针对于距离满足相应条件的两个摄像头节点，作为相似摄像头节点，计算各摄像头节点与其相似摄像头节点感知数据之间的相似度，在差异性大于第四阈值的情况下，将该摄像头节点的数据作为无效数据，剔除对应摄像头节点；
S10、针对于最终获取的各摄像头节点，分别获取其对于目标的观测数据，根据各摄像头节点的观测数据计算出目标的位置坐标；
所述方法还包括就餐位坐标确定方法，具体包括：
在就餐位的无线信号接收器接收到对应的无线网络信号后，利用混合滤波算法计算就餐位的RSSI值，再利用线性回归的方法优化信号传播模型参数，进行就餐位的粗定位；
在通过无线网络对用户进行粗定位后，调度对应区域的各摄像头节点，通过各摄像头节点所获取到的信息确定就餐位的精准位置；其中，就餐位RSSI值的计算过程中，将就餐位无线信号接收器作为用户终端，通过步骤S1至S6的方式计算出就餐位最终的RSSI值，就餐位的精准位置，将就餐位目标通过步骤S7到S10定位出就餐位的精准位置；
所述方法还包括配送管理，具体包括：
接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的精准位置，以对外送菜品进行位置监控；其中，为每一个配送员分配摄像头可识别的标识信息，在位置导航过程中，当通过摄像头节点首次获取到配送员的精准坐标后，将该配送员作为目标，在位置导航过程中对该目标进行跟踪；
接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理；
所述方法还包括系统对接过程，具体包括：
通过移动通信网络采集各餐厅就餐系统上的信息，实时更新数据库中的信息；
通过移动通信网络将外送菜品的制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。
本发明的第二目的通过下述技术方案实现：一种资源共享智能就餐装置，包括：
就餐位置管理模块，用于针对各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；
菜品管理模块，用于针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述就餐位置管理模块的位置样本数据特征集中各个特征值的排放顺序以及所述菜品管理模块的菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
菜品配置模块，用于针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
点餐指令接收模块，用于接收用户的点餐指令；
菜品选择模块，用于在接收到用户本店点餐指令时，向用户展示对应就餐位所配置的本店菜品信息，供用户进行选择；用于在接收到他店的点餐指令时，向用户展示他店菜品信息，供用户进行选择；
匹配模块，用于针对用户所选择的他店菜品，计算指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
本发明的第三目的通过下述技术方案实现：一种资源共享智能就餐系统，包括上位机和用户终端；
所述上位机，用于实现本发明第一目的所述的资源共享智能就餐方法；
所述用户终端，用于发送本店和他店点餐指令给上位机，用于展示菜品信息，包括本店指定就餐位的菜品信息以及他店的菜品信息；用于获取用户他店点餐指令是否被接受的信息。
本发明的第四目的通过下述技术方案实现：一种存储介质，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的资源共享智能就餐方法。
本发明的第五目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的资源共享智能就餐方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明资源共享智能就餐方法，包括：针对各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，得到各就餐位置的位置样本数据特征集；针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集；针对于各餐厅的各就餐位配置本店的菜品信息；接收用户的点餐指令；当用户的点餐指令为指定就餐位本店的点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择；当用户的点餐指令为本店指定就餐位的他店点餐时，向用户展示他店菜品信息，供用户进行选择；当用户的点餐指令为本店指定就餐位的他店的点餐时，针对于用户所选择的他店菜品，基于指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，确定就餐位是否可点他店的相应菜品。本发明方法使得用户在其中一家餐厅用餐时，不仅能选择本店的菜品，同时也能够选择其他店的菜品，并且在用户选择他店菜品时，能够基于就餐位的特征对他店的菜品进行匹配，确定是否适合就餐位的食用。由此可见，本发明方法突破性的采取信息共享与就餐资源共享的方式，最大化地增加资源的有效利用率，显著节省顾客的排队等待就餐时间，同时为客户提供高质量的服务；能够克服目前商业中心或商业片区所存在的热门餐厅就餐资源供不应求，顾客需要排队等待，而其他一些非热门餐厅位置空闲资源利用率低的问题，能够有效提高顾客就餐效率和就餐公共资源利用率，并且能够给顾客提高更优质服务，有利于提高整个商业中心或商业片区餐厅的经营效率。
(2)本发明资源共享智能就餐方法中，在接收到用户的点餐指令后，根据各餐厅各就餐位的状态信息确定各就餐位是否处于空闲状态，将处于空闲状态的就餐位展示给客户，供客户选择或预定就餐位，同时将处于空闲状态的就餐位所配置的本店菜品信息展示给用户，供用户选择菜品。基于本发明方法上述操作过程，用户可以实时获悉其关注餐厅的就餐位置空闲情况，然后进行直接选择或者预定。
另外，针对用户所选择的各就餐位，可以根据各就餐位中顾客的他店点菜记录和/或用户的历史就餐信息，为用户推荐他店的菜品信息。
(3)本发明资源共享智能就餐方法中，当用户的点餐指令为指定就餐位他店的点餐时，针对于用户所选择的他店菜品，判定该菜品是否为本店拒绝外点的菜品，若是，则直接确定在该指定就餐位不可点他店的该菜品，若否，则通过就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，确定他店的菜品是否能够在本店对应就餐位食用。另外，当用户的点餐指令为指定就餐位他店的点餐时，先检测该用户在指定就餐位本店的消费金额是否满足条件，若是，则允许他店点餐，否则不允许他店点餐。上述操作能够保障本店餐厅的一定利益，起到更好的就餐资源的利用率，进一步提高整个商业中心或商业片区餐厅的经营效率。
(4)本发明资源共享智能就餐方法中，可以基于用户的历史就餐数据计算有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子，根据计算的有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子构建出用户就餐推荐模型，本发明基于上述多个因子所构建的用户就餐推荐模型，能够对顾客全方位的就餐选择进行预测推荐，为用户在就餐选择上提供了比较大的便利，避免用户每次需要花费较多时间进行就餐选择。
(5)本发明资源共享智能就餐方法中，包括位置导航过程，获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；本发明方法基于上述操作，可以使得用户更加快速以及更加准确的到达所选择的就餐的餐厅以及就餐的位置。本发明方法中，基于商业中心或商业区域的无线网络信号(例如wifi信号)，结合狄克逊检验法这种混合滤波算法计算用户的RSSI值，能够对用户在商业中心或商业区域中的位置进行粗定位，在粗定位后，调度对应区域的各摄像头节点，通过各摄像头节点的观测数据可以确定用户的精准位置，本发明结合无线网络信号和摄像头节点的观测信号能够非常准确的确定用户在商业中心或商业区域中的详细位置。另外，配送员在订单配送过程中，通过摄像头获取到的视频信息可以对配送员进行识别以及跟踪，能够更好监控外送菜品的配送情况。
(6)本发明资源共享智能就餐方法中，还包括配送管理的过程，具体为：接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的位置，以对外送菜品进行位置监控；接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理。本发明基于上述操作能够实现菜品配送的有效监督管理，保障外送菜品的服务质量。
(7)本发明资源共享智能就餐方法中，还包括系统对接的过程，具体可以为：通过移动通信网络采集各餐厅就餐系统上的信息，实时更新数据库中的信息；通过移动通信网络将外送菜品的制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。基于此，本发明方法能够实现各餐厅数据的实时更新，同时针对于餐厅所提供的菜品和餐厅的卫生环境能够进行远程实时监控和考察。
(8)本发明资源共享智能就餐方法中，可以在各就餐位置分别设置无线信号接收器，基于无线信号接收器接收到的无线信号，计算就餐位的RSSI值，以确定就餐位的具体坐标。另外，发明方法中，可以周期性或在外部触发的情况下对就餐位的坐标进行定位；即周期性的或在外部触发情况下计算就餐位的RSSI值，以能够及时更新就餐位的坐标信息，防止就餐位移动而导致原坐标不适用的问题。
附图说明
图1是本发明方法流程图。
图2a是摄像头节点监测模型示意图。
图2b是摄像头节点感知方向旋转模型。
图3是本发明装置结构框图。
图4是本发明系统结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种资源共享智能就餐方法，该方法用于商业中心或商业片区餐厅的智能就餐服务中，该方法可以通过服务平台实现；如图1中所示，该方法包括以下步骤：
S101、针对于各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，包括坐标信息、就餐位类型和状态信息，构成各就餐位置的位置样本数据特征集Yi＝{y1,y2,…,yn}，y1至yn是指位置样本数据特征集中的各元素，表示就餐位置样本的各个特征值，包括：就餐位所属餐厅名称、就餐位的坐标、就餐类型A、就餐类型B、就餐类型C和就餐类型D等。就餐类型A表示“该位置可加热”，就餐类型B表示“该位置不可加热”，就餐类型C表示“该位置可食用刺激性食物”，就餐类型D表示“该位置不可食用刺激性食物”。可以用1和0表示就餐类型A、就餐类型B、就餐类型C和就餐类型D对应的元素，当某位置为可加热且不可食用刺激性食物的就餐位置时，则就餐类型A、就餐类型B、就餐类型C和就餐类型D中各元素分别为1、0、0、1。
本实施例中，获取整个商业中心或规定商业片区内各餐厅所有的就餐位，为每个就餐位分别配置唯一编码，作为唯一的识别码。
本实施例中，就餐位的位置坐标可以提前一个个确定后，录入到服务平台的数据库中，也可以在每个就餐位上设置无线信号接收器，由无线信号接收器接收到的无线信号(例如WIFI信号)，基于无线信号接收器接收到的wifi信号计算出RSSI值大小，从而根据RSSI值的大小对就餐位进行粗定位，在粗定位后结合区域内摄像头节点信息进行精准定位。本实施例中，针对于各就餐位，周期性的或在外部触发的情况下计算就餐位的位置坐标，以周期性或在外部触发的情况下对就餐位的坐标进行定位以及更新。
本实施例中，就餐位类型包括带加热设备、不带加热设备、可以食用可刺激性食物、不可食用可刺激性食物等类型，具体还可以根据餐厅的需求进行划分。就餐位置的状态信息包括就餐位置为空闲状态和被占用状态。
本实施例中，就餐位置的位置样本数据特征集由就餐位置的就餐位类型、坐标信息和状态信息构成。
S102、针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集Xi＝{x1,x2,…,xn}。x1至xn是指菜品样本数据特征集中的各元素，表示菜品样本的各个特征值，包括：菜品所属餐厅名称、餐厅位置坐标、食用类型A、食用类型B、食用类型C和食用类型D等。食用类型A表示“菜品需要加热”，食用类型B表示“菜品不需要加热”、食用类型C表示“菜品为刺激性食物”、食用类型D表示“菜品为非刺激性食物”，当某菜品为需要加热且是刺激性食物时，菜品样本数据特征集中食用类型A、食用类型B、食用类型C、食用类型D对应元素可以分别为1、0、1、0。
在本实施例中，位置样本数据特征集中各个特征值的排放顺序以及菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的。以使得两个特征集可以进行后面的相似度计算，实现匹配。例如，在本实施例中，位置样本数据特征集的第3到6位分别表示的特征“就餐类型A、就餐类型B、就餐类型C和就餐类型D”，菜品样本数据特征集的第3到6位分别表示的特征是“食用类型A、食用类型B、食用类型C、食用类型D”，是相对应的。
S103、针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息，供用户进行查看和选择；另外，还可以为该就餐位动态的配置他店以及他店的菜品信息，供用户在进行他店点餐时，进行他点菜品的查看和选择。具体可以根据用户的历史就餐信息，在用户选择对应就餐位后，为该就餐位配置要推荐给用户的他店以及他店的菜品信息。
S104、接收用户的点餐指令。在本实施例中，用户终端通过无线网络或移动通信网络连接服务平台，用户通过智能终端访问服务平台时，可以发送点餐指令到服务平台。
S105、当用户的点餐指令为本店指定就餐位的本店点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择。
S106、当用户的点餐指令为本店指定就餐位的他店点餐时，向用户展示他店菜品信息，供用户进行选择；在本实施例中，针对用户所选择的各就餐位，根据各就餐位中顾客的他店点菜记录和/或用户自身的就餐记录，为用户推荐他店以及他店的菜品信息，具体可以在用户完成本店的点餐后向用户推荐他店以及他店的菜品信息。
当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，判定该菜品是否为本店拒绝外点的菜品，若是，则直接确定在该指定就餐位不可点他店的该菜品，若否，则进入S107；另外，当用户的点餐指令为指定就餐位他店的点餐时，检测该用户在指定就餐位本店的消费金额是否满足条件，若是，则允许他店点餐，进入S107，否则不允许他店点餐。
S107、针对于用户所选择的他店菜品，计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。具体如下：
S1071、就餐位的位置样本特征集和菜品的菜品样本数据特征集的相似度计算公式如下：
Figure GDA0004195217230000131
其中，菜品样本数据特征集Xi为：Xi＝{x1,x2,…,xn}；位置样本特征集Yi为：Yi＝{y1,y2,…,yn}；Ai是Xi和Yi中第i个样本特征的权值，n为菜品样本数据特征集和位置样本特征集中样本特征的个数。
在本实施例中，位置样本数据特征集和菜品样本特征集中，分别确定相应位置的特征为必要特征，如实施例中，当位置样本数据特征集和菜品样本特征集为步骤S101和S102所示时，可以将两个特征集中第3到6为的特征为必要特征。
当位置样本数据特征集和菜品样本特征集中包括S1个必要特征和S2个非必要特征时，针对于必要特征xi和yi，可以设置对应权值Ai为：
Figure GDA0004195217230000132
针对于非必要特征xi和yi，可以设置对应权值为/>
Figure GDA0004195217230000133
AS1表示必要特征的权值，AS2表示非必要特征的权值。
S1072、判定上述相似度p(XY)是否大于等于第一阈值，在本实施例中，第一阈值可以设置为
Figure GDA0004195217230000134
/>
若否，则判定位置样本特征集和菜品样本数据特征集不匹配，在对应指定就餐位不可点他店的对应菜品；
若是，则判定位置样本特征集和菜品样本数据特征集的必要特征是否相同；其中：
若是，则判定位置样本特征集和菜品样本数据特征集相匹配，在对应指定就餐位可点他店的对应菜品；
若否，则判定位置样本特征集和菜品样本数据特征集不匹配，在对应指定就餐位不可点他店的对应菜品。
本实施例资源共享智能就餐方法还包括：
S108、基于有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子向用户推荐就餐的过程，具体如下：
S1081、计算用户的有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子；如下：
Sa、获取用户在天气出现拐点的就餐日，并且计算拐点判断因子s：
Figure GDA0004195217230000141
其中，X1至XM为用户在天气拐点k出现前1天至前M天的就餐特征集；p(XM-1XM)表示XM和XM-1的相似度；本实施例中，就餐特征集中包括餐厅档次、菜品口味及其他次要特征。
判定拐点判断因子s是否大于阈值；
若是，则判定该拐点为有效拐点，那么计算有效天气影响因子p(W)：
Figure GDA0004195217230000142
其中，Xk为拐点k当天的就餐特征集；
若否，则判定该拐点为无效拐点；
Sb、计算节日影响因子R为：
Figure GDA0004195217230000143
其中，D′＝[d′1,d′2,...,d′I]为狄克逊检验法提取的用户异常消费日期数据集，D＝[d1,d2,...,dr]为节日日期数据集，r为节日日期的总天数，I为用户异常消费日期总天数。
Sc、计算就餐环境影响因子，包括划分成的多个档位就餐环境影响因子：
Figure GDA0004195217230000144
其中，hf为第f档位就餐环境影响因子，Tf为用户在第f档位就餐的餐厅数量，Gf,t为用户在属于第f档位餐厅所就餐的餐厅t的就餐环境特征向量；F表示就餐环境档位的总数；在本实施例中，餐厅的档位可以根据就餐的环境划分高档、中档、低档等档位。
其中，G＝{G1,G2,...,Gm}，
Figure GDA0004195217230000145
/>
Gm表示用户在所有就餐的餐厅中第m天就餐餐厅的就餐环境特征向量；
Sd、计算尝鲜影响因子h为：
Figure GDA0004195217230000146
其中T为采样周期；D”为采样周期内，用户所选餐厅口味相似度低于第二阈值g′的天数统计。在本实施例中，第二阈值g′可以为30％。
S1082、基于上述用户的有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子，构建用户就餐推荐模型，具体为：
Figure GDA0004195217230000151
其中，a1为有效天气影响因子均值的归一化值；
当用户的有效拐点的个数为一个时，a1＝g(p(W))；
当用户的有效拐点的个数为多个时，
Figure GDA0004195217230000152
p(Wi)为第i个拐点下计算的有效天气影响因子，I1为有效拐点的总数；
函数g()表示归一化操作；
Figure GDA00041952172300001521
为各拐点出现当天用户就餐餐厅的集合；其中，/>
Figure GDA0004195217230000153
Figure GDA0004195217230000154
至
Figure GDA0004195217230000155
分别对应表示用户在天气第1至I1个拐点出现当天选择就餐的餐厅；a1定义为集合/>
Figure GDA0004195217230000156
中各餐厅的权值，
a2为节日影响因子的归一化值，即a2＝R；
Figure GDA0004195217230000157
表示用户各节日进行就餐的餐厅集合；其中，/>
Figure GDA0004195217230000158
Figure GDA0004195217230000159
至/>
Figure GDA00041952172300001510
分别对应表示用户在第1至I2个节日选择就餐的餐厅，I2为节日的总天数，集合/>
Figure GDA00041952172300001511
中各餐厅的权值；a2定义为集合/>
Figure GDA00041952172300001512
中各餐厅的权值。
a3为尝鲜影响因子，即a3＝g(h)；
Figure GDA00041952172300001513
表示采样周期T内用户所选就餐口味相似度低于第二阈值的餐厅；/>
Figure GDA00041952172300001514
Figure GDA00041952172300001515
至/>
Figure GDA00041952172300001516
分别对应表示采样周期T内用户所选择的口味相似度低于第二阈值的第1至I3个餐厅，I3为采样周期T内用户所选择的口味相似度低于第二阈值的餐厅数量；a3定义为集合/>
Figure GDA00041952172300001517
中各餐厅的权值。
H1至HF分别表示第1至F档位餐厅就餐环境影响因子，其中hf＝g(Hf)；Xf表示用户所选择第f档位就餐餐厅的集合，f＝1,2,3,...F；
Figure GDA00041952172300001518
其中/>
Figure GDA00041952172300001519
至/>
Figure GDA00041952172300001520
分别对应表示用户所选择的第f档位的第1至If个餐厅，If表示用户所选择的第f档位的餐厅的数量；H1至HF分别定义为集合X1至XF中各餐厅的权值。
T＝slect()表示挑选出的对应权值之和大于第三阈值的餐厅；由于每个餐厅可能在不同的餐厅集合中，所以一个餐厅可能对应有多个权值。例如有效天气影响因子a1作为权值的对应餐厅集合中包括了餐厅A，节假日影响因子a2作为权值的对应餐厅集合中也包括了餐厅A，那么餐厅A的权值之和就为a1+a2。
按照T＝slect()模型所选择出的餐厅，将这些餐厅进行口味的分类，选择餐厅数量最多的口味类进行推荐，构成的集合定义为T口味；在本实施例中餐厅进行口味的分类包括将餐厅分类为火锅、烤肉、寿司、素食等。
按照T＝slect()模型所选择出的餐厅，将这些餐厅进行就餐环境档位的分类，选择餐厅数量最多的就餐环境餐厅档位进行推荐，构成的集合定义为T环境；在本实施例中餐厅进行档位的分类包括将餐厅分类为高档餐厅、中档餐厅、低档餐厅等。
最终推荐餐厅为：T推荐＝T口味∩T环境，即将既存在集合T口味，又存在于集合T环境中的餐厅作为推荐结果推荐给用户。
本实施例资源共享智能就餐方法还包括位置导航的步骤，具体包括：
S109、获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；
其中，用户坐标的确定过程如下：
首先通过无线网络信号如WIFI信号覆盖整个商业中心或规定商业区域，在用户终端接收到对应的无线网络信号后，利用混合滤波算法计算用户的RSSI值，再利用线性回归的方法优化信号传播模型参数，进行用户的粗定位；
在通过WIFI信号对用户进行粗定位后，调度对应区域的各摄像头节点，通过各摄像头节点所获取到的信息确定用户的精准位置；
其中，用户RSSI值的计算过程如下：
S1091、在用户终端连接上对应商业中心或规定商业区域的WIFI信号后，针对于同一用户节点，分别采集n个RSSI的测量值，并且按照从小到大的顺序进行排列，得到RSSI的集合{RSSI1,RSSI2,...,RSSIn}；根据狄克逊统计公式有：
当n＝3～7时检验公式为：
Figure GDA0004195217230000161
Figure GDA0004195217230000162
当n＝8～10时检验公式为：
Figure GDA0004195217230000171
Figure GDA0004195217230000172
当n＝11～13时检验公式为：
Figure GDA0004195217230000173
Figure GDA0004195217230000174
当n＝14～30时检验公式为：
Figure GDA0004195217230000175
Figure GDA0004195217230000176
S1092、确定一个检出水平α，并且根据检出水平α查找对应的临界值D(α,n)；
S1093、针对当前RSSI集合进行剔除处理：在当前RSSI集合下，根据n所属的范围，通过上述狄克逊统计公式计算rij，i＝1或2，j为0、1或2；其中：
当
Figure GDA0004195217230000177
且rij＞D(α,n)时，RSSIn为离群值，将当前RSSI集合中RSSIn剔除；
当
Figure GDA0004195217230000178
且/>
Figure GDA0004195217230000179
时，RSSI1为离群值，将当前RSSI集合中RSSI1剔除；
当前RSSI集合进行剔除处理后，针对集合中留下的各RSSI值，根据从小到大的顺序进行重新排序，得到新的RSSI集合{RSSI1,RSSI2,...,RSSIn}作为当前RSSI集合，然后重复执行上述剔除处理的过程，直到得到的新的RSSI集合还剩下K个RSSI值，此时n为K；
S1094、针对于剔除离群值后剩下K个RSSI值的最终RSSI集合，将最终RSSI集合中的RSSI值以vdBm的间距划分区间，在本实施例中v可以设置为0.5，也可以根据实际定位精度的需求进行调节。具体划分过程可以如下，从最终RSSI集合中选择出最小的RSSI值，即RSSI1，然后将第一区间为：(0,RSSI1+0.5]，第二区间为：(RSSI1+0.5,RSSI1+2*0.5]，第三区间为：(RSSI1+2*0.5,RSSI1+3*0.5]，以此类推，直到划分完最终RSSI集合中所有的元素。
根据各区间内RSSI值的个数确定每个RSSI值的权值；例如将集合中小于RSSI1+0.5的RSSI值划分到第一区间；其中：
S1095、针对于各区间的RSSI值，通过以下公式计算该区间内各RSSI值的权值为：
Figure GDA00041952172300001710
其中，RSSIm为该区间内排名第一的RSSI值，对应为最终RSSI集合中第m个RSSI值，其中该区间内各RSSI值的权值均用P(RSSIm)表示；即P(RSSIm)＝P(RSSIm+1)＝P(RSSIm+2)＝,...,P(RSSIM′)，M′表示该区间内RSSI值的总数；
得到最终的RSSI值为：
Figure GDA0004195217230000181
上述通过摄像头节点所获取到的信息确定用户精准位置的过程如下：
S1096、根据无线网络信号对用户的粗定位，确定出用户所在区域，并且寻求该区域内活跃摄像头节点子集，使得作为目标的用户均能被该区域内活跃摄像头节点所覆盖，在满足目标跟踪的前提下，从活跃摄像头节点子集中选择出摄像头节点数最少的活跃摄像头节点子集；
S1097、在满足目标跟踪要求的前提下，从上述选择出的活跃摄像头节点子集中寻求出监测方向调节次数小于一定阈值的摄像头节点；如图2b中所示，各摄像头节点监测角度为θv，各摄像头节点通过云台等转向装置可以控制监测方向，其中每个方向相差角度为θr；
S1098、针对于上述获取到的摄像头节点，针对于距离满足相应条件的两个摄像头节点，作为相似摄像头节点，计算各摄像头节点与其相似摄像头节点感知数据之间的相似度，在差异性大于第四阈值的情况下，将该摄像头节点的数据作为无效数据，剔除对应摄像头节点。
在本实施例，相同规格的摄像头节点，其感知范围的大小也相同，感知半径为r。当两个摄像头节点监测区域重合时，在理想状态下收集到的数据将完全一致。
数据相似度，即摄像头节点之间收集的数据差异程度，差异程度越小，相似度越高。相似度的取值范围在[0,1]之间，数值越接近1，相似度越高，反之则越低。每个子周期节点收集完数据后发送到汇节点，下式为第q个周期其中一个区域收集的数据形成数据矩阵，记为Xq：
Figure GDA0004195217230000182
其中Q′为簇内活跃传感器数量，Q表示子周期Q个时隙内摄像头节点收集的感知数据数量。
在理想状态下两个摄像头节点重合时，收集到的数据将完全一致，其感知范围也完全重合。理论上可取两节点距离r/2<d<1.2r(工业上60％为高发生概率:1.2r＝2r*60％)作为相似摄像头节点，但随机分布的摄像头节点存在两节点间距离少于r/2的情况，所以实际取0<d<＝1.2r时汇节点到节点r1与到节点r2的数据差异作为数据相似的阈值，统计时选取一个平均值，即作为第四阈值，当某个摄像头节点的感知数据与相似摄像头节点差异性大于阈值时，则判断该摄像头数据为无效数据。衡量摄像头节点感知数据间的相似程度，取值范围在[0,1]之间，0表示感知数据完全不同，1表示完全相同，其中取值越接近1，相似程度越高，反之越低。其中：两个摄像头节点i和j的感知数据间的相似度vij为：
Figure GDA0004195217230000191
式中：qik表示摄像头节点i在第k个时隙收集的数据，qjk表示摄像头节点j在第k个时隙收集的数据；
Figure GDA0004195217230000192
表示摄像头节点i的数据均值，/>
Figure GDA0004195217230000193
表示摄像头节点j的数据均值。
S1099、针对于上述剔除处理后，最终获取到的各摄像头节点，分别获取其对于目标的观测数据，根据各摄像头节点的观测数据计算出目标的位置坐标；其中每个摄像头节点i对目标t观测数据和位置坐标的关系如下：
Figure GDA0004195217230000194
其中Li(t)是摄像头节点i对目标t的观测数据，摄像头节点i在拍摄到目标t后，即可得到该观测数据，如图2a所示，1为成像面，F为摄像头节点焦距，θi为摄像头节点和X坐标的夹角，(xi,yi)为摄像头节点i的坐标，(xt,yt)为目标t的坐标；
当剔除处理后，最终剩下两个摄像头节点时，基于上述公式，联立两个摄像头节点的上述公式，计算出(xt,yt)，当剔除处理后，最终剩下超过2个摄像头节点时，基于上述公式，分别联立两个摄像头节点的上述公式，计算出的多个(xt,yt)取均值后作目标t的坐标。
在本实施例中，资源共享智能就餐方法还包括：就餐位坐标确定方法，具体为：
在就餐位的无线信号接收器接收到对应的无线网络信号后，利用混合滤波算法计算就餐位的RSSI值，再利用线性回归的方法优化信号传播模型参数，进行就餐位的粗定位；
在通过无线网络对就餐位进行粗定位后，调度对应区域的各摄像头节点，通过各摄像头节点所获取到的信息确定就餐位的精准位置；其中，就餐位RSSI值的计算过程中，将就餐位无线信号接收器作为用户终端，通过步骤S1至S6的方式计算出就餐位最终的RSSI值，就餐位的精准位置，将就餐位目标通过步骤S7到S10定位出就餐位的精准位置。
在本实施例中，资源共享智能就餐方法还包括：S110、配送管理步骤，具体包括：
接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的精准位置，以对外送菜品进行位置监控；其中，为每一个配送员分配摄像头可识别的标识信息，具体可以在配送员工作服上设置相应的唯一标识码；在位置导航过程中，当通过摄像头节点首次获取到配送员的精准坐标后，将该配送员作为目标，在位置导航过程中对该目标进行跟踪；
接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理；
在本实施例中，资源共享智能就餐方法还包括：S111、系统对接过程，具体包括：
S1111、通过5G移动通信网络，采集各餐厅就餐系统上的信息，实时更新数据库中的信息；
本实施例中，服务平台可以对接各餐厅自身的就餐系统，具体是将服务平台通过系统对接模块例如5G通信模块和各餐厅的就餐系统进行对接，以能够实现通信。各餐厅在菜品信息发生改变时，会在自身的就餐系统中更新菜品信息，服务平台通过系统对接模块可以实时采集到餐厅就餐系统的菜品信息，实现服务平台数据库中对应餐厅菜品信息的更新。
S1112、通过移动通信网络例如5G通信网络，将外送菜品制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。
在本实施例中，服务平台可以对接用户的智能终端，具体是将服务平台通过系统对接模块例如5G通信模块和各餐厅的就餐系统进行对接，以能够实现通信服务平台和用户终端的对接，将用户所关心的餐厅的卫生环境或者外送菜品制造过程的视频信息传送到用户端进行观看，实现远程信息的共享。
本领域技术人员可以理解，实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。应当注意，尽管在附图中以及上述各步骤的描述中以特定顺序描述了本实施例1的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序，有些步骤也可以同时执行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了一种资源共享智能就餐装置，如图3中所示，该装置所包括的模块以及各模块的功能分别如下：
就餐位置管理模块，用于针对各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；位置样本数据特征集如实施例中S101所示。
菜品管理模块，用于针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述就餐位置管理模块的位置样本数据特征集中各个特征值的排放顺序以及所述菜品管理模块的菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
菜品配置模块，用于针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
点餐指令接收模块，用于接收用户的点餐指令；
菜品选择模块，用于在接收到用户本店点餐指令时，向用户展示对应就餐位所配置的本店菜品信息，供用户进行选择；用于在接收到他店的点餐指令时，向用户展示他店菜品信息，供用户进行选择；
匹配模块，用于针对用户所选择的他店菜品，计算指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
本实施例资源共享智能就餐装置还包括：
就餐推荐模块，用于根据有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子向用户推荐就餐，具体过程如下实施例1中S108所示，此处不再赘述。
位置导航模块，用于获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；具体过程见实施例1中S109所示，此处不再赘述，在本实施例中，服务平台需要基于用户的终端例实现用户坐标的定位，用户的终端可以是指外送菜品配送员的智能终端、有用餐需求的顾客的智能终端以及就餐位的无线信号接收器，服务平台基于这些终端，实现用户的RSSI值的测量，从而最终确定用户的坐标。
配送管理模块，用于获取接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的位置，以对外送菜品进行位置监控；用于接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理；
系统对接模块，用于通过移动通信网络采集各餐厅就餐系统上的信息，实时更新数据库中的信息；用于通过移动通信网络将外送菜品的制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。
本实施例上述各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种资源共享智能就餐系统，如图4中所示，包括上位机和用户终端；
上位机，用于实现实施例1所述的资源共享智能就餐方法，如下：
针对于各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；
针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述位置样本数据特征集中各个特征值的排放顺序以及菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
接收用户的点餐指令；
当用户的点餐指令为本店指定就餐位的本店点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，向用户展示他店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
位置导航，具体为：获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；
配送管理，具体为：获取接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的位置，以对外送菜品进行位置监控；用于接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理；
系统对接模块，通过移动通信网络采集各餐厅就餐系统上的信息，实时更新数据库中的信息；通过移动通信网络将外送菜品的制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。
上位机实现的上述各个过程，可以见实施例1中的各步骤，此处不再赘述。在本实施例中，上位机可以是服务器、计算机等设备。
用户终端，用于访问上位机，包括发送本店和他店点餐指令给上位机，用于展示菜品信息，包括本店指定就餐位的菜品信息以及他店的菜品信息，用于获取用户他店点餐指令是否被接受的信息。
在本实施例中，用户终端可以是用户手机、IPad等。
本实施例的系统还可以包括设置在各餐厅各就餐位的无线信号接收器；
无线信号接收器，用于接收商业中心或商业片区的WIFI信号，根据接收到的wifi信号计算出就餐位RSSI值大小，从而根据RSSI值的大小确定出就餐位的位置坐标。就餐位的RSSI值大小的计算过程可以如实施例1中位置导航过程中的步骤，此处不再赘述。
实施例4
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的资源共享智能就餐方法，如下：
针对于各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；
针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述位置样本数据特征集中各个特征值的排放顺序以及菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
接收用户的点餐指令；
当用户的点餐指令为本店指定就餐位的本店点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，向用户展示他店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
位置导航，具体为：获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；
配送管理，具体为：获取接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的位置，以对外送菜品进行位置监控；用于接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理；
系统对接模块，通过移动通信网络采集各餐厅就餐系统上的信息，实时更新数据库中的信息；通过移动通信网络将外送菜品的制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。
上位机实现的上述各个过程，可以见实施例1中的各步骤，此处不再赘述。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例5
本实施例公开一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现实施例1所述的资源共享智能就餐方法，如下：
针对于各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；
针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述位置样本数据特征集中各个特征值的排放顺序以及菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
接收用户的点餐指令；
当用户的点餐指令为本店指定就餐位的本店点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，向用户展示他店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
位置导航，具体为：获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；
配送管理，具体为：获取接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的位置，以对外送菜品进行位置监控；用于接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理；
系统对接模块，通过移动通信网络采集各餐厅就餐系统上的信息，实时更新数据库中的信息；通过移动通信网络将外送菜品的制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。
本实施例中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑等终端设备。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种资源共享智能就餐方法，其特征在于，该方法包括：
针对于各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；
针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述位置样本数据特征集中各个特征值的排放顺序以及菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
接收用户的点餐指令；
当用户的点餐指令为本店指定就餐位的本店点餐时，为该用户展示该就餐位所配置的本店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，向用户展示他店菜品信息，供用户进行选择；
当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征是否相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
2.根据权利要求1所述的资源共享智能就餐方法，其特征在于，所述方法还包括：
在接收到用户的点餐指令后，根据各餐厅各就餐位的状态信息确定各就餐位是否处于空闲状态，将处于空闲状态的就餐位展示给客户，供客户选择或预订就餐位，同时将处于空闲状态的就餐位所配置的本店菜品信息展示给用户，供用户选择菜品；
针对用户所选择的各就餐位，根据各就餐位中顾客的他店点菜记录和/或用户自身的就餐记录，为用户推荐他店以及他店的菜品信息。
3.根据权利要求1所述的资源共享智能就餐方法，其特征在于，所述方法还包括：当用户的点餐指令为本店指定就餐位的他店点餐时，针对于用户所选择的他店菜品，判定该菜品是否为本店拒绝外点的菜品，若是，则直接确定在该指定就餐位不可点他店的该菜品，若否，则计算该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品；
所述方法还包括：当用户的点餐指令为本店指定就餐位的他店点餐时，先检测该用户在指定就餐位本店的消费金额是否满足条件，若是，则允许他店点餐，否则不允许他店点餐。
4.根据权利要求1所述的资源共享智能就餐方法，其特征在于，就餐位的位置样本数据特征集和菜品的菜品样本数据特征集的相似度计算公式如下：
Figure FDA0004195217220000021
其中，菜品样本数据特征集Xi为：Xi＝{x1,x2,…,xn}；位置样本数据特征集Yi为：Yi＝{y1,y2,…,yn}；Ai是Xi和Yi中第i个样本特征的权值，n为菜品样本数据特征集和位置样本数据特征集中样本特征的个数；x1至xn是指菜品样本数据特征集中的各元素，表示菜品样本的各个特征值；y1至yn是指位置样本数据特征集中的各元素，表示就餐位置样本的各个特征值；
判定上述相似度p(XY)是否大于等于第一阈值；
若否，则判定位置样本数据特征集和菜品样本数据特征集不匹配，在对应指定就餐位不可点他店的对应菜品；
若是，则判定位置样本数据特征集和菜品样本数据特征集的必要特征是否相同；若是，则判定位置样本数据特征集和菜品样本数据特征集相匹配，在对应指定就餐位可点他店的对应菜品；若否，则判定位置样本数据特征集和菜品样本数据特征集不匹配，在对应指定就餐位不可点他店的对应菜品。
5.根据权利要求1所述的资源共享智能就餐方法，其特征在于，所述方法还包括：基于有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子向用户推荐就餐的过程，具体如下：
获取用户在天气出现拐点的就餐日，并且计算拐点判断因子s：
Figure FDA0004195217220000022
其中，X1至XM为用户在天气拐点k出现前1天至前M天的就餐特征集；p(XM-1XM)表示XM和XM-1的相似度；
判定拐点判断因子s是否大于阈值；
若是，则判定该拐点为有效拐点，那么计算有效天气影响因子p(W)：
Figure FDA0004195217220000031
其中，Xk为拐点k当天的就餐特征集；
若否，则判定该拐点为无效拐点；
计算节日影响因子R为：
Figure FDA0004195217220000032
其中，D′＝[d′1,d′2,...,d′I]为狄克逊检验法提取的用户异常消费日期数据集，D＝[d1,d2,...,dr]为节日日期数据集，r为节日日期的总天数，I为用户异常消费日期总天数；
就餐环境影响因子，包括划分成的多个档位就餐环境影响因子：
Figure FDA0004195217220000033
其中，hf为第f档位就餐环境影响因子，Tf为用户在第f档位就餐的餐厅数量，Gf,t为用户在属于第f档位餐厅所就餐的餐厅t的就餐环境特征向量；F表示就餐环境档位的总数；
其中，G＝{G1,G2,...,Gm}，
Figure FDA0004195217220000034
Gm表示用户在所有就餐的餐厅中第m天就餐餐厅的就餐环境特征向量；
计算尝鲜影响因子h为：
Figure FDA0004195217220000035
其中T为采样周期；D”为采样周期内，用户所选餐厅口味相似度低于第二阈值的天数统计；
基于上述用户的有效天气影响因子、就餐环境影响因子、节日影响因子和尝鲜影响因子，构建用户就餐推荐模型，具体为：
Figure FDA0004195217220000036
其中，a1为有效天气影响因子均值的归一化值；
当用户的有效拐点的个数为一个时，a1＝g(p(W))；
当用户的有效拐点的个数为多个时，
Figure FDA0004195217220000037
p(Wi)为第i个拐点下计算的有效天气影响因子，I1为有效拐点的总数；
函数g()表示归一化操作；
Figure FDA0004195217220000038
为各拐点出现当天用户就餐餐厅的集合；其中，/>
Figure FDA0004195217220000039
Figure FDA00041952172200000310
至/>
Figure FDA00041952172200000311
分别对应表示用户在天气第1至I1个拐点出现当天选择就餐的餐厅；a1定义为集合/>
Figure FDA0004195217220000041
中各餐厅的权值，
a2为节日影响因子的归一化值，即a2＝R；
Figure FDA0004195217220000042
表示用户各节日进行就餐的餐厅集合；其中，/>
Figure FDA0004195217220000043
Figure FDA0004195217220000044
至/>
Figure FDA0004195217220000045
分别对应表示用户在第1至I2个节日选择就餐的餐厅，I2为节日的总天数，集合/>
Figure FDA0004195217220000046
中各餐厅的权值；a2定义为集合/>
Figure FDA0004195217220000047
中各餐厅的权值；
a3为尝鲜影响因子，即a3＝g(h)；
Figure FDA0004195217220000048
表示采样周期T内用户所选就餐口味相似度低于第二阈值的餐厅；/>
Figure FDA0004195217220000049
Figure FDA00041952172200000410
至/>
Figure FDA00041952172200000411
分别对应表示采样周期T内用户所选择的口味相似度低于第二阈值的第1至I3个餐厅，I3为采样周期T内用户所选择的口味相似度低于第二阈值的餐厅数量；a3定义为集合/>
Figure FDA00041952172200000415
中各餐厅的权值；
H1至HF分别表示第1至F档位餐厅就餐环境影响因子，其中hf＝g(Hf)；Xf表示用户所选择第f档位就餐餐厅的集合，f＝1,2,3,...F；
Figure FDA00041952172200000412
其中/>
Figure FDA00041952172200000413
至/>
Figure FDA00041952172200000414
分别对应表示用户所选择的第f档位的第1至If个餐厅，If表示用户所选择的第f档位的餐厅的数量；H1至HF分别定义为集合X1至XF中各餐厅的权值；/>
T＝slect()表示挑选出的对应权值之和大于第三阈值的餐厅；
按照T＝slect()模型所选择出的餐厅，将这些餐厅进行口味的分类，选择餐厅数量最多的口味类进行推荐，构成的集合定义为T口味，
按照T＝slect()模型所选择出的餐厅，将这些餐厅进行就餐环境档位的分类，选择餐厅数量最多的就餐环境餐厅档位进行推荐，构成的集合定义为T环境；
最终推荐餐厅为：T推荐＝T口味∩T环境。
6.根据权利要求1所述的资源共享智能就餐方法，其特征在于，所述方法还包括：位置导航过程，具体包括：
获取整个商业中心或规定商业区域的地图信息，结合用户的坐标和用户的目的地的要求利用蚁群算法为用户计算出最优的路线；
其中，用户坐标的确定过程如下：
首先通过无线网络信号覆盖整个商业中心或规定商业区域，在用户终端接收到对应的无线网络信号后，利用混合滤波算法计算用户的RSSI值，再利用线性回归的方法优化信号传播模型参数，进行用户的粗定位；
在通过无线网络对用户进行粗定位后，调度对应区域的各摄像头节点，通过各摄像头节点所获取到的信息确定用户的精准位置；
其中，用户RSSI值的计算过程如下：
S1、在用户终端连接上对应商业中心或规定商业区域的WIFI信号后，针对于同一用户节点，分别采集n个RSSI的测量值，并且按照从小到大的顺序进行排列，得到RSSI的集合{RSSI1,RSSI2,...,RSSIn}；根据狄克逊统计公式有：
当n＝3～7时检验公式为：
Figure FDA0004195217220000051
Figure FDA0004195217220000052
当n＝8～10时检验公式为：
Figure FDA0004195217220000053
Figure FDA0004195217220000054
当n＝11～13时检验公式为：
Figure FDA0004195217220000055
Figure FDA0004195217220000056
当n＝14～30时检验公式为：
Figure FDA0004195217220000057
/>
Figure FDA0004195217220000058
S2、确定一个检出水平α，并且根据检出水平α查找对应的临界值D(α,n)；
S3、针对当前RSSI集合进行剔除处理：在当前RSSI集合下，根据n所属的范围，通过上述狄克逊统计公式计算rij，i＝1或2，j为0、1或2；其中：
当
Figure FDA0004195217220000059
且rij＞D(α,n)时，RSSIn为离群值，将当前RSSI集合中RSSIn剔除；
当
Figure FDA00041952172200000510
且/>
Figure FDA00041952172200000511
时，RSSI1为离群值，将当前RSSI集合中RSSI1剔除；
S4、当前RSSI集合进行剔除处理后，针对集合中留下的各RSSI值，根据从小到大的顺序进行重新排序，得到新的RSSI集合{RSSI1,RSSI2,...,RSSIn}作为当前RSSI集合，然后重复执行上述剔除处理的过程，直到得到的新的RSSI集合还剩下K个RSSI值，此时n为K；
S5、针对于剔除离群值后剩下K个RSSI值的最终RSSI集合，将最终RSSI集合中的RSSI值以vdBm的间距划分区间，根据各区间内RSSI值的个数确定每个RSSI值的权值；其中：
针对于各区间的RSSI值，通过以下公式计算该区间内各RSSI值的权值为：
Figure FDA0004195217220000061
其中，RSSIm为该区间内排名第一的RSSI值，对应为最终RSSI集合中第m个RSSI值，其中该区间内各RSSI值的权值均用P(RSSIm)表示；即P(RSSIm)＝P(RSSIm+1)＝P(RSSIm+2)＝,...,P(RSSIM′)，M′表示该区间内RSSI值的总数；
S6、得到最终的RSSI值为：
Figure FDA0004195217220000062
上述通过摄像头节点所获取到的信息确定用户精准位置的过程如下：
S7、根据无线网络信号对用户的粗定位，确定出用户所在区域，并且寻求该区域内活跃摄像头节点子集，使得作为目标的用户均能被该区域内活跃摄像头节点所覆盖，在满足目标跟踪的前提下，从活跃摄像头节点子集中选择出摄像头节点数最少的活跃摄像头节点子集；
S8、在满足目标跟踪要求的前提下，从上述选择出的活跃摄像头节点子集中寻求出监测方向调节次数小于一定阈值的摄像头节点；
S9、针对于上述获取到的摄像头节点，针对于距离满足相应条件的两个摄像头节点，作为相似摄像头节点，计算各摄像头节点与其相似摄像头节点感知数据之间的相似度，在差异性大于第四阈值的情况下，将该摄像头节点的数据作为无效数据，剔除对应摄像头节点；
S10、针对于最终获取的各摄像头节点，分别获取其对于目标的观测数据，根据各摄像头节点的观测数据计算出目标的位置坐标；
所述方法还包括就餐位坐标确定方法，具体包括：
在就餐位的无线信号接收器接收到对应的无线网络信号后，利用混合滤波算法计算就餐位的RSSI值，再利用线性回归的方法优化信号传播模型参数，进行就餐位的粗定位；
在通过无线网络对用户进行粗定位后，调度对应区域的各摄像头节点，通过各摄像头节点所获取到的信息确定就餐位的精准位置；其中，就餐位RSSI值的计算过程中，将就餐位无线信号接收器作为用户终端，通过步骤S1至S6的方式计算出就餐位最终的RSSI值，就餐位的精准位置，将就餐位目标通过步骤S7到S10定位出就餐位的精准位置；
所述方法还包括配送管理，具体包括：
接收用户点菜订单后，若确定菜品需要外送，则将配送员作为对应用户，通过上述位置导航过程确定配送员的精准位置，以对外送菜品进行位置监控；其中，为每一个配送员分配摄像头可识别的标识信息，在位置导航过程中，当通过摄像头节点首次获取到配送员的精准坐标后，将该配送员作为目标，在位置导航过程中对该目标进行跟踪；
接收点菜的顾客用户针对异常或配送超时的点菜订单的取消，对于一定期限内无故多次取消点菜订单的顾客用户，给出相应的处罚处理；
所述方法还包括系统对接过程，具体包括：
通过移动通信网络采集各餐厅就餐系统上的信息，实时更新数据库中的信息；
通过移动通信网络将外送菜品的制造过程的视频信息或他店卫生环境信息，实时的传送给提交点菜订单的用户。
7.一种资源共享智能就餐装置，其特征在于，包括
就餐位置管理模块，用于针对各餐厅各就餐位分别配置唯一编码，并且获取对应编码就餐位的信息，构成各就餐位置的位置样本数据特征集，包括坐标信息、就餐位类型和状态信息；
菜品管理模块，用于针对于各餐厅各菜品分别配置唯一编码，并且获取各菜品的特征，形成各菜品的菜品样本数据特征集，包括菜品所属餐厅名称、餐厅位置坐标和食用类型；
所述就餐位置管理模块的位置样本数据特征集中各个特征值的排放顺序以及所述菜品管理模块的菜品样本数据特征集中各个特征值的排放顺序遵循一定的规则，使得位置样本数据特征集和菜品样本数据特征集对应位置的特征值是相对应或相关联的，以使得两个特征集可以进行相似度计算，实现匹配；
菜品配置模块，用于针对于各餐厅的各就餐位，分别为各就餐位配置本店的菜品信息；
点餐指令接收模块，用于接收用户的点餐指令；
菜品选择模块，用于在接收到用户本店点餐指令时，向用户展示对应就餐位所配置的本店菜品信息，供用户进行选择；用于在接收到他店的点餐指令时，向用户展示他店菜品信息，供用户进行选择；
匹配模块，用于针对用户所选择的他店菜品，计算指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本数据特征集的相似度，在两者相似度满足要求的情况下，进一步匹配该指定就餐位的位置样本数据特征集和用户所选择他店菜品的菜品样本特征集中必要特征相同，根据匹配结果确定在该指定就餐位是否可点他店的菜品。
8.一种资源共享智能就餐系统，其特征在于，包括上位机和用户终端；
所述上位机，用于实现权利要求1至6中任一项所述的资源共享智能就餐方法；
所述用户终端，用于发送本店和他店点餐指令给上位机，用于展示菜品信息，包括本店指定就餐位的菜品信息以及他店的菜品信息；用于获取用户他店点餐指令是否被接受的信息。
9.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～6中任一项所述的资源共享智能就餐方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～6中任一项所述的资源共享智能就餐方法。
CN202011192408.5A 2020-10-30 2020-10-30 资源共享智能就餐方法、装置、系统、介质和设备 Active CN112288530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011192408.5A CN112288530B (zh) 2020-10-30 2020-10-30 资源共享智能就餐方法、装置、系统、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011192408.5A CN112288530B (zh) 2020-10-30 2020-10-30 资源共享智能就餐方法、装置、系统、介质和设备

Publications (2)

Publication Number Publication Date
CN112288530A CN112288530A (zh) 2021-01-29
CN112288530B true CN112288530B (zh) 2023-06-02

Family

ID=74353505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011192408.5A Active CN112288530B (zh) 2020-10-30 2020-10-30 资源共享智能就餐方法、装置、系统、介质和设备

Country Status (1)

Country Link
CN (1) CN112288530B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821542B (zh) * 2021-11-23 2022-02-11 四川新网银行股份有限公司 一种显著特征自动推荐系统及方法
CN115942254B (zh) * 2023-03-09 2023-05-09 广州健食慧信息科技有限公司 智慧餐厅客流跟踪评估系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106302262A (zh) * 2016-10-12 2017-01-04 广东技术师范学院 一种基于软交换的智能餐厅服务机器人无线通信方法
CN107507016A (zh) * 2017-06-29 2017-12-22 北京三快在线科技有限公司 一种消息推送方法和系统
CN109102326A (zh) * 2018-07-15 2018-12-28 山东工业职业学院 一种基于大数据特征分析的云餐饮平台及分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109727161B (zh) * 2017-10-31 2024-03-19 盒马(中国)有限公司 餐饮店、订单信息处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106302262A (zh) * 2016-10-12 2017-01-04 广东技术师范学院 一种基于软交换的智能餐厅服务机器人无线通信方法
CN107507016A (zh) * 2017-06-29 2017-12-22 北京三快在线科技有限公司 一种消息推送方法和系统
CN109102326A (zh) * 2018-07-15 2018-12-28 山东工业职业学院 一种基于大数据特征分析的云餐饮平台及分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"A Comparative study of customer perceived value as a driver for fine dining restaurant selection";Nitiwanakul W;《AU Journal of Management》;第1-13页 *
"融合用户情境及特征信息的餐厅推荐系统设计与实现";崔垚;《中国优秀硕士学位论文全文数据库信息科技辑》(第3期);第I138-2191页 *
智能订餐点餐支付系统的设计与实现;白志青;《赤峰学院学报(自然科学版)》(第18期);第19-20页 *

Also Published As

Publication number Publication date
CN112288530A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
US10397741B2 (en) System and method for service tracking
US10482551B2 (en) Systems and methods of automatically estimating restaurant wait times using wearable devices
CN112288530B (zh) 资源共享智能就餐方法、装置、系统、介质和设备
US20190332615A1 (en) Interpersonal Spacetime Interaction System
CN103559636B (zh) 一种基于云计算和智能分析的餐饮管理系统
KR101993126B1 (ko) 지리적 위치에 기초한 정보 검색 방법 및 시스템
US8812028B2 (en) Wireless identifiers for proximity applications
CN106776930B (zh) 一种融入时间和地理位置信息的地点推荐方法
US9747304B2 (en) Approximating a user location
CN106558012B (zh) 一种基于智能社区的健康服务系统
KR20080045331A (ko) 이동통신 시스템에서 선호도 기반의 위치 정보 제공을 위한장치 및 방법
CN103237291A (zh) 移动终端的整合定位方法和信息服务主动推荐方法
CN101902688A (zh) 导航信息的统计获取系统及方法
CN105808574A (zh) 叫号排序方法与系统
JPWO2017046845A1 (ja) 情報処理装置、情報処理方法、プログラム、記憶媒体
CN108566620A (zh) 一种基于wifi的室内定位方法
CN111739056B (zh) 一种轨迹追踪系统
CN104160675B (zh) 过滤应用的方法
CN109740882B (zh) 用于体检车的数据处理方法及装置
WO2017038177A1 (ja) 情報提供装置、端末装置、情報提供方法、プログラム
JP6638265B2 (ja) 情報提供装置、プログラム
WO2017072639A1 (en) Creating and monitoring geo-fenced zones
KR20220054230A (ko) 식사 모니터링 장치 및 방법
WO2021132414A1 (ja) 情報処理装置、情報処理方法、情報処理プログラム、情報処理システム、端末装置、端末装置制御方法、端末装置制御プログラムおよび端末プログラム
CN113627765A (zh) 基于用户满意度的分布式空间众包任务分配方法和系统

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
GR01 Patent grant
GR01 Patent grant